Как получить работу мечты в растущей сфере ИИ: опыт крупного банка
Искусственный интеллект сегодня меняет привычные продукты и сервисы, компании и даже трансформирует саму структуру занятости. Особенно ярко это видно на примере Сбер Банка. Именно здесь, внутри крупной финансовой организации, формируются новые профессиональные роли, о которых еще несколько лет назад никто не слышал.
Мы поговорили с HR-директором Сбера Олегом Романовским о том, как ИИ влияет на рынок труда, какие профессии появляются и исчезают, где банк находит специалистов и что нужно знать тем, кто хочет строить карьеру на стыке финансов и искусственного интеллекта.
ИИ не убивает профессии. Он их трансформирует
Еще несколько лет назад в общественной дискуссии то и дело высказывалось опасение: развитие искусственного интеллекта станет угрозой для занятости. Казалось, что машины оставят людей без дела, а ряд профессий в их привычном виде исчезнет. Сегодня, глядя на опыт лидеров технологий, можно уверенно сказать: реальность оказалась сложнее и интереснее.
ИИ не столько убивает профессии, сколько трансформирует структуру занятости. И эта трансформация ведет не к сокращению спроса на сотрудников, а к его взрывному росту. При этом востребованы становятся сотрудники с новыми компетенциями.
– Формулировка «ИИ убивает профессии» – это слишком драматичный взгляд на вещи. Если смотреть на опыт Сбера, то ИИ не «убивает», а тотально трансформирует структуру занятости. Есть три ключевых вектора этих изменений.
Первое – исчезновение или сильное сокращение «бумажных» и «околобумажных» ролей. Профессии в их классическом виде уходят, и в первую очередь это касается специалистов, которые занимаются рутинными операциями.
Второе – взрывной спрос на профессии, связанные с разработкой, обучением и поддержкой ИИ. Например, Сберу требуются Data Scientist, менеджеры AI-продуктов, ML-инженеры и другие.
Третье – и это, пожалуй, самое интересное – трансформация существующих профессий. Они не исчезают, а «апгрейдятся», наполняясь новым содержанием. И здесь перед HR открывается главная задача: нужно не только нанимать новых Data Scientist, а масштабно переучивать тех самых операционистов, аналитиков, помогая им стать ИИ-тренерами или инженерами поддержки.
Топ-6 профессий с ИИ, которые уже здесь
В Сбере сформировался устойчивый спрос на специалистов, которые работают на стыке финансов, данных и искусственного интеллекта. Вот ключевые позиции, которые появились или кардинально изменили свое содержание на фоне высокого спроса на ИИ-специальности.
➤ Почему появилась: cовокупный объем актуальных данных в банке составляет около 300 ТБ, и без машинного обучения их просто невозможно обработать и использовать с пользой для бизнеса и клиентов.
➤ Какие задачи решает: Data Scientist участвует в реализации проектов по внедрению ИИ в бизнес-процессы банка. Это и улучшение качества обслуживания клиентов, и повышение операционной эффективности, и снижение рисков.
Работа начинается с момента открытия таблицы Excel или запуска скрипта на Python. Перед специалистом – гигабайты информации: транзакции клиентов, кредитная история, показатели доходности активов. Его задача – превратить эту груду чисел в нечто осмысленное и полезное.
➤ Как используется ИИ: именно эти специалисты создают алгоритмы, которые помогают банку избегать ошибок, управлять рисками и делать сервис лучше.
➤ Какой бэкграунд нужен: владение статистическими методами, программированием и умение работать с большими данными.
➤ Почему появилась: классической аналитики «что произошло» уже недостаточно. Банку нужно понимать, «что будет завтра» и как сделать так, чтобы это случилось автоматически.
➤ Какие задачи решает: классический аналитик отвечает на вопросы: «Что произошло?» и «Почему?». Он работает с отчетами, смотрит графики, проверяет гипотезы. Аналитик с экспертизой в ИИ отвечает на вопрос: «Что будет завтра?». Он не только считает цифры, но и создает умные алгоритмы, которые встраиваются прямо в продукты банка и принимают решения без участия человека.
➤ Как используется ИИ: например, в кредитовании классический подход – это проверка кредитной истории. ИИ-аналитик работает детальнее: он строит модели, которые анализируют «цифровой след» клиента. Также он создает модели для выявления мошенничества и персонализации предложений на основе анализа поведения клиентов.
