> ## Content Index
> Fetch the complete content index at: https://admin.kod.ru/llms.txt
> Use this file to discover other available public pages before exploring further.

# Как ИИ меняет работу программистов: опыт банковской сферы
- URL: https://admin.kod.ru/ai-dev-bank-experience/
- Published: 2025-08-13T10:06:25.000Z
- Updated: 2025-08-13T10:06:25.000Z
- Description: Что сейчас происходит на стыке финтеха и ИИ, как модели меняют процессы.
- Author: Газпромбанк
- Tags: Блоги

ИИ развивается так быстро, что тексты про него устаревают быстрее, чем смартфоны. То, что казалось фантастикой в марте, становится банальностью в июне. Поэтому говорим о том, что ИИ делает с профессией разработчика. 

Рассказываем, что сейчас происходит на стыке финтеха и ИИ, как модели меняют процессы.

---

![](https://admin.kod.ru/content/images/2025/08/--1-7.png)

Искусственный интеллект все чаще становится частью повседневной работы — особенно в сферах, где много данных, процессов и рутины. В этом смысле банки оказались на передовой, потому что сегодня они — не просто финансовые организации, а полноценные IT-компании с большими штатами разработчиков и огромным количеством IT-задач.

ИИ помогает программистам писать и проверять код, быстрее его понимать, тестировать идеи. Но пока он не заменяет человека — и вряд ли заменит в ближайшее время. Зато становится мощным инструментом, который меняет подход к разработке. 

Разбираемся, где именно он полезен, почему Python — язык номер один в ИИ-задачах и какое будущее ждет айтишников с развитием технологии.

## Как ИИ влияет на разработчиков

ИИ-ассистенты уже стали стандартом в продвинутых командах. Они помогают не только быстрее писать свой код, но и лучше разбираться в чужом: объясняют сложные участки, упрощают навигацию, подсказывают решения. 

По [данным](https://github.blog/news-insights/research/survey-reveals-ais-impact-on-the-developer-experience/?ref=admin.kod.ru) GitHub, искусственный интеллект повышает производительность разработчика на 30%.

> **Что ИИ уже умеет хорошо:** написать пинг-понг на JavaScript, быстро собрать функцию на Python, которая считает числа Фибоначчи через матрицы, или решить олимпиадную задачу средней сложности.

## Повышение эффективности

ИИ встраивается в каждый этап разработки — от первой строчки до деплоя. Автодополнение экономит часы на рутинных операциях, а инструменты для анализа кодовой базы помогают быстро разобраться в архитектуре проекта, которую писала команда три года назад. 

На «код-ревью» с ИИ-помощником быстрее находятся потенциальные баги. Автотесты генерируются в разы быстрее — модели понимают логику и создают осмысленные проверки.

В итоге техдолг сокращается, бэклог разгребается быстрее, фичи выкатываются в продакшн с меньшими задержками. Сокращается Time-to-market, а главное — на выходе получается более качественный продукт. Команды успевают не только больше делать, но и лучше думать над архитектурой.

## Лифт для экспертизы

Один из самых заметных эффектов от ИИ — размывание границы между джуном и мидлом. Начинающие разработчики с ИИ-инструментами быстрее проверяют гипотезы, собирают MVP, разбираются в незнакомых технологиях. Джуны с ассистентами решают задачи уровня мидлов, мидлы — тянутся к сеньорским вызовам.

> Самый впечатляющий скачок происходит именно на стыке джуна и мидла: новички с ИИ могут за месяцы освоить то, на что раньше уходили годы. Они быстрее понимают best practices, изучают паттерны, экспериментируют с технологиями.

Мидлы тоже выигрывают: освобождаясь от рутины, они больше времени тратят на сложные архитектурные решения. ИИ становится ускорителем профессионального роста на всех уровнях.

Но синьором стать все еще сложно: архитектурное мышление, способность видеть систему целиком, ответственность за технические решения и их последствия — это пока остается исключительно человеческой задачей.

Тут важно понимать: полностью автоматизировать разработку нельзя. ИИ может написать функцию, но не понимает контекста бизнеса. Может сгенерировать тесты, но не знает, какие граничные случаи действительно критичны. Модели делают ошибки, иногда очень изящные и незаметные.

