Компании сравнивались по показателям: наличие стажировок, стипендиальных и магистерских программ в вузах, выплаты во время стажировок, размер стипендий, возможность работать по гибридному графику, наличие систем наставничества и менторства, карьерные треки и забота о ментальном здоровье. Ключевым параметром являлось отношение числа сотрудников 1998–2008 годов рождения в штате к численности персонала в 2024 году.

Оператор отмечает, что в 2025 году стажировку в компании прошло более 200 молодых специалистов. 76 из них продолжили свой путь в компании. Сегодня оператор развивает стажерские программы по инженерному направлению, ИТ, маркетингу, B2B, B2C, поддерживающим функции направлениям и открыт к диалогу с молодежью.

В 2025 году компания перезапустила программу стажировки для молодых специалистов, расширив ее аудиторию: теперь она ориентирована на подростков 14–17 лет, студентов средних профессиональных и высших учебных заведений любого курса, а также недавних выпускников. Для стажёров создано внутреннее сообщество, помогающее быстрее интегрироваться в коллектив и обмениваться опытом. Также разработан отдельный адаптационный трек, позволяющий новичкам быстрее освоиться в компании, и пересмотрен подход к оплате труда, что делает программу не только полезной для профессионального старта, но и финансово привлекательной.

Дополнительно Билайн развивает системную работу с молодыми талантами через образовательные инициативы. Совместно с Центральным университетом запущена магистерская программа «Продуктовый менеджмент», ориентированная на подготовку специалистов по созданию и развитию цифровых продуктов. Студенты с первого семестра работают над реальными кейсами компании, проходят оплачиваемую стажировку и получают возможность трудоустройства еще в процессе обучения. Программа включает три этапа — от базовой проектной подготовки до полноценной работы в команде Билайна.

Эффективность подхода компании к работе с молодежью подтверждается и внешними оценками. В 2026 году Билайн прошел сертификацию Changellenge и получил статус «работодатель нового поколения». В рамках внутреннего аудита и интервью с сотрудниками до 25 лет респонденты отметили высокий уровень удовлетворенности условиями работы и готовы рекомендовать компанию как работодателя благодаря экспертизе команды, значимости задач и гибкости формата работы.

Ключевые показатели по итогам исследования:

• свобода — 9/10 (баланс работы и личной жизни, возможность удаленной работы и совмещения с учебой);
• люди — 8,5/10 (поддерживающий коллектив и открытая коммуникация с руководством);
• мотивация — 9/10 (значимость продукта и видимость результатов своей работы).

«Билайн уделяет особое внимание подготовке молодых специалистов, активно взаимодействуя с вузами. У нас не просто программа стажировки, а полноценная система развития молодых талантов, структурированная в три стратегических трека. Наша цель — создать среду, которая способствует открытой коммуникации, обеспечивает карьерный рост и поддерживает инициативность. Признание сотрудников и отрасли подтверждает, что мы движемся в правильном направлении», — Мария Голяндрина, заместитель генерального директора по управлению персоналом и организационному развитию в Билайне.

Компания представила интерактивный стенд на форуме «Финополис 2025», который прошел с 8 по 10 октября в Сочи.

Стенд был создан в формате современной ИИ-лаборатории, где каждый участник мог пройти тестирование и определить свой биологический паттерн поведения. Специально разработанный майнд-трекер определял врожденную индивидуальную частоту мозгового ритма, которая формирует стиль мышления и поведения человека. Эти данные помогают выявить, к каким социальным и профессиональным ролям человек предрасположен: управленческим, творческим, научным, предпринимательским или техническим. По итогам, участник получал подробное описание своего типа мышления, а также персонализированную футболку с изображением результатов.

Площадка вызвала большой интерес у гостей: очереди к стенду были с момента открытия и до завершения работы площадки. Всего стенд посетили 3 тысячи человек, и около 500 из них приняли участие в активности «Узнай, на что способен твой мозг». Среди гостей также были представители регулятора и финансового рынка, а также блогеры.

