От идей — к реальным решениям за сутки

В 2021 году, когда я пришел в банк, за сутки невозможно было поставить в прод ни одной задачи. Газпромбанк совершил грандиозный прыжок в трансформации своей операционной модели — и сейчас команды за одну ночь смогли довести до прода 54 задачи. Мы заявляли около 100 задач из реального бэклога, и честно говоря, никто не ждал, что участники закроют хотя бы половину. А они закрыли. Прогнозируемый стримами финансовый эффект от этих решений — 245 миллионов рублей, при затратах на призовой фонд и работу команд окупаемость всей истории составила порядка 100 раз.

Но главным результатом для нас было не это. В банке всегда есть три аудитории — энтузиасты, скептики и те, кто не воспринимает ИИ. И нет лучшего способа развеять этот скепсис, чем показать реальный результат. Мы доказали, что на этих инструментах можно написать решение, довести его до прода и при этом ничего не сломать.

За 12 часов хакатона наша команда выполнила 6 историй, закрыла 12 подзадач, создала 17 поставок, большинство из которых задеплоено в ПРОД. В среднем — одна задача в час, одна история в два часа. Без ИИ мы делали бы подзадачу от одного до двух дней, историю — от одного до четырех дней.

Например, одна из задач — переход с экрана калькулятора Одобренного предложения на экранную форму выбора рефинансируемых кредитов, с пересчетом параметров при выборе и возвратом обратно. Это история уровня L, она затронула два микросервиса. В агрегаторе одобренного предложения нужно было научиться извлекать выбранные клиентом кредиты из базы, передавать их идентификаторы в Конфигуратор для пересчета и корректно отображать количество рефинансируемых кредитов на калькуляторе. В оркестраторе экранного сценария — добавить новый сценарий с правилами инициализации, обработки выбора и подтверждения, переходом с нативного экрана на форму генератора и обратно. Фундамент для этого был заложен заранее. Весь функционал включен по фича-тоглу — можно постепенно раскатывать. В нормальном режиме мы бы потратили на такую задачу три-четыре дня. С ИИ-агентами управились за несколько часов и сразу вывели в прод.

Вторая — поменьше, но с приятным бизнес-эффектом: генеральный чекбокс «Я предоставляю все согласия» на экране анкеты, который одним кликом отмечает все согласия ниже. ЧОД (чистый операционный доход) — 15,7 млн. Казалось бы, мелочь, но для конверсии в ДБО (дистанционное банковское обслуживание) — каждый лишний клик стоит денег. Команда бэкенд-разработчиков без ИИ провозилась бы с экранной моделью заметно дольше.

Но цифры — не главное. Мы победили не потому, что у нас был крутой ИИ. Инструмент был один на всех. Мы победили потому, что знали, как делать круто — без ИИ. ИИ — это множитель. Но множитель умножает и ошибки: не умеешь — получишь плохой код, только быстрее. Ускорение бардака — это не улучшение.

ИИ не сделает хорошо, если не сказать ему, как сделать хорошо. Модель не знает ваш продукт, вашу архитектуру, ваши стандарты. Для хорошего результата нужен фундамент — проектирование, декомпозиция, инженерные практики, пайплайн с проверкой. «Готово» — это не статус агента. Это зелёный пайплайн. Мы на хакатоне не быстрее всех промптили. Мы быстрее всех проходили цикл от задачи до результата. Быстро — потому что ИИ. Качественно — потому что фундамент.

На хакатоне наша команда сделала и вывела в прод все задачи из нашего бэклога — 6 задач: 2L, 2M и 2S. По задачам с хакатона у меня два фаворита.

Наша флагманская задача — «Реализовать логику проверки параметров выданного кредита в соответствии с рассчитанными СПР-лимитами» (СПР — система принятия решения по кредитной заявке, которая рассчитывает лимиты сумм и сроков). Комплексная задача на встраивание в процесс выдачи кредита бизнес-проверок для риск-аудита. Требовалось не только получить необходимые данные, но и провести расчеты параметров, и в случае несовпадения с одобренными лимитами прервать процесс выдачи и организовать уведомление представителей риск-аудита по электронной почте. Обычно такая задача заняла бы у нас 3–4 дня на анализ, реализацию и тестирование. На хакатоне мы с помощью AI-агентов сделали ее за несколько часов — с выводом в прод.

Вторая — «Добавление кнопки "Выгрузить" на UI конфигуратора и логики выгрузки ЦУ» (ЦУ — ценовые условия, которые задаёт бизнес и которые участвуют в формировании предложений для клиента). Команда, которая состоит только из бэкенд-разработчиков, делала бы её либо очень долго, либо не сделала бы вообще. Но с помощью AI-агента и большого упорства мы сделали ее примерно за 6 часов.

Одна из показательных задач была про изменение целевой аудитории для акций при смене сегмента клиента. На первый взгляд может звучать просто: поменялся сегмент — обновили участие в акциях. Но технически это не «добавить пару строк кода».

Нужно было реализовать новый микросервис, подключить его к новому потоку событий, научить его отбирать нужные изменения и передавать их в контур расчета. Параллельно — переработать расчет в другом сервисе, чтобы он умел считать целевую аудиторию онлайн по факту изменения сегмента, а не статично по расписанию.

ИИ помог быстрее пройти рутинную часть: разложить задачу на шаги, собрать базовую реализацию и тесты. Но рамки, проверка и контроль все равно оставались за командой.

Обычно такая задача заняла бы несколько рабочих дней. На хакатоне разработчик с небольшим опытом работы с ИИ довел ее до продового состояния примерно за 5 часов. В прод задача ушла сразу, а фактическое включение произошло после обязательного ПСИ (приемо-сдаточные испытания) по безопасности.

На хакатоне я в связке с AI-агентами прошла по своей задаче весь путь сама — от сырого Excel с бизнес-правилами от аналитиков до вывода в прод.

Моя флагманская задача — «Деактивация неактуальных предодобренных предложений при запуске бизнес-процесса "Деньги+"». Смысл такой: у одного клиента одновременно может висеть несколько предодобренных кредитных предложений — по двум направлениям, потребкредит и кредитная карта, и в двух типах предложений. Когда клиент оформляет «Деньги+», лишние предложения нужно вовремя деактивировать, чтобы человек не набрал кредитов сверх рассчитанных лимитов.

Задача оказалась комплексной. Это не «просто выключить оффер»: по каждой заявке нужно принять решение сразу по шести бизнес-правилам на трех этапах процесса и через две внешние системы, без конфликтов, без двойных гашений и без пропусков. Цена ошибки высокая: чуть что — клиенту либо гасят лишнее, либо оставляют активным то, что должно было уйти.

Технически это событийный конвейер на Kafka с feature toggle, движок решений на матрицу «маршрут × продукт × тип предложения», интеграция с внешней системой ЕХП, идемпотентность и трассировка каждого запроса в проде — встроенные хирургической правкой в живой сервис выдачи, без задетых соседних потоков.

Обычно такая задача — это недели работы команды из пяти ролей: аналитик, архитектор, разработчик, тестировщик, релиз. На хакатоне я с помощью AI-агентов сделала ее за несколько часов — с расчётом всех правил, документацией и выводом в прод. Для банка это порядка 197 млн ₽ операционного дохода в год.