Даниил Потапов, «Россельхозбанк»: Не магия, а экономика – как мы строили ИИ-функцию в крупнейшем банке страны

Три года назад я пришёл в «Россельхозбанк» с задачей выстроить функцию по внедрению искусственного интеллекта практически с нуля. Сегодня этот опыт вылился в полноценную стратегию, которая стала неотъемлемой частью цифровой трансформации одного из крупнейших финансовых институтов страны.

В своей статье я хочу поделиться не магическими рецептами, а честным рассказом о том, как внедрять передовые технологии в среде, где каждый шаг требует жёсткого экономического обоснования, а отношение к риску традиционно крайне настороженное.

Консерватизм как данность, а не приговор

«Россельхозбанк» – это огромная структура, объединяющая более 30 тысяч сотрудников и представленная в 82 субъектах Российской Федерации. Банк уверенно занимает первое место на рынке финансирования агропромышленного комплекса и входит в пятёрку крупнейших кредитных организаций страны по размеру активов. Однако с точки зрения технологических инноваций мы столкнулись с классическим набором вызовов, характерных для любой консервативной организации.

Первое и, пожалуй, главное – это необходимость скрупулёзного обоснования окупаемости инвестиций. Любая инициатива, будь то внедрение ИИ или просто автоматизация существующих процессов, неизбежно упирается в вопрос «Зачем?», который мгновенно переводится в денежный эквивалент. Второй вызов – огромный объём регуляторных и внутренних ограничений. Процессы согласования растягиваются во времени, требуют многократных доработок и учёта мнений десятков подразделений. Третий фактор – низкая толерантность к риску: все возможные издержки и непредвиденные обстоятельства закладываются на старте, что автоматически отсекает множество потенциально прибыльных, но недостаточно проверенных идей. Наконец, нельзя сбрасывать со счетов и общий скептицизм в отношении возможностей искусственного интеллекта – многие по-прежнему воспринимают генеративные модели и агентов скорее как интересную игрушку, нежели как надёжный производственный инструмент.

Мы не стали бороться с этой средой, а приняли её как данность. Наш подход заключается в том, чтобы брать инициативу в свои руки – вместе со всеми сопутствующими рисками. Вместо абстрактных запросов на бюджет мы начали предлагать конкретные бизнес-кейсы, каждый из которых с самого начала сопровождался детальной финансовой моделью с прогнозом доходов и расходов. Мы берём на себя ответственность за реализацию и конечный результат, а прозрачность стала краеугольным камнем нашей работы: мы фиксируем чёткие КПЭ и пути их достижения, что позволяет руководству видеть не просто траты, а конкретные цели.

Стратегия ИИ как часть цифрового курса банка

Наша стратегия в области искусственного интеллекта не существует сама по себе – она интегрирована в ключевой документ банка, определяющий развитие всего ИТ-ландшафта. Это даёт нам возможность во внутренних дискуссиях с другими командами апеллировать к общим целям и обеспечивать согласованность движений. Таким образом, внедрение ИИ становится не изолированным экспериментом, а неотъемлемой частью долгосрочного курса всей организации.

Измерение эффекта

Когда речь заходит о реальной пользе от ИИ, неизбежно встаёт вопрос: как именно мы считаем этот эффект? Хорошая новость в том, что отрасль не стоит на месте. В ноябре 2025 года на конференции AI Journey Ассоциация ФинТех утвердила единую методологию оценки эффектов от внедрения ИИ, в разработке которой участвовали многие крупные компании. Мы взяли этот документ за отправную точку, но пошли дальше: мы фиксируем методологию расчёта ещё на этапе планирования, в том самом Excel-файле, где закладывается экономика инициативы.

Такой подход напоминает классическое A/B-тестирование: мы заранее определяем, как будем измерять результат – в сравнении с лучшей альтернативой (то есть с процессом без ИИ) – и не меняем этих правил в ходе реализации. Это позволяет избежать манипуляций статистикой и честно отделить действительно эффективные проекты от тех, которые лишь создают видимость успеха. В противном случае мы рискуем обмануть самих себя, подгоняя метрики под желаемый результат.

Поскольку мы осознавали, что за результат отвечаем головой, мы настояли на том, чтобы получить контроль над полным жизненным циклом ИИ-решений. Вместо того чтобы координировать работу десятка разрозненных подразделений банка, мы выстроили собственные кросс-функциональные команды – от DevOps и SRE до дата-инженеров и продуктовых аналитиков. Это позволило нам замкнуть все этапы внутри одной структуры, существенно сократив время на согласования и коммуникации.

