Генеративный искусственный интеллект (ГИИ) сегодня рассматривается многими компаниями не просто как очередная инновация, а как мощный рычаг трансформации рабочих процессов. Он помогает автоматизировать рутинные задачи, повышает точность анализа больших массивов данных и поддерживает принятие управленческих решений. Особенно активно к ГИИ присматриваются финансовые компании, ежедневно обрабатывающие огромный объем документов и постоянно ищущие способы ускорить анализ актуальных данных с рынков. Как обучение сотрудников и комплексная адаптация инструментов генеративного ИИ могут привести к ощутимому экономическому эффекту и повысить эффективность организации?

Предпосылки

Финансовым компаниям приходится ежедневно обрабатывать огромное количество стандартных документов: аналитические справки, отчеты для клиентов, маркетинговые материалы и т. д. Именно при обработке рутинных операций генеративный ИИ позволяет снять значительную часть нагрузки на сотрудников. Инвестиционным аналитикам и финансовым консультантам часто приходится «прочесывать» большие массивы данных или отслеживать динамику показателей на всех рынках. Генеративный ИИ может помочь при сборе и структурировании сведений, освобождая экспертам время для выполнения углубленных аналитических и управленческих функций.

Вместе с тем внедрение любой новой технологии в крупной компании требует существенных усилий по обучению персонала, особенно если большинство сотрудников компании лишь поверхностно знакомы с генеративным ИИ. Большинству компаний требуется организовать корпоративное обучение технологиям ГИИ, чтобы не просто предоставить доступ к инструменту, но и научить его эффективно применять.

Старт

Перед началом масштабного обучения в компании «Финам» был проведен опрос для оценки осведомленности о ГИИ: 60% «что-то слышали», но реального опыта не имели; 2% сотрудников (преимущественно из ИТ-отдела) пользовались ГИИ на продвинутом уровне; остальные сотрудники хотели узнать, как ИИ поможет сократить трудозатраты на выполнение рутинных операций, получить преимущества в аналитике и маркетинге.

На основании собранных данных и анализа внутренних процессов компании были определены ключевые направления для применения ГИИ.

  1. ИТ-разработка: автоматизация написания шаблонного кода, упрощение документации, генерация тест-кейсов.
  2. Отдел инвестиционного анализа: формирование черновых версий аналитических записок и первоначальная систематизация данных.
  3. Продажи и клиентское обслуживание: автоматическая обработка типовых запросов, создание скриптов для звонков, первичная подготовка предложений.
  4. HR: найм и развитие персонала: формирование описаний вакансий, автоматизация части рутинных задач в онбординге.
  5. Операционный блок: обработка и проверка стандартных документов, сводных отчетов и т. п.
  6. Продуктовые и проектные менеджеры: генерация идей для улучшения пользовательских сервисов, структурирование проектной документации.

Обучение

Формат обучения предусматривал вводную лекцию (4 часа): презентация возможностей ГИИ в целом и демонстрация конкретных кейсов, наиболее актуальных для финансовой отрасли; практикумы и рабочие группы (8 групп, еженедельно в течение месяца): «Промпт-инжиниринг» — как правильно формулировать и уточнять запрос к ИИ; примеры решения реальных задач: от составления конспектов до черновой проверки законодательной базы; групповое обсуждение результатов и обратная связь.

Через месяц после окончания обучения следующий опрос выявил, что сотрудники в среднем стали экономить 7% времени на выполнении рутинных операций, а еще через полгода этот показатель удвоился. Например, сотрудники инвестиционного отдела отмечали, что аналитики стали быстрее формировать черновые материалы для инвестиционных идей, а освободившееся время посвящать решению более сложных вопросов: риск-аналитика, финансовое моделирование и др.

Анализ отзывов сотрудников выявил две характерные стратегии, поведенческие паттерны использования ГИИ: «Кентавр» — сотрудник четко отделяет задачи, которые хорошо ложатся на алгоритм ГИИ (черновая аналитика, подготовка документации), от более тонких задач, где критически важно экспертное суждение; «Киборг» — сотрудник стремится везде интегрировать ГИИ, во все этапы своей работы, начиная от поиска идей и заканчивая финальной проверкой гипотез. Было замечено, что «абсолютная» передача слишком сложных задач генеративной модели может привести к снижению качества, если не предусмотреть проверку экспертом. Но гибридная модель (ИИ + человек) давала устойчивый рост производительности.

При организации обучения важно было не просто рассказывать о возможностях генеративного ИИ, а сразу применять его для решения реальных задач, ежедневно встающих перед сотрудниками: составление документов, анализ данных, работа с клиентскими запросами и пр. Это позволило сотрудникам сразу увидеть пользу от нового инструмента.

Другое важное условие — не бросать людей один на один с ИИ. Регулярное проведение встреч в группах, обсуждение результатов, разбор сложных случаев — все это помогает сотрудникам преодолевать трудности и чувствовать поддержку. В результате формировались разные стратегии использования ГИИ («кентавр», «киборг»), помогая каждому найти свой оптимальный путь. При этом важно было поддержать людей в экспериментах, готовности к поиску новых способов применения ГИИ, даже если они выходят за рамки первоначальных инструкций. Именно такой подход породил множество интересных идей по оптимизации внутренних процессов.