«В основе концепции стенда, а также нашего бренда лежит образ кубика Рубика. С одной стороны, это отсылка к венгерским корням банка, с другой — символ многогранности возможностей, которые мы открываем нашим клиентам. Мы создали уникальное двухэтажное пространство, где смогли пробудить у участников интерес к науке и современным технологиям и помочь лучше узнать се6я», — отметили в ОТП Банке

Национальная премия «Событие года» проводится с 2011 года и объединяет лучшие проекты событийной индустрии в России, отмечая участников с наиболее яркими и креативными форматами мероприятий.

Спикер отметила, что бизнес должен исходить из собственных задач при выборе технологий, поскольку новые решения появляются практически ежедневно и нужно четко понимать цель их внедрения. И честно задать вопросы: для чего мне это необходимо и что я хочу получить для моей компании. В текущих реалиях, если компания работает с большими данными и хочет оставаться конкурентоспособной, то без современных платформ уже не обойтись.

«Платформа данных — это не просто программное решение, которое кто-то поставляет и устанавливает. На нее нужно смотреть с точки зрения пользователя и его ожиданий. В первую очередь, ему необходимо, чтобы данные были корректными и находились в одном месте, и было понятно, что это за данные, чтобы на их основе можно было принимать решения и использовать их в других процессах. При этом пользователю хотелось бы, чтобы работать с этими данными было просто и удобно», — поделилась Елена Будерацкая.

Однако, по ее словам, уже недостаточно внедрить отдельную дорогую технологию. Необходима целостная экосистема, которую невозможно выстроить без культуры работы с данными в компании, data governance, а также чётких процессов и фреймворков. При этом не имеет принципиального значения, реализуется ПО внутри компании или с привлечением вендоров.

В завершение спикер подчеркнула, что у производителей платформ всегда остаются пробелы, которые компаниям приходится закрывать самостоятельно. Однако сейчас ведущие вендоры разрабатывают не просто отдельные решения, а создают из них экосистему. Такой подход дает лучший результат, поскольку в сочетании с бесшовной интеграцией работает эффективнее, чем набор разрозненных инструментов.

Как компаниям не сломать собственную инфраструктуру, рассказывает Александр Быстров, руководитель по внедрению ИИ «Слетать.ру».

Компании массово подключают нейросети к коммуникациям, аналитике, контенту, внутренним базам знаний — и часто делают это быстрее, чем успевают выстроить контроль качества и регламенты безопасного применения. Генерируется много контента, используется сразу несколько ИИ-инструментов, а проверка результатов отстаёт. Чем сильнее масштабируется применение, тем дороже обходится любая ошибка — от утечки данных до сбоя процессов и прямых финансовых потерь.

Сегодня атакуют не «модель» в вакууме. Атакуют то, что вокруг неё: аккаунты, контекст и инструменты. Именно поэтому защита ИИ отличается от традиционной кибербезопасности: раньше ключевыми зонами были сеть, устройства и периметр инфраструктуры. Теперь добавился ещё один слой — слой действий, которые ИИ может инициировать, и данных, которые он видит и перерабатывает.

Аккаунты в ИИ-сервисах стали новой «лёгкой точкой входа»

Мошенников привлекают аккаунты в ИИ-сервисах, потому что это нередко быстрый доступ в более широкий цифровой контур человека или компании. Для регистрации часто используются иностранные номера, домены, VPN, зарубежные карты — такие учётки обычно менее прозрачны с точки зрения контроля и восстановления доступа. После взлома злоумышленники получают не только переписку, но и чувствительные данные: персональную информацию, рабочие документы, планы поездок, API-ключи, IP-адреса серверов, логины и другие данные доступа, которые люди по ошибке вставляют в диалоги с ИИ. Это уже не просто «утечка чата», это риск проникновения в ИТ-инфраструктуру и дальнейшей компрометации сервисов.

