Как переводить компанию на ИИ-рельсы. Кейс Школы ИИ-продактов Альфа-Банка
Продолжаем серию публикаций «Полезный понедельник», в которой делимся кейсами победителей Премии Digital Learning 2025!
3️⃣ 🔤🔤🔤🔤🔤
🔙🔤🔤🔤🔤🔤🔤🔤🔤🔤 🔤🔤🔤🔤🔤🔤🔤🔤🔤🔜
Проект «Школа ИИ-продактов в Альфа Академии» показывает, как обучение может стать инструментом организационной трансформации.
⭐️Любовь Суханова, Альфа-Банк, руководитель по обучению сотрудников Data-Driven и AI.
Главная идея
Чтобы искусственный интеллект действительно менял бизнес-процессы, нужны люди, которые умеют соединять два мира:
➖ бизнес, который понимает свои задачи и точки боли;
➖ Data Science, который понимает технологию и возможности машинного обучения.
Именно такую роль закрывает ИИ-продакт — специалист.
Предпосылки
Между возможностями машинного обучения и реальным внедрением часто возникает разрыв.
Data Science может разработать модель, но бизнес не всегда понимает, где её применить. Бизнес видит проблему, но не всегда понимает, как здесь может помочь машинное обучение.
Специалистов, которые способны быть посредниками между этими мирами, на рынке мало. Команда решила не только искать ИИ-продактов на рынке, но и выращивать их внутри.
Цели проекта
➖ Преодолеть разрыв между бизнесом и Data Science.
➖ Научить сильных продактов видеть, где машинное обучение может дать эффект.
➖ Подготовить сотрудников, которые смогут лидировать ML- и AI-проекты внутри своих направлений.
➖ Увеличить количество сильных бизнес-гипотез для внедрения ИИ.
➖ Запускать не учебные кейсы, а реальные проекты, встроенные в процессы банка.
Реализация
Школа была построена как интенсивная программа для сотрудников с глубокой предметной экспертизой и сильными продуктовыми навыками.
Команда брала людей, которые уже хорошо знают свой продукт, процессы и бизнес-зачи. А в программе добавляла то, чего не хватало:
➖ понимание машинного обучения;
➖ язык Data Science;
➖ умение формулировать ML-гипотезы;
➖ оценку эффекта;
➖ способность провести проект по жизненному циклу разработки модели.
В основе подхода:
1️⃣ Жёсткий отбор участников.
2️⃣ Работа только с реальными проектами.
3️⃣ Обучение, встроенное в жизненный цикл ML-модели.
4️⃣ Лекции, практикумы, ролевые игры и симуляции встреч разных департаментов.
5️⃣ Домашние задания по собственному проекту.
6️⃣ Менторская поддержка от экспертов.
7️⃣ Защита проектов перед экспертной комиссией.
8️⃣ Попадание сильных идей в реальный backlog разработки.
Главный принцип: школа не стала отдельной «песочницей». Участники должны были доказать ценность идеи, найти поддержку в бизнесе и пройти стандартный процесс постановки проекта в разработку.
Что получилось?
Проект помог выстроить системную связку между обучением, бизнесом и Data Science.
В результате:
➖ сотрудники начали формулировать более сильные ИИ-гипотезы;
➖ проекты проходили экспертную оценку и попадали в backlog;
➖ бизнес получил подготовленных людей внутри подразделений;
➖ обучение стало способом увеличивать покрытие бизнес-процессов ML-моделями;
➖ школа начала масштабироваться: от пилотного потока к расширенной программе с подготовительным bootcamp.
Отдельная ценность — участники не обязательно переходили в новую роль ИИ-продакта. Многие оставались в своих направлениях, но начинали внедрять ИИ уже внутри текущей работы.
Главный вывод
ИИ-трансформация начинается с людей, которые умеют увидеть бизнес-задачу, понять возможности машинного обучения и довести идею до внедрения.
Школа ИИ-продактов Альфа-Банка — пример того, как корпоративное обучение может запускать реальные изменения в бизнес-процессах.
🖥 Читайте полный текст кейса
👀 Смотрите выступление
Если вы создаёте смешанные программы, развиваете AI- и data-driven-компетенции, связываете обучение с реальными проектами и бизнес-эффектом — возможно, именно ваш проект станет следующим кейсом на сцене Digital Learning.
🔤🔤🔤🔤🔤🔤🔤 🔤🔤🔤🔤🔤🔤🔤
🔤 🔤🔤🔤🔤🔤🔤
🔽
Жмите тут
Ольга Искандирова (@unpacking_expert) и команда сообщества Digital Learning #Полезный_понедельник_Digital_Learning
🔋 Поддержать канал
