ТБанк: трансформация AI в большом финтехе и перестройка продуктов - Марина Ананьева
Марина Ананьева, руководитель ML-направлений в бизнес-линиях Т-Банк. Форум Data Day 2026 «ИИ + Данные». Организатор — Издательский дом «Регламент».
AI-трансформация в крупной компании уже не сводится к отдельным ML-проектам. Речь идёт о смене логики работы: от локальных внедрений к платформенному подходу, от инициатив внутри центра к связке с бизнес-вертикалями, от «делаем сами» к снижению порога входа для немодельных команд и росту скорости внедрения. При этом подчёркивается, что универсальной инструкции для такой трансформации не существует; компания сама проходит этот путь и нащупывает рабочую модель.
Одна из главных мыслей выступления — ТБанк находится не на старте, а уже в зрелой промежуточной стадии между AI-Conventional и AI-First. За годы развития были пройдены базовые этапы: сначала риск-скоринг и антифрод, затем боты в клиентском обслуживании, потом первые AI-продукты и технологии, после чего возник AI-центр как единая точка экспертизы. Но именно накопление зрелости привело к новому вызову: старые сценарии уже работают, дают большой эффект, но дальше не растут линейно, и нужен следующий слой изменений.
Вторая ключевая линия — трансформация была запущена не из-за абстрактного желания «быть современными», а из-за конкретных ограничений. С одной стороны, компания увидела стагнацию эффекта от привычных ML-направлений: основные десятки миллиардов uplift уже есть, но дальше нужно искать новые точки роста. С другой стороны, прежние AI-решения — умная камера, секретарь, боты — из новинок превратились в commodity, а значит, конкурентное преимущество нужно строить уже не на самом факте наличия таких продуктов, а на скорости, глубине интеграции и качестве платформенной базы.
Отдельно выделяется организационный вывод: для масштабирования AI недостаточно централизованной команды, но и полный уход в децентрализацию тоже не решает задачу. В итоге был найден гибридный формат — сохранить сильный центральный слой базовых технологий, но при этом создать мини-AI-центры внутри. бизнес-вертикалей, которые адаптируют эти технологии под конкретные потребности Это важный переход от модели «один большой центр на всё» к модели, где центр отвечает за платформу и фундамент, а вертикали — за прикладную продуктовую разработку. Ещё один важный тезис связан с управлением приоритетами. Выступление прямо указывает на ошибку прежнего подхода: попытка собрать полный список всех ML-запросов внутри вертикали не приводит к успеху, потому что таких проектов слишком много, и они слишком мелкие и разрозненные. Поэтому логика изменилась: теперь приоритеты определяются сверху вниз вместе с руководством бизнес-вертикалей, а не через бесконечный внутренний бэклог. Это сдвиг от реактивной модели к более стратегической.
Сильный аналитический акцент сделан и на том, что бизнесу не всегда нужен быстрый возврат инвестиций в традиционном смысле. В некоторых случаях прежний подход к ROI просто душит инициативы: новые платежные агенты, новые продукты и сценарии клиентского опыта могут не дать мгновенной монетизации, но при этом быть ценными для будущего развития. Поэтому компания пересматривает критерии оценки и допускает, что часть инициатив нужно запускать именно как data-driven эксперименты, а не как проекты с гарантированным быстрым эффектом.
Практическая часть выступления показывает, как эта стратегия реализуется технологически. Были выделены две платформы — AtML и AI-платформа. AtML ориентирована на то, чтобы не-ML-специалисты могли собирать ML-модели через внутренний web-интерфейс, автоматизируя лёгкие и средние по сложности задачи и вовлекая аналитиков и разработчиков, которых в компании гораздо больше, чем ML-инженеров. Отдельно упоминается агент ML-инженера как копилот, который по текстовому описанию задачи помогает сделать спецификацию и даже провести обучение модели, снижая порог входа в платформу.
Будущее AI в компании — это не только инфраструктура, но и изменение самой природы работы. Отдельный слой платформы нужен для безопасности, сервинга моделей и общих технических обвязок, а мини-AI-центры оставляют за собой discovery и поиск новых сценариев, особенно там, где речь идёт об ассистентах, агентах и LLM-продуктах.
Центральный вывод здесь в том, что главная проблема уже не инженерная, а продуктовая: технологии становятся доступнее, но остаётся вопрос, зачем именно их использовать и какие новые продукты они должны порождать
