Сбербанк, Коптелов: от автоматизации к автономности, будущее ИИ-агентов и разработки продуктов
Андрей Коптелов, исполнительный директор, Сбербанк. Форум Cnews "Технологии искусственного интеллекта 2026".
Подчёркивается политика открытости банка: значительная часть материалов по развитию искусственного интеллекта публикуется в открытом доступе (в подтверждение приводится несколько QR-кодов с дополнительными материалами для самостоятельного изучения). Личный контекст раскрывается через профессиональный бэкграунд в процессном управлении и неожиданное, по собственному признанию, увлечение темой искусственного интеллекта: используются агенты на платформе N8N в личных проектах, а на основном рабочем месте — специализированные корпоративные агенты. Приводится показательный пример из собственной команды: разработчик, который заявил, что «больше никогда не будет писать код» и теперь лишь нажимает кнопки подтверждения и проверки сгенерированного кода — иллюстрация тезиса «будущее уже здесь».
От автоматизированных процессов к автономным
Вводится ключевое терминологическое разграничение, уже закреплённое во внутренних нормативных документах банка. Автоматизированный процесс описывается как достаточно жёсткая, шаблонная последовательность действий (если А, то Б, затем В). Автономный процесс, напротив, характеризуется гибкостью: задача улучшения процесса передаётся большим языковым моделям и агентам, что делает сам процесс персонифицированным. В качестве иллюстрации приводится недавний пилотный проект — построение индивидуальных треков обучения сотрудников: система анализирует имеющийся набор компетенций человека и его потребности, после чего ИИ-агент подбирает для него персональную образовательную траекторию; отдельно отмечается, что аналогичная задача решалась бы и на классических алгоритмах, но применение ИИ-агентов оказалось «прикольнее». Автономность процесса определяется как его изменчивость, потенциально ведущая к формированию персонального предложения, когда процесс выстраивается под конкретного человека, а не по единому шаблону.
Эволюция роли ИИ: от помощника-копайлота к самостоятельному агенту
Раскрывается последовательная траектория усложнения роли искусственного интеллекта в рабочих процессах. Начальный уровень — использование нейросетей как copilot, вспомогательного инструмента с постоянно открытым интерфейсом (в качестве иллюстрации приводится шутка коллеги: «мой мозг вообще за рубежом»). Следующий уровень — чуть более серьёзное распределение труда: черновую работу выполняет языковая модель, а человек verифицирует результат. Далее — работа наборов агентов, действующих автономно на протяжении часов без непосредственного участия человека, который впоследствии проверяет итог и либо принимает его, либо запускает очередной цикл доработки. На более продвинутом уровне агент самостоятельно справляется с большинством задач и передаёт человеку только сложные случаи, требующие отдельного описания, поскольку оставлять его без надзора во многих сферах «достаточно опасно». Целевым состоянием для ряда команд называется финальная стадия, когда человек лишь наблюдает за метриками работы агентов.
Технологический прогресс больших языковых моделей
Отмечается заметный качественный скачок в инструментальной обвязке вокруг больших языковых моделей: если ранее они плохо справлялись с числовыми расчётами, то теперь способны самостоятельно запускать код на Python и корректно обрабатывать большие массивы данных. Отдельно даётся практическая рекомендация — не разворачивать такие модели локально на телефоне, поскольку работать они будут некорректно. Управление памятью и контекстом обозначается как отдельная, требующая специального рассмотрения тема.
AI Disrupt PDLC: смена парадигмы разработки продуктов
Представляется концепция Product Development Lifecycle применительно к искусственному интеллекту — идея, при которой, поскольку большие языковые модели уже достаточно хорошо пишут код, у разработчика забирается не его роль целиком, а рутинная часть написания кода, что фактически превращает разработку в «фабрику, создающую ИТ-решения». Приводится личный пример: даже с солидным опытом и возрастом теперь пишется код с помощью ИИ-инструментов, с последующей проверкой и выводом в промышленную эксплуатацию. Формулируется центральный тезис смены приоритетов: важнее не сама ИТ-разработка, а понимание того, что нужно рынку, — продуктовые специалисты, понимающие реальные потребности, становятся важнее, поскольку всё остальное поддаётся механизации. Указывается, что уже существуют команды, работающие в полностью автономном режиме генерации и тестирования кода, а сама технология описывается как открывающая путь к созданию стартапов людям без опыта программирования — при условии готовности рынка к продукту, создаваемому «с помощью вот этой Шайтан AI-машины».
Трансформация профессиональных ролей
На вопрос о будущем аналитиков в новой парадигме формулируется прямой ответ: предстоит трансформация в «AI-инженера» — специалиста, понимающего, чего хочет бизнес, как работают нейросети, их сильные и слабые стороны. Признаётся, что у моделей и агентов достаточно много недостатков, из-за чего возникло понятие «харнеса» — специально выстроенного окружения, компенсирующего эти ограничения. Показательна личная история о собеседовании с кандидатом с сильным резюме, которая не могла найти работу; после выяснения отсутствия у неё навыков работы с искусственным интеллектом прозвучал прямой совет: «Беги, учи. Потому что реально ты сейчас не зайдёшь без AI-а» — иллюстрация того, насколько быстро изменились требования рынка труда.
