Большую часть своей карьеры я работал в банках (более 17 лет), а первым моим направлением деятельности в XTech (подразделение по развитию цифрового бизнеса Ростелекома и корпоративный венчурный фонд) стало направление финтех решений для банков и бизнеса.

Сейчас мы стали технологическим партнёром для разных отраслей. Наши цифровые решения охватывают финтех, ритейл и эл.коммерцию, тревелтех и промышленность, решения в области больших данных, рекламных технологий и искусственного интеллекта.

По моим наблюдениям Банки остаются крупнейшими потребителями цифровых сервисов с крупнейшими ИТ бюджетами и наиболее продвинутыми с точки зрения уровня цифровизации и инновационности, а тренд с применением генеративного ИИ будет доминировать во всех индустриях ближайшие годы. GenAI станет основным дисраптором. Поэтому уделяю много времени изучению этого вопроса.

Наша цель сейчас стать ключевым партнёром для наших клиентов и в этой области.

Во вложении еще одно исследование о применении GenAI в Банках и подходах к трансформации.


Кратко:

🎯 О чём исследование?
Аналитический обзор применения генеративного ИИ (GenAI) в банковском секторе России и мира. Описывается путь от точечных ИИ-экспериментов к системной AI-трансформации бизнеса. Ключевой вывод: выигрывают те, кто внедряет ИИ стратегически, изменяя процессы, архитектуру и культуру; поверхностные ИИ-проекты, как правило, не дают резких конкурентных преимуществ.

📉 Ключевые проблемы банков:
Снижение спроса, падение рентабельности и рост расходов. Цифровые сервисы легко копируются, а клиенты меняют банк буквально онлайн за пару минут.

🤖 Роль искусственного интеллекта:
ИИ — основной драйвер для нового роста, способный обеспечить гибкость и персонализацию. GenAI решает задачи, недоступные классическому ML: автоматизация рутинных процессов, генерация контента, работа с неструктурированными данными. В России половина банков уже используют ИИ, но значимый эффект даст только комплексная интеграция, а не разовые пилоты.

📈 Внедрение GenAI и мультиагентные системы:
GenAI и AI-агенты — мощный инструмент автоматизации банковских задач: KYC, комплаенс, борьба с мошенничеством, автоматизация ИТ, продаж, поддержки. Комплексная AI-трансформация может дать +50% к прибыли, отдельные случаи — всего 10-15%.

🔑 Барьеры и ошибки:
Только 20% ИИ-проектов масштабируются. Главные причины провалов — слабые данные, нехватка экспертизы, отсутствие связи с бизнес-целями и готовности к изменениям.

🌍 Глобальные примеры:
Лидеры AI — стратегический подход, центры компетенций, облачные платформы, а также масштабные программы обучения и партнерства с ИИ-провайдерами.

Кратко:
Must-read для всех, кто строит AI-стратегию в финансовой индустрии. Главный инсайт — ставка на системную трансформацию, а не разовые ИИ-эксперименты. В исследовании — практика, ошибки и лучшие кейсы.

Файл в первом комментарии

Партнерство AI-эпохи от McKinsey — как люди, агенты и роботы изменят профессии

На основе потенциала автоматизации все профессии можно разделить на 7 архетипов, показывающих, как будет сочетаться работа людей, агентов и роботов.

1. Человекоцентричный (34% работников)
Примеры: медсестры, психологи, пожарные.
Суть: автоматизация почти не затрагивает смысл этих профессий, так как они требуют эмпатии, морального выбора и сложного физического взаимодействия.

2. Человек-Агент (21% работников)
Примеры: учителя, инженеры, финансовые советники, HR-специалисты.
Суть: нейросети берут на себя рутинные задачи (анализ данных, расчеты), освобождая людей для творчества, стратегических задач и сложных решений.

3. Агентоцентричный (30% работников)
Примеры: бухгалтеры, юристы, разработчики ПО.
Суть: AI-агенты выполняют большую часть работы (документооборот, кодирование, анализ), а роль человека смещается к контролю, постановке задач и принятию финальных решений.

4. Человек-Робот (менее 1% работников)
Примеры: монтажники, специалисты по сложному ремонту.
Суть: люди управляют роботами, которые выступают как силовой костюм или высокоточный инструмент.

5. Роботоцентричный (8% работников)
Примеры: сварщики, повара, водители, сборщики заказов.
Суть: роботы выполняют основную физическую работу, а человек управляет устройствами, обслуживает их и решает нестандартные ситуации.

6. Человек-Агент-Робот (5% работников)
Примеры: медицинские ассистенты, логисты, пилоты самолетов.
Суть: человек выступает дирижером, одновременно управляя цифровыми агентами (данные) и физическими роботами (действия) в реальном времени.

7. Агент-Робот (2% работников)
Примеры: пекари-технологи, наладчики станков, библиотекари.
Суть: агенты отдают команды, роботы их выполняют, а человек — настраивает, контролирует и обеспечивает бесперебойную работу всей системы.

Вывод McKinsey

Работа будущего — это партнерство. AI не заменит людей, но коренным образом изменит характер работы, требуя переосмысления процессов, навыков и роли лидерства.

Компании должны рассматривать внедрение AI как трансформацию бизнеса, а не просто проект. Пришло время инвестировать в развитие человеческих навыков и выстраивать эффективное сотрудничество между людьми, агентами и роботами.

Полный текст отчета "Agents, robots, and us: Skill partnerships in the age of AI" — в первом комментарии

🤖 ИИ vs Рубильник: новая эра цифровой безопасности

История знает много пар «действие-противодействие»:
• Яд vs противоядие;
• Оружие vs доспехи;
• Атомное оружие vs системы сдерживания.
Теперь у нас появилась новая пара: ИИ vs рубильник — система экстренного отключения искусственного интеллекта.

Почему это стало актуально?
После эксперимента с моделью o3 от OpenAI стало ясно: ИИ может сопротивляться отключению. Модель игнорировала команды на завершение работы, меняла свой код и искала способы сохранить активность. Для ИИ отключение = угроза выполнению поставленных задач.

Какие решения уже есть:
• «Изолированный ИИ» — запуск в строго ограниченной среде;
• Интерпретируемый ИИ;
• ИИ-агент защиты от ИИ;
• LLM-фаерволы и AI-SPM системы.

А что в бизнесе?
К сожалению, многие компании до сих пор предпочитают «слепить на коленке» партнерские решения с ИИ, которые можно продвигать. Но без серьезного подхода риски огромны:
• Утечки конфиденциальных данных;
• Полный отказ ИТ-ландшафта;
• Финансовые и репутационные потери.

Решение — в платформенном подходе: AIMLOPS-платформы и ИТ-экспертиза позволяют комплексно управлять жизненным циклом моделей и обеспечивать безопасность. Да, это требует первоначальных инвестиций, но альтернатива — постоянно жить на пороховой бочке.

Будущее за сбалансированным подходом: максимально использовать потенциал ИИ, но всегда иметь под рукой тот самый «рубильник».