Главным технологическим инструментом, обеспечивающим этот цикл, стала платформа RAISA (RSHB AI Systems & Applications), которую мы создавали целенаправленно для специалистов по работе с данными. Её ключевая философия – self-service. Каждый сотрудник должен иметь возможность самостоятельно решать любую задачу: от ad-hoc-аналитики и построения ETL-процессов до разработки и деплоя моделей машинного обучения. Мы понимали, что сама по себе модель – лишь верхушка айсберга; 90 % успеха определяется качеством данных и инфраструктурой вокруг неё. Поэтому мы интегрировали RAISA со всеми существующими хранилищами банка – от старых сетевых дисков до озера данных на базе Apache Hadoop, Greenplum и PostgreSQL. Мы унифицировали технологический стек: контейнеризация, Python, SQL, общие библиотеки для контроля качества данных и отслеживания моделей – всё это стало доступно в единой среде.

Цифры, культура и неожиданный side-квест

За три года работы мы вывели в промышленную эксплуатацию более 200 моделей машинного обучения. Платформой сегодня пользуются свыше 4 тысяч сотрудников, а время вывода решения на рынок (Time-to-Market) сократилось на 75 % – во многом за счёт низкой стартовой базы и устранения прежних бюрократических барьеров.

Однако самым неожиданным результатом стал наш «побочный квест» – импортозамещение. Когда уход Microsoft поставил банк перед необходимостью срочно отказаться от Excel, Power Query, Power Pivot и Microsoft Access, выяснилось, что тысячи сотрудников использовали эти инструменты для решения повседневных задач на данных. Мы переписали более 3000 скриптов на современный стек и развернули их на платформе RAISA. Это позволило не только сохранить критически важные процессы, но и изменить саму культуру работы с данными. Если раньше в Excel люди мыслили в терминах конечного визуального представления, то теперь они учатся строить алгоритмы и писать код, а значит, подход к решению задач становится более системным. Сотрудники естественным образом прокачивают свои компетенции, а заказчики внутри банка начинают формулировать более сложные и содержательные требования. Так платформа стала драйвером культурных изменений в масштабах всей организации.

От машинного обучения к большим языковым моделям

Имея на руках готовую платформу с контейнеризацией, доступом к данным и инструментами для ML-разработки, мы смогли быстро перейти к следующему этапу – работе с большими языковыми моделями (LLM). По сути, мы создали фабрику пилотов, где можем связывать различные RAG-компоненты, оборачивать их в интерфейсы и оперативно тестировать на внутренних пользователях. Это избавило нас от необходимости строить инфраструктуру с нуля – мы просто добавили новые компоненты (движки инференса, оркестраторы, инструменты для векторного поиска) в уже существующую экосистему.

На сегодняшний день мы развиваем три основных направления LLM-инициатив.

Первое – контекстный поиск информации. Мы объединили разрозненные базы знаний, системы электронного документооборота, отраслевые библиотеки и протоколы заседаний в единую поисковую строку. Ключевой эффект здесь дала даже не столько сама языковая модель, сколько интеграция данных: раньше во многих системах поиск работал только по ключевым словам, и малейшая ошибка в написании оставляла пользователя без результата. Теперь мы просто предоставляем единый интерфейс, который радикально ускоряет навигацию в массиве документов.

Второе – ассистент для документооборота. В банке колоссальный объём бюрократии: служебные записки, отчёты, презентации, приказы. Мы зафиксировали шаблоны и правила генерации таких документов, чтобы дать сотрудникам кнопку для создания типовых текстов. Однако обеспечить доступ к такому инструменту для всех 30 тысяч сотрудников в плане инфраструктуры чрезвычайно дорого, поэтому мы вынуждены гибко управлять приоритетами и квотами.

Третье – ассистенты для разработчиков и аналитиков. Мы развернули внутри контура модели Qwen и DeepSeek, выставили API, разрабатываем плагины для VSCode и JupyterLab. Эффект здесь мы оцениваем через рост числа закрытых задач и сокращение времени на рутинную работу – ожидаем, что использование помощников позволит той же численности команды выполнять на 20 % больше работы. Основной фокус сделан не на сокращение штата, а на повышение ёмкости команды.

Итоги и взгляд в будущее

На сегодняшний день подтверждённый экономический эффект от всех наших ИИ-инициатив составляет 600 млн рублей. Однако это лишь начало. В стратегии банка до 2029 года заложена цель достичь эффекта в 8,8 млрд рублей. Мы понимаем, что искусственный интеллект сам по себе не является панацеей – он лишь усиливает уже выстроенные процессы. Если вместо процессов царит хаос, ИИ лишь ускорит этот хаос. Поэтому мы делаем ставку на дисциплину, прозрачную экономику и итеративное движение от простых ML-решений к более сложным системам, включая агентные подходы и управление решениями (Decision Intelligence).

Мы не ломали существующую систему, а научили её думать – системно, ответственно и с оглядкой на реальную пользу для бизнеса. Консерватизм оказался не приговором, а вызовом, который мы приняли с помощью стратегии, платформы и команды, готовой брать на себя риски. И сейчас мы видим, что этот путь работает.

Даниил Потапов, руководитель Лаборатории искусственного интеллекта, «Россельхозбанк»