Инженеры Альфа-Банка первыми в России создали ИИ-команду разработчиков
Виртуальные сотрудники объединяются в группы и сами составляют план, пишут код и проверяют результат.
В 2023 году специалисты ИТ-направления Альфа-Банка на чистом энтузиазме провели множество экспериментов в области генеративного ИИ: было интересно, какую практическую пользу в энтерпрайз-разработке могут принести большие языковые модели (LLM). Спустя год из тех опытов выросла платформа генеративного искусственного интеллекта AlfaGen, которая позволяет использовать лучшие LLM на рынке, включая новейшие, для автоматизации рутинных задач в разработке.
Начиналось всё со стандартных цифровых ассистентов, а теперь на базе платформы AlfaGen инженеры Альфы первыми в стране создали и запустили в работу виртуальных сотрудников — инновационное решение, которое только набирает популярность в мире.
Его уникальность в том, что операции выполняются через полноценную командную работу искусственного интеллекта, а не по заранее заданному алгоритму. Виртуальные сотрудники с распределёнными ролями — от «руководителей» до «тестировщиков» — действуют как реальные специалисты, только в разы быстрее.
«В отличие от простых чат-ботов и цифровых ассистентов, наши виртуальные сотрудники представляют собой сложную мультиагентную систему. Это новый тип программного обеспечения, который самостоятельно разрабатывает план решения задачи, выполняет её, выявляет и исправляет ошибки. Мы ставим задачу и на выходе получаем результат “под ключ”».
Что под капотом у виртуальных сотрудников
Как любая сложная система, виртуальные сотрудники состоят из множества компонентов. Основных — три: LLM, Модули подключения баз знаний, ИИ-агенты. Остановимся на каждом.
LLM. Большие языковые модели — «мозг» системы. Благодаря платформе AlfaGen система использует сразу несколько LLM и выбирает наиболее эффективную под ту или иную задачу.
Модули подключения баз знаний. Это комплекс программного обеспечения и процессов для подключения корпоративных баз знаний, к которым «мозг» системы обращается во время работы. Эти базы могут быть организованы, например, в Confluence, Jira или в собственной системе знаний банка Alfa Book. Существует несколько основных методов подключения баз знаний: LoRA (Low Rank Adaption) — самое легковесное до-обучение существующей нейросети в новую область знаний, RAG (Retrieval Augmented Generation) — подключение больших объемов информации без до-обучения, а также использование MCP (Model Context Protocol).
«Технологию RAG мы тоже создаем сами. Есть два трека: более простое решение Naive RAG с векторным поиском, а также продвинутая форма Advanced RAG на графах знаний, которая позволяет обрабатывать сложные запросы с точностью более 95%».
ИИ-агенты. Сами виртуальные сотрудники. Речь о сложных ИИ-агентах, или Enterprise AI Agents. Если простые агенты могут встраиваться в определённую программу как часть процесса, то виртуальные сотрудники разрабатывают для себя программу сами — и используют её в качестве плана решения задачи. А ещё продвинутые ИИ-агенты работают в командах, где у каждого свой круг задач. Подробнее об этом рассказываем в следующей главе.
Чтобы система стабильно функционировала и развивалась, ей нужна поддержка реальных инженеров, а также выделенные вычислительные мощности. Например, для работы только одной продвинутой модели необходимо 16 графических (GPU) процессоров стоимостью около 10 млн рублей каждый.
Как работают ИИ-агенты
Виртуальные сотрудники организованы в иерархические команды с распределением ролей и зон ответственности. Если упростить, работа ИИ-агентов над проектом состоит из шести шагов:
1. «Руководитель» забирает задачу из системы управления проектами, декомпозирует её на части и запускает в работу. Сейчас заказчиками выступают реальные разработчики, но в целом мультиагентные системы могут и сами ставить задачи друг другу.
2. Команда «аналитиков» собирает, суммаризирует и классифицирует требования с помощью данных из баз знаний. Они могут работать с самой разной информацией: от гайдов для сотрудников службы поддержки до технической документации.
3. Команда «проджектов» разрабатывает план решения задачи и составляет техническое задание для «разработчиков». «Проджекты» определяют, какие библиотеки подключать, какие фреймворки и стандарты использовать, на какие метрики и критерии опираться при проверке результата.
4. Команда «разработчиков» пишет программный код.
5. Команда «тестировщиков» проверяет качество кода и его соответствие техническому заданию.
6. «Руководитель» проводит финальную проверку результата. Если всё в порядке, он отчитывается заказчику о выполнении задачи в той системе, где эта задача была поставлена (например, в Jira или Confluence).