Спецификация как новый объект управления
Формулируется, пожалуй, центральный архитектурный тезис доклада: если код теперь автоматически генерируется нейросетью, объектом управления в производственном процессе перестаёт быть сам код и становится корректно составленная спецификация задачи. При этом признаётся, что здесь есть множество нюансов — необходимо понимать, что именно правильно закладывать в такую спецификацию, и для этого требуется контекст организации. В подтверждение системности подхода упоминается подготовленный коллегой Кириллом Меньшовым документ по методологии AI Disrupt PDLC — доступный в короткой и развёрнутой, на добрую сотню страниц, версиях, где подробно описано, как эта методология внедряется на практике; признаётся, что документ прочитан лично несколько раз, и, несмотря на то что многое в нём пока ориентировано на будущее, общее направление уже задано.
Управление контекстом как ключевая тема момента
Отдельно выделяется тема, названная наиболее интересной на текущий момент, — управление контекстом. Формулируется наблюдение: большие языковые модели совершенно не знают специфику работы конкретной организации и без дополнительных данных выдают типовые, шаблонные ответы, основанные на обучающей выборке. Чтобы инструмент заработал внутри организации, в контекст запроса необходимо подавать ровно тот объём информации о компании, который требуется для решения задачи, — включая описания процессов, ИТ-ландшафта и сервисов. Именно это направление называется следующей волной, которая должна оказаться в центре внимания отрасли — своего рода «онбординг» для ИИ-агентов, знакомящий их с устройством организации.
Дискуссия: место спецификаций и будущее low-code инструментов
В ходе последовавшего обсуждения раскрывается практическое понимание природы спецификации: она характеризуется не как формальный документ по строгому стандарту, а как своего рода контейнер, распадающийся на набор компонентов — описание существующих процессов, рыночных драйверов и клиентских потребностей, — часть содержания которого способна восполнить сама языковая модель. Приводится практический пример из собственного опыта: при подготовке спецификации быстро возникает проблема — генератор «ничего не знает о нашем процессе», из-за чего требуется дополнительно подключать реестр процессов организации в качестве контекста.
Отдельный содержательный блок посвящён обсуждению перспектив low-code платформы N8N на фоне развития ИИ-агентов. Признаётся, что технологии меняются очень быстро, однако сам инструмент продолжает использоваться в промышленной эксплуатации личных проектов; при этом в целевой архитектуре банка N8N не является целевым инструментом — используются собственные корпоративные решения. Формулируется афористичный тезис о порядке технологического вытеснения: «AI сначала не людей съест. AI сначала съест IT-инструменты» — в подтверждение приводится пример, когда простая загрузка файла с данными о продажах в языковую модель с несложным запросом дала полноценную аналитику и рекомендации без обращения к специализированным BI-инструментам. На вопрос о возможности заменить целый рабочий процесс в N8N единственным промптом даётся взвешенный ответ: одним промптом — нет, слишком много контекста и справочных данных, но в перспективе подобный «граф» вполне может превратиться в «скилл» для агента.
Финальный содержательный блок дискуссии касается устойчивости и надёжности подобных ИИ-решений по сравнению с классической автоматизацией: у любой языковой модели существует определённый процент точности, она уступает классической автоматизации в предсказуемости результата, а при смене версии модели поведение по тому же промпту может измениться. Формулируются две границы, за которыми классическая автоматизация сохраняет свою нишу: экономическая целесообразность (стоимость токенов против жёстко закреплённого процесса) и допустимая вероятность ошибок. Упоминается набирающая популярность практика «evaluation», когда один агент в цикле проверяет работу другого. Итоговый тезис дискуссии звучит предельно прагматично: «экономика, она сразу наведёт порядок».
Резюме
Центральный тезис заключается в смещении объекта управления в разработке программных продуктов: по мере того как код перестаёт быть узким местом благодаря способности языковых моделей писать его самостоятельно, ключевой ценностью и предметом контроля становится корректно сформулированная спецификация задачи, опирающаяся на организационный контекст, — это фундаментально меняет требования к квалификации специалистов, смещая акцент с технической реализации на продуктовое понимание рынка.
Второй значимый вывод касается управляемой, поэтапной модели делегирования полномочий искусственному интеллекту: описанная траектория — от вспомогательного copilot через верификацию черновой работы к автономным агентам с человеком, контролирующим лишь метрики, — демонстрирует осознанный, не одномоментный подход крупной организации к снижению рисков при расширении автономности систем.
Третий вывод отражает прагматичный, а не идеологический характер оценки готовых low-code инструментов вроде N8N: их судьба определяется не принципиальным неприятием, а трезвым сопоставлением экономики и вероятности ошибок против решений на основе языковых моделей — сосуществование классической и ИИ-ориентированной автоматизации признаётся закономерным переходным этапом, а не временным компромиссом.
Наконец, управление контекстом организации формулируется как следующий системный барьер на пути практического применения искусственного интеллекта в бизнес-процессах: без целенаправленного «онбординга» моделей под специфику конкретной компании их полезность ограничивается типовыми, обезличенными рекомендациями — данный тезис задаёт вектор дальнейшего развития инструментов и методологий уже за пределами самого доклада.