➤ Какой бэкграунд нужен: понимание принципов работы ML, владение Python и SQL, знание банковской специфики.
➤ Почему появилась: чтобы модели ИИ работали стабильно и без сбоев, нужна надежная инфраструктура. Кто-то должен проектировать инфраструктуру, которую обеспечивает архитектор данных.
➤ Какие задачи решает: проектирование архитектуры хранения и обработки данных, обеспечение их качества и доступности для команд разработчиков и аналитиков.
➤ Как используется ИИ: архитектор данных создает среду, в которой ИИ-модели могут обучаться и работать в промышленных масштабах.
➤ Какой бэкграунд нужен: глубокие знания в области баз данных, DWH, Big Data технологий, понимание принципов работы ML-пайплайнов.
➤ Почему появилась: технология сама по себе ничего не стоит – нужен человек, который понимает, какой продукт с ее помощью создать и как он будет приносить пользу бизнесу и клиентам.
➤ Какие задачи решает: управление жизненным циклом AI-продукта от идеи до внедрения и развития.
➤ Как используется ИИ: Product owner определяет, как именно ИИ решит конкретную бизнес-задачу – будь то умный чат-бот, система рекомендаций или скоринговый алгоритм.
➤ Какой бэкграунд нужен: опыт в управлении продуктами, понимание ИИ-технологий на уровне, достаточном для постановки задач команде разработки.
➤ Почему появилась: «Мусор на входе – мусор на выходе». Модели ИИ требуют качественных данных. Ошибки в данных ведут к ошибкам алгоритмов. Поэтому нужен специалист, который минимизирует ошибки в исходных данных.
➤ Какие задачи решает: обеспечение качества данных – чистоты, непротиворечивости, полноты и актуальности. Мониторинг и устранение аномалий.
➤ Как используется ИИ: инженер строит системы автоматической проверки и валидации данных, которые поступают в модели.
➤ Какой бэкграунд нужен: навыки в инженерии данных, знание методов профилирования и очистки данных.
➤ Почему появилась: ML-модель нужно не только обучить, но и внедрить в эксплуатацию, обеспечить ее непрерывную работу и обновление.
➤ Какие задачи решает: выстраивание инфраструктуры и пайплайнов для непрерывной разработки, обучения и развертывания ML-моделей (MLOps).
➤ Как используется ИИ: DevOps-инженеры автоматизируют весь цикл жизни ИИ-модели, делая его быстрым и надежным.
➤ Какой бэкграунд нужен: опыт администрирования Linux, работа с контейнеризацией (Docker, Kubernetes), знание CI/CD, облачных платформ.
HR и ИИ: будущее, которое уже наступило
Отдельная интересная тема – как меняется сама HR-функция в эпоху ИИ. В Сбере пошли по оптимальному пути: здесь не создают отдельную вакансию «HR-промпт-инженер», а плотно сотрудничают с профильными ИТ-подразделениями и командой data-аналитики.
– Мы пока не нанимаем в штат отдельного HR-специалиста, который занимается исключительно нейросетями. Но это не потому, что мы не верим в технологии. Как раз наоборот, – комментирует Олег Романовский. – Мы планируем, чтобы у каждого нашего HR-специалиста появился умный цифровой ассистент.
Системы, которые будут анализировать soft skills во время видеособеседований: микровыражения лица, интонации, стрессоустойчивость. Не чтобы заменить человека, а дать ему подсказку.
Амбициозная цель банка на ближайшие год-два – внедрить ИИ-наставника для каждого нового сотрудника. Чат-бота, который не просто выдает ссылку на внутренний регламент, а реально объясняет на пальцах, как устроены процессы, подстраивается под темп новичка и помогает не выпадать из жизни в первые рабочие недели.
Где Сбер находит специалистов по ИИ
Банк использует гибридный формат привлечения и развития талантов. Опытных экспертов с рынка тоже привлекают, особенно на ключевые позиции. Но основной акцент – на внутреннем развитии.
– В банке работает мощная система корпоративного обучения через образовательную платформу СберУниверситета. Доступны десятки курсов по ИИ – от вводных для новичков до продвинутых программ для Data Scientist и ML-инженеров. Обучение длится от нескольких недель до полутора месяцев, включает практические задания и сертификацию.