И, наконец, самое важное — это изменение отношения к технологии. В начале пути многие сотрудники опасались, что ИИ лишит их работы. Но видя, как ГИИ помогает справляться с рутиной и освобождает время, многие начали относиться к инструменту как к партнеру, а не конкуренту. Это и есть главный результат обучения — не просто внедрение технологии, а формирование новой культуры, в которой люди и искусственный интеллект работают вместе.

Эффект и трансформация

Для оценки окупаемости проекта были собраны субъективные мнения (опросы), но и объективные показатели: скорость оформления рядовых документов в операционном блоке, количество обработанных клиентских запросов в отделе продаж, время, затрачиваемое на первичные маркетинговые исследования. По итогам шести месяцев часть этих KPI улучшилась примерно на 10–15%. Однако технологическая выгода от ГИИ будет еще увеличиваться по мере совершенствования навыков сотрудников и развития самих моделей.

Интересны также нюансы по отдельным отделам. В подразделении ИТ время разработки сократилось на 5–10% за счет ускорения при составлении документации, автогенерации кода и тестов. Время подготовки черновой аналитики инвестиционного анализа также сократилось на 10%, что позволило глубже прорабатывать финальные выводы. В сфере продаж и клиентского обслуживания показатели сначала немного выросли, но через полгода снизилась. Возможно, это связано с тем, что работа в продажах и клиентском сервисе требует личных контактов и менее поддается генеративной автоматизации. Операционный блок и HR продемонстрировали рост до 9–10% — научившись создавать быстрые шаблоны, HR-специалисты и операционные сотрудники стали экономить время на типовых процедурах, без потери их качества.

Корпоративная культура и новации

После запуска проекта внедрения ГИИ сотрудники начали активнее предлагать идеи по оптимизации внутренней работы: на основе генеративной модели создание чат-ботов, способных консультировать клиентов; формирование сценариев внедрения автоматических отчетов в маркетинге; новые функции для мобильного приложения «Финам». Часть идей была протестирована в пилотном режиме, что усилило общую культуру экспериментов.

Среди сотрудников вначале существовали опасения, что ГИИ «заберет» их рабочие места. Однако реальный опыт показал обратное — используя ГИИ, люди стали выполнять свою основную работу быстрее, а высвободившееся время направили на повышение качества сервиса и развитие новых направлений. Привычные рутинные операции были переданы машинным алгоритмам, а эксперты сосредоточились на творческих и управленческих задачах.

Рекомендации

Опыт «Финам» вполне можно транслировать и на другие организации, особенно в финансовом секторе, — итоговые рекомендации выполнения проектов ГИИ:

  • начинать с анализа процессов — выявить задачи, которые хорошо масштабируются под ГИИ, а другие оставить под полным контролем человека;
  • инвестировать в обучение — не следует ограничиваться коротким семинаром, а разрабатывать полноценную многоэтапную программу с практическими кейсами;
  • мотивировать к экспериментам — локальные команды «чемпионов» (активистов в сфере ГИИ) помогут распространить успешный опыт и преодолеть скепсис сотрудников в остальных подразделениях;
  • планировать долгосрочный эффект — рост эффективности от ГИИ не одномоментный, а ощутимый прирост часто выявляется лишь спустя несколько месяцев, когда сотрудники лучше освоят инструмент;
  • собирать обратную связь — регулярные опросы и мониторинг ключевых показателей эффективности (KPI) позволяют тонко настраивать программу обучения и улучшать процессы.

Внедрение генеративного искусственного интеллекта показало, что даже в крупной финансовой компании с высокой регулятивной нагрузкой и комплексными бизнес-процессами можно достичь ощутимого экономического эффекта. По субъективным оценкам сотрудников, через полгода производительность труда повысилась на 10–15%, а некоторые отделы вышли и на более высокие результаты.

Важно, что ГИИ стимулировал изменения в корпоративной культуре — сотрудники стали активнее осваивать новые инструменты, вырос уровень креативности и взаимопомощи. Страх потери работы постепенно трансформировался в интерес к новым возможностям. Для «Финам» ГИИ стал не заменой людей, а партнером, позволяющим сфокусироваться на стратегических аспектах и более глубоком уровне обслуживания клиентов.

Перспективы

Сейчас в компании активно строиться FinanFlow — «корпоративный ИИ-мозг» — единая точка доступа ко всей копоративной информации. Вместо того чтобы искать регламенты, инструкции, контакты нужных специалистов по разным отделам и базам данных, сотрудник просто задает вопрос этому «мозгу». Это существенно экономит время, упрощает коммуникации, помогает быстрее находить нужные знания и компетенции внутри компании. Эта система постоянно обучается, в том числе и самостоятельно. Сейчас разрабатывается механизм, при котором FinanFlow сможет самостоятельно обратиться к профильным экспертам внутри компании, если не найдет ответ на вопрос сотрудника, а получив нужную информацию, включить ее в свою базу знаний. Цель — через год получить ИИ-помощника, который все знает о компании и по уровню развития сравним с опытным сотрудником.

***

Генеративные модели ИИ эффективны лишь при условии комплексного подхода к их внедрению, предусматривающего детальную проработку бизнес-процессов и масштабное обучение, а также сбор объективных метрик и поощрение корпоративного новаторства. Другие игроки отечественного финансового рынка, изучая опыт «Финам», могут взять на вооружение накопленный опыт и избежать возможных ошибок.

Андрей Морозкин (amorozkin@corp.finam.ru) — директор по операционной эффективности, компания «ФИНАМ»; Сергей Кобелев (serg@kobelev.ai) — консультант по разработке и внедрению стратегий генеративного ИИ, (Москва).