«У каждой команды тоже есть свой “руководитель”. “Руководители” разных команд взаимодействуют между собой, используя продвинутые мыслящие модели: могут рассуждать, спорить и анализировать информацию, как реальные менеджеры. Например, когда виртуальный руководитель разработки получает техническое задание от “проджектов”, он может вернуть его на доработку, потому что не хватает определённых деталей. Ещё у “руководителей” есть KPI, а также необходимость отстаивать интересы — свои и своей команды».
Чем занимаются виртуальные сотрудники в Альфа-Банке
Первая задача, которую поручили виртуальным сотрудникам в Альфе, — создание автоматических тестов для программного обеспечения на Java. В частности, ИИ-агенты создают автотесты для мобильного банка. Он разделён на множество микросервисов: уведомления, функции переводов, оплаты, выбора кэшбэка, управления счетами и так далее.
Автотесты — это программы, которые выступают страховкой от багов: выявляют ошибки в программном коде микросервисов до того, как обновление дойдёт до пользователей. При этом, чтобы быстрее выпускать обновления, команды даже в крупных компаниях порой пренебрегают автотестами, поскольку их создание занимает много времени специалистов. ИИ-агенты снимают эту проблему и автоматизируют процесс.
Для клиентов банка это значит, что приложение Альфы работает быстро, стабильно и без сбоев при том, что обновления выходят регулярно и в сжатые сроки.
«Мировая статистика показывает, что в среднем только около 18% приложений покрыто автотестами более чем на 75%, что является целевым уровнем. Это может приводить к ошибкам и сбоям программного обеспечения. Наше решение позволяет быстрее запускать продукты, находить на 30% больше ошибок. Одна команда ИИ-агентов заменяет десятки часов работы программистов».
Другой пример применения ИИ-агентов — создание аналитической документации. Недавно в Альфе завершился пилот новой внутрибанковской системы, где часть работы выполняла сторонняя компания. Когда после тестового запуска решили вывести решение в прод, оказалось, что у подрядчика нет необходимой документации — он предложил сделать её за полгода. Ждать было некогда, и в итоге задачу поручили виртуальным сотрудникам Альфы. ИИ-агенты выполнили всё за неделю и сразу выдали чистовой результат.
Сейчас в Альфе работают более десяти групп виртуальных сотрудников. В том числе:
- Четыре группы по автотестированию. Весной 2025 года они помогают с автотестами 60 платформенным командам мобильного банка;
- Агенты классификации документации для кибербезопасности;
- Агенты по созданию клиентских библиотек (SDK) и OpenAPI-спецификаций;
- Агенты код-ревью для проверки кода на Java;
- Агенты классификации интернет-трендов;
- Агенты суммаризации, которые формируют автоматические заметки на основе видеоконференций;
- Агенты поддержки — общаются с клиентами в чате. В отличие от стандартных чат-ботов, ИИ-агенты способны решать сложные вопросы без привлечения реальных специалистов. Положительные отзывы пользователей подтверждают эффективность таких виртуальных операторов
«ИТ-направление в Альфе растёт невероятными темпами: мы постоянно ищем новых сотрудников. Наша задача — не только привлекать талантливые кадры, но и кратно повышать их производительность с помощью ИИ. Мы стремимся создать такую структуру, где реальные специалисты, опираясь на свой опыт и экспертизу, управляют командами виртуальных сотрудников».
Первые результаты и планы по развитию системы
Виртуальные сотрудники работают в Альфе недавно, преимущественно это пилотные запуски. Тем не менее, ИИ-агенты уже сейчас становятся неотъемлемой частью ИТ-инфраструктуры банка. Они помогают автоматизировать реальные задачи, повышать качество цифровых продуктов, оптимизировать внутренние процессы и экономить время сотрудников.
Например, благодаря ИИ-агентам автотесты создаются на 70% быстрее. Работа со сложными кейсами, такими как разработка документации, ускоряется с месяцев до считанных дней, и с дней — до минут.
В планах — активно развивать это направление.
«В ближайшие месяцы мы рассчитываем подключить ИИ-агентов к созданию 30% всех автотестов в банке и к решению 20% аналитических задач. В краткосрочной перспективе виртуальные сотрудники будут покрывать 10% всех инженерных компетенций в Альфе, а в 2026 году этот показатель может вырасти уже до 50%».
Сейчас ИИ-агенты работают внутри Альфа-Банка. Со временем виртуальных сотрудников смогут использовать и другие компании, которые входят в Альфа-Групп. В целом же, технологию легко адаптировать для использования в любых структурах, поэтому не исключено, что на горизонте нескольких лет разработки Альфы станут доступны и на внешнем B2B-рынке.
«Мировой тренд на создание виртуальных сотрудников только начинается. OpenAI и Google заявили о планах продавать подписки на таких сотрудников, а Salesforce к 2026 году планирует остановить найм новых специалистов по продажам, поскольку эти функции постепенно переходят ИИ. Инженеры Альфа-Банка сделали этот футуристический сценарий реальностью уже сегодня».