Скорость изменений в сфере ИИ такова, что рынок труда просто не успевает генерировать нужное количество квалифицированных специалистов. Ждать готовых экспертов – значит отстать. Поэтому мы взяли ответственность на себя и создаем условия, в которых каждый сотрудник может стать экспертом в области искусственного интеллекта. На данный момент каждый второй сотрудник банка уже прошел обучение по использованию ИИ в своей профессиональной деятельности.
Критичные навыки для попадания в ИИ-команды
Важно понимать, что ИИ-команды в банке – это не только разработчики моделей. Это экосистема ролей, где требуются разные уровни технической глубины.
Есть базовый технический минимум (hard skills) для большинства позиций, связанных с ИИ:
- понимание принципов работы ML и нейросетей;
- уверенный Python;
- SQL для работы с данными;
- понимание жизненного цикла ML-модели (от гипотезы до продакшена).
Как поясняет Олег Романовский, soft skills – то, чем выделяются сильные кандидаты. В Сбере особенно отмечают:
- Способность быстро учиться. Технологии меняются каждые 6-12 месяцев. Важнее не текущий стек, а скорость освоения нового.
- Бизнес-мышление. ИИ в банке – не «технология ради технологии». Нужно понимать, как решение влияет на риск, как снижает издержки, как улучшает клиентский опыт.
- Умение работать в межфункциональной среде. Data Scientist, риск-менеджер, юрист, продукт, IT – все работают вместе.
- Критическое мышление. Нейросеть может ошибаться. Нужно уметь сомневаться в результате, а не слепо доверять алгоритму.
– Можно ли попасть в ИИ-команду без технического образования? Да. И это уже не исключение, а тренд. В ИИ-направление приходят из маркетинга, HR, финансов, аналитики. Важны цифровая грамотность, аналитическое мышление, реальные кейсы, пройденные курсы и готовность интенсивно учиться.
Советы для начинающих: с чего стартовать в ИИ и финансах
Если вы хотите строить карьеру на стыке ИИ и финансов, Олег Романовский рекомендует ряд конкретных шагов, которые можно начать делать уже сегодня:
- Погрузитесь в финансовую специфику. Без понимания базовых банковских продуктов и рисков даже самая технологичная нейросеть останется невостребованной. Изучите, как работают кредиты, вклады, какие бывают риски и как регулируется банковская сфера.
- Освойте базовый стек AI-аналитика. В банках активно используют Python, SQL и классические алгоритмы машинного обучения. Это фундамент, с которого нужно начинать.
- Изучите «красные флаги» банковского AI. Работа банков строго регулируется законом. Нейросеть должна быть не только точной, но и объяснимой в рамках действующего законодательства. Иногда лучше простая, но понятная технология, чем сложный «черный ящик».
- Обзаведитесь портфолио с финансовым проектом. Релевантный практический опыт – важнейший актив любого кандидата. Сделайте проект, близкий к реальным задачам банка: например, постройте модель скоринга или сегментации клиентов на открытых данных.
- Начинайте с простого. Банкам нужны люди, которые могут решать конкретные задачи: подготовить данные, построить базовую модель, проверить ее на адекватность. Не пытайтесь выучить все сразу.
Что в итоге?
Как показывает опыт команды в таком крупном банке, как Сбер, ИИ – это не замена человека, а его усиление. Технологии берут на себя скучную рутину, а люди остаются для живого общения, поддержки и нестандартных решений.
Банк инвестирует в переобучение сотрудников и формирование новых карьерных траекторий, потому что понимает: будущее создается теми, кто готов учиться и меняться уже сегодня.
СберПрактик — серия образовательных мероприятий Сбер Банка для белорусского бизнеса. Программа проходит во всех регионах страны и помогает предпринимателям находить инструменты для масштабирования, цифрового развития и повышения эффективности, объединяя более 2000 участников офлайн и онлайн.
В 2026 году проект усиливается: в каждом городе к экспертам банка присоединяются налоговые консультанты, чтобы участники получали не только стратегические ориентиры, но и конкретные решения для своих компаний.
Первый митап в этом году пройдет 17 марта в Минске, штаб-квартире Сбера. Регистрация открыта.
*Партнерский материал ОАО «Сбер Банк», УНП 100219673