Отсюда первый практический вывод: защита ИИ начинается не с «защитим модель», а с базовой цифровой гигиены и политики доступа. Двухфакторная аутентификация, работа только со своими почтами и номерами, регулярная проверка активных сессий, запрет на передачу в ИИ паролей, ключей и любых конфиденциальных данных — это скучно, но именно на этом чаще всего и ломаются реальные компании.

Второй слой — контекст и контент как часть периметра

В традиционном ИТ периметр — это инфраструктура и данные «внутри». В мире GenAI периметр расширяется: модель может работать с файлами, подтягивать фрагменты из базы знаний, получать подсказки из внутренних систем, видеть переписку или «память» процесса. И если раньше атака была попыткой проникнуть в систему напрямую, то теперь появляются сценарии, где злоумышленник действует через контекст: подсовывает вредоносную инструкцию в документ, провоцирует модель раскрыть лишнее или принять неправильное решение. Это тот самый класс угроз, который принято называть prompt injection, включая «косвенные» инъекции через документы и источники данных. Не нужно углубляться в технику: смысл простой — модель можно вынудить действовать не так, как задумано, если ей подсунуть правильный набор входов.

Третий, самый важный слой — инструменты и права

Пока нейросеть просто пишет текст, риски чаще всего репутационные: неверный совет, «галлюцинация», конфликтный тон, утечка через ответ. Но как только ИИ получает доступ к инструментам — корпоративным API, таск-трекеру, базе заявок, CRM, коммуникациям — начинается другая лига. Здесь риск не в том, что ИИ «ошибся в тексте», а в том, что он способен инициировать действия внутри систем: создать или изменить сущность, отправить сообщение, добавить комментарий, подтянуть данные из чувствительных источников. Для бизнеса это может означать утечки, ложные операции, сбои процесса или компрометацию цепочки «ИИ → действие → последствия».

Именно поэтому в защите ИИ важна новая дисциплина: управление правами и уровнями действий. Логика может быть предельно понятной даже не-технарям: у инструмента должно быть ясно, что он делает и насколько опасен. Внутри архитектуры это часто формализуют как разделение на уровни:

• read — только чтение данных,

• propose — подготовка черновика или предложения без выполнения,

• execute — реальное действие/запись в систему (и такие инструменты должны проходить отдельное согласование).

Такой подход решает сразу несколько проблем. Во-первых, он снижает «радиус поражения»: даже если модель спровоцировали, она не сможет сделать критическое действие без подтверждения. Во-вторых, он повышает управляемость: становится ясно, какие сценарии автоматизируются полностью, а где ИИ остаётся помощником и предлагает вариант решения. В-третьих, он помогает бизнесу не «перекрывать кислород»: вместо запрета ИИ как класса технологий появляется контролируемый режим использования.

Второй фундамент защиты в этом слое — наблюдаемость. Если вы не видите, кто и как вызывает инструменты, какие данные затрагиваются и где растут затраты — вы не управляете риском. В современных подходах наблюдаемость становится обязательным уровнем: логирование вызовов инструментов (кто, когда, какой инструмент, какие параметры), метрики использования по пользователям и подразделениям, контроль затрат, а также возможность анализировать логи и выявлять аномалии.

Это важно не только для безопасности, но и для управленческой экономики внедрения: многие инциденты начинаются как «мелкая странность» в поведении — необычно много запросов, странные типы действий, резкий рост обращений к чувствительным источникам.

Если говорить о том, где рост рынка защиты ИИ будет наиболее заметен, то это те же области, где цена ошибки максимальна. Финансы — потому что это прямое влияние на деньги людей и высокий масштаб мошенничества. Государственные сервисы — потому что важна устойчивость социальных процессов и доверие к сервисам: массовая ошибка, дезинформация или компрометация могут приводить к системным последствиям. В других сферах фокус будет смещаться к защите персональных данных и противодействию дезинформации: ИИ сделал создание убедительных подделок и «правдоподобного шума» дешёвым и быстрым, а значит, бизнесу придётся строить процессы проверки и ответственности за результат.

Отдельно стоит проговорить про роль государства. Интерес к теме будет усиливаться: выгоды от внедрения ИИ очевидны, но история с другими технологическими волнами показывает, что контроль всегда сложнее, чем кажется на старте. В ИИ этих сложностей больше — из-за скорости изменений, многообразия моделей и того, что «ошибка» может выглядеть правдоподобно.

Поэтому логично ожидать шагов по регулированию использования, появлению требований к безопасному применению, и, возможно, реестров или подходов к классификации безопасных решений в критических сферах. Одновременно потребуется рост общей осведомлённости: обучение сотрудников и населения работе с ИИ, формирование экспертизы внутри компаний, появление ролей и функций, которые отвечают не за «промты», а за качество, безопасность и контроль применения технологии.

В итоге защита ИИ — это не про один продукт и не про «поставили коробку и забыли». Это про дисциплину: как вы управляете аккаунтами и доступами, как вы контролируете контекст и данные, и как вы ограничиваете инструменты, которые ИИ может вызывать. В 2026 году главный вопрос уже не в том, используете ли вы ИИ, а понимаете ли вы, что именно он может сломать — и как вы это контролируете.

7 апреля отмечается День рунета. К этой дате руководитель департамента разработки мультимедиатехнологий VK Игорь Никифоров рассказал, как меняется потребление видео и что это означает для всех, кто создаёт, размещает и продвигает видеоконтент.

Видео как фон жизни

Двадцать лет назад видео было привязано к месту и времени. Телевизор смотрели вечерами дома, поход в кино планировали заранее. В остальное время — на работе, учёбе, в дороге — доступа к видеоконтенту не было.

Мобильные устройства, интернет и Smart TV перевернули ситуацию. Сегодня видео с нами везде: в транспорте, за завтраком, между задачами, за домашними делами. Теперь не нужно специально искать время для просмотра любимого контента.

Видео приобрело мультиплатформенность, и ежедневная аудитория VK Видео по данным Mediascope превысила 42,2 млн пользователей. Зрители легко переключаются между устройствами: могут заинтересоваться сериалом на телефоне, а дальше смотреть его на телевизоре.

Почему видео стало отдельным продуктом

В России видео долго развивалось внутри социальных сетей и было частью привычного пользовательского поведения: роликами делились, отправляли их друг другу, обсуждали в комментариях, смотрели в ленте. Но со временем видео перестало быть дополнением к общению. Для всё большего круга пользователей оно выросло в отдельный сценарий потребления.

Это особенно заметно на длинном видео. Внутри соцсети человек чаще переключается между разными задачами: общением в мессенджере, просмотром новостей в ленте и историй от друзей. Но если он хочет целенаправленно смотреть длинный контент — трансляции, сериалы, лекции, — ему нужен прямой и удобный путь. Так сформировался запрос на отдельный продукт, в котором видеоконтент будет не одним из типов пользовательского взаимодействия с сервисом, а центральным сценарием.

Запуск VK Видео как самостоятельного приложения стал ответом на этот запрос. Отдельная платформа позволяет выстроить интерфейс вокруг просмотра видео. Плеер, переходы между форматами, рекомендации создают среду, где зрителя ничего не отвлекает. Параллельно платформа присутствует на всех экранах: мобильных устройств, компьютера, телевизора. Поэтому пользователь получает единый опыт просмотра, без разрывов от переходов между устройствами. За этим стоит инфраструктура под высокие нагрузки: серверы по регионам, адаптация качества под скорость соединения, предзагрузка следующего ролика.

Вся система работает на то, чтобы пользователю было комфортно смотреть видео в разных обстоятельствах: при любых условиях сети, в отдалённых регионах, на устройствах разных поколений.

Современные паттерны потребления видео

Вместе с видеоплатформами трансформировался сценарий просмотра. Раньше пользователь приходил за конкретным роликом: искал по названию, переходил по ссылке, смотрел и закрывал вкладку. Сегодня он погружается в непрерывный поток. Клипы, длинные видео, сериалы могут идти друг за другом, и между форматами не приходится осознанно переключаться.

Роль видеоплатформы меняется радикально: она управляет персонализированным потоком видео, а не только хранит каталог контента. Каждый пользователь видит свою версию ленты: динамичную и учитывающую его интересы. Один открывает приложение и получает подборку юмористических шоу, потому что ежедневно их смотрит. Другой в тот же момент видит киберспортивные стримы и обзоры игр. Платформа адаптируется в реальном времени: учитывает историю просмотров, длительность сессий, скорость пролистывания, реакции.

За это отвечает высоконагруженная ML-инфраструктура: алгоритмы анализируют сотни сигналов — от поведения пользователя до качества контента. Они отбирают видео, ранжируют и предсказывают, что удержит внимание. Рекомендации, подборки и тренды становятся главным каналом дистрибуции.

На видеоплатформах всё меньше решает факт публикации видео или общий объём каталога. А больше значения имеет то, как контент встраивается в поток у конкретной целевой аудитории: как удерживает её внимание, учитывает привычки и как работает в логике рекомендаций.

Что учитывать, когда работаете с видеоконтентом

Видеоплатформы становятся средой, где пользователь закрывает любой запрос: посмотреть сериал, полистать клипы, пройти обучение, получить практический совет. В центре оказывается не формат, а поток: бесконечный и настроенный под зрителя и момент. Вот три базовых принципа, которые помогут встроиться в логику такого потока на видеоплатформе.

Регулярность важнее единичных хитов. Рекомендательные системы отдают приоритет авторам, которые публикуют контент стабильно. Алгоритм учится на поведении аудитории: если зрители часто открывают и досматривают ролики канала, следующие видео получают больший охват. Разовый вирусный успех может привлечь внимание, но удержать аудиторию помогает только регулярность.

Короткий контент вовлекает в длинный формат. Клипы и короткие ролики служат точкой входа: привлекают новую аудиторию, формируют привычку и создают узнаваемость. Зритель, который несколько раз увидел автора в коротком формате, с большей вероятностью откроет его длинное видео. Поэтому, например, делать нарезки в клипах из вебинара или часового интервью — рабочее решение для продвижения.

Мультиплатформенность расширяет охват. Контент, который удобно смотреть на всех устройствах, лучше распространяется. Сегодня сервисы поддерживают широкий спектр форматов, включая 4K и Full HD. А значит, автору важно изначально готовить видео в хорошем качестве. Со своей стороны платформа берёт на себя техническую часть: адаптацию под разные устройства и экраны, под скорость соединения и другие факторы — чтобы обеспечить зрителю быстрый старт видео и непрерывный качественный просмотр.

Согласно исследованию, 92% сотрудников IT-компаний отмечают, что больше всего на доходы и карьерный рост влияют soft skills (гибкие навыки): лидерские качества, умение договариваться и работать в команде.

По мнению респондентов, гибкие навыки влияют на все ключевые карьерные показатели сразу: помогают расширять зону ответственности (90%), получать повышение (89%) и увеличивать доход (88%).

На втором месте — метанавыки: обучаемость, адаптивность, креативность и критическое мышление. При этом 84% специалистов, работающих в IT, отмечают, что метанавыки открывают путь к более интересным задачам.

Обязательной базой для карьерного роста остаются прикладные навыки: техническая экспертность, знание языков программирования, работа со специализированными инструментами. Больше всего они влияют на рост в зарплате: 64% опрошенных из IT-компаний считают, что эти навыки помогают увеличивать доходы. При этом 79% отметили, что сильная прикладная экспертность не гарантирует карьерный рост — это возможно только в совокупности с сильными гибкими навыками.

Большинство респондентов уверены, что навыки необходимо постоянно развивать: 93% специалистов из IT считают, что без непрерывного обучения сложно строить карьеру. Ради карьерного роста и