![](https://admin.kod.ru/content/images/2025/08/--2.png)

> *…а иногда не очень изящные*

Поэтому правильное видение такое: ИИ — это не замена разработчика, а усилитель его возможностей. Инструмент, который позволяет быстрее писать, тестировать, анализировать, но не освобождает от необходимости думать, проверять и нести ответственность за результат.

Разработчик будущего — не обязательно тот, кто пишет код вручную. Это скорее человек, способный формулировать задачи, управлять ассистентами и оценивать результат. Раньше путь в профессию был длинным: институт, стажировки... 

С ИИ можно почувствовать себя мидлом достаточно быстро — пусть и без глубинных знаний. Профессия не исчезает, она эволюционирует: теперь умение работать с ИИ становится таким же важным, как и знание языков программирования.

> **Хороший разработчик с ИИ становится дирижером:** он использует инструменты как оркестр, но отвечает за звучание. 

Чтобы понять, заменит ли ИИ программистов, можно их условно разделить на два типа:

1. те, кто понимает все тонкости предметной области и может делать сложные инновационные вещи;
1. и те, кто знаком с несколькими высокоуровневыми фреймворками и делает работу, не требующую особых глубоких знаний, кроме этого.

И те, и другие называют себя программистами и пишут код. Но первым не стоит бояться, что в ближайшем будущем их заменит искусственный интеллект.

## Как ИИ используется в финтехе уже сейчас

ИИ в банковской сфере — уже не эксперимент, а устойчивая практика. В Газпромбанке, например, разработана и реализовывается внутренняя AI-стратегия по внедрению искусственного интеллекта во все ключевые процессы. Вот пять направлений, где ИИ приносит ощутимую пользу уже сегодня:

**1\. Риски**

Принятие решений по кредитным заявкам — одна из самых чувствительных задач для банка. Даже +1% точности модели в кредитном скоринге при огромном потоке заявок дают огромные, миллиардные экономические эффекты для бизнеса. ИИ-модели также могут прогнозировать доходы клиента, вероятность досрочного погашения, риски просрочек и т. д.

**2\. Борьба с мошенничеством**

Здесь есть несколько направлений: внутренний антифрод (выявление подозрительных действий сотрудников) и внешний (защита клиентов от мошенничества). Модели отслеживают аномалии в данных и предсказывают различные риски.

**3\. Клиентский сервис**

Одно из ключевых направлений — все, что связано с повышением качества обслуживания клиентов. Сюда входят задачи на данных из чатов оператора с клиентом, аудиозаписей телефонных разговоров, обращений и отзывов, которые поступают в банк. На основе этих данных можно выявлять слабые места, повышать качество поддержки и точнее понимать поведение клиентов.

**4\. Персонализация и продажи**

Направление связано с персонализированными предложениями для клиентов. Здесь работают модели, которые прогнозируют отклик клиента на предложение банковского продукта по различным каналам коммуникаций, происходит оптимизация с учетом доходности продукта, политики коммуникации и т. д.

Модели помогают оптимизировать маркетинговую воронку: в первую очередь сделать клиентам наиболее интересные предложения, а во вторую — максимизировать прибыль банка. 

**5\. Автоматизация**

Задачи, связанные с автоматизацией внутренних бизнес-процессов. Например, одна из таких задач: разработать внутреннего ассистента для сотрудников банка, чтобы у каждого из них был помощник на основе чат-бота, которому можно задать любой вопрос и оперативно получить ответ.   
  
Также полезен ИИ для задач, где нужно работать с огромным количеством документов: распознать их и ответить на основе этих документов на определенные вопросы, подсветить юридические риски.

## Что ИИ пока не умеет

Модели еще не так хорошо справляются с нестандартным, сложным кодом, написанным на внутренних библиотеках. А еще ИИ не чувствует неуверенности, когда что-то идет не так. Он не может просто «сходить выпить кофе» и поразмыслить над задачей. 

Модель сразу выдает результат — даже если он с багами. Так что в эту сторону юному «скайнету» еще расти и расти.

Интеллект в ИИ — название пока условное. Модель отвечает на поставленный вопрос, у нее нет ни мотивации, ни желания, ни способности ставить цели и достигать их. Это не выполняющая осознанные действия система, а мощный, но ограниченный инструмент.

Есть и другая проблема: **галлюцинации языковых моделей**. ИИ может уверенно выдать неверную информацию, например фейковую ссылку, отправить клиента к несуществующему банкомату или сослаться на статью, которой никогда не было.

Банки (и не только они) для решения внутренних задач широко используют технологию **RAG (Retrieval-augmented generation)**: сначала модель достает нужные данные из внутренней базы знаний, а потом на их основе формирует ответ. 

Решения на RAG можно использовать в виде «суфлера» — модель подсказывает, человек проверяет информацию и принимает решение. Такой подход позволяет сохранить скорость и удобство, которые дает ИИ, но добавляет к ним проверку фактов.

Один из самых популярных сценариев использования RAG в банках — помощь операторам поддержки. Есть внутренние базы знаний, есть информация по продуктам и есть вопросы клиентов. Задача — быстро дать точный релевантный ответ, опираясь на всю эту информацию. Языковая модель в таком случае выступает как «общий мозг»: она понимает формулировку, подставляет нужные факты и помогает оператору. 

В современном банке таких баз — десятки: внутренние нормативные документы, тарифы, инструкции, продуктовые особенности. В каждом бизнес-направлении — свои источники. И именно RAG позволяет с помощью всех этих данных обогатить ИИ и превратить его в полноценную систему поддержки решений.

## Как начать разрабатывать в направлении ИИ (на волне хайпа)

Главный язык, который открывает дверь в ИИ-разработку, — Python. Почему? 

- Во-первых, конечно, богатая экосистема — огромное количество библиотек и фреймворков для машинного обучения и ИИ созданы на Python.
- Во-вторых, скорость разработки — одна и та же логика может занимать одну строчку на Python и пять — на C++.
- В-третьих, простой и лаконичный синтаксис. Кроме того, язык имеет большое и активное сообщество разработчиков.

При этом у языка хороший баланс: низкий порог входа — можно прочитать код на Python, не зная программирования, и понять, что происходит. Конечно, он не такой простой, как может показаться в самом начале, и в любой момент легко занырнуть в какие-то специфические вещи. Как с океаном: можно ножки помочить, а можно погрузиться в Марианскую впадину.

Однако Python — это только начало. Чтобы решать задачи, нужно еще:

- понимать алгоритмы: от базовых ML до обучения с подкреплением (RL);
- иметь опыт работы с данными;
- знать предметную область, в случае банков — финансы;
- уметь проектировать ИТ-системы.

Кто-то идет в разработку через Python, а кто-то — через «путь воина»: изучая Паскаль, разбираясь, как работают указатели и как работать с памятью. Это, конечно, не про ML, а про возможность по-настоящему понять, как работает компьютер. 

Этот опыт тоже важен: он дает насмотренность, понимание, где под капотом происходит магия. Да, писать на Python приятно и получается быстро. Но в реальности, если у вас высоконагруженный сервис, — возможно, необходимо будет переписывать логику на C++.

## Что даст нам ИИ в ближайшие годы

Если смотреть в масштабе человечества, то искусственный интеллект пока помогает людям лишь в очень узком сегменте профессий — и то лишь как инструмент, не заменяющий самих специалистов. Например, ИИ — помощник в разработке, в работе с текстом и дизайном. 

Среди ожидаемых трендов: 

- **Распространение агентов для повседневных задач**, умеющих не только отвечать, но и действовать — заказывать еду или бронировать столик в кафе. Уже сейчас существуют агентские платформы-конструкторы, на которых можно собрать решение из готовых компонентов.
- **Развитие беспилотного транспорта и роботов**, способных выполнять физические задачи.

Когда все эти тренды начнут воплощаться в реальность, люди смогут получать все больше удовольствия от жизни и не тратить время на рутинные задачи. 

ИИ — это инструмент. Все зависит от того, в чьих он руках. Модели помогают быстрее работать и глубже разбираться в данных. Но не избавляют от ответственности, от необходимости думать и добиваться высокого качества. 

И это хорошая новость: в мире, где ИИ умеет все больше, людям остается самое интересное: разбираться в системах, находить причинно-следственные связи и ставить цели.

> Если хотите больше узнать о том, с какими задачами разработчики Газпромбанка сталкиваются на практике, [слушайте](https://technologichno.mave.digital/?ref=admin.kod.ru) и [смотрите](https://vkvideo.ru/@gazprombank?ref=admin.kod.ru) наш **подкаст «Техно.Логично»** — там регулярно обсуждаем самое актуальное в IT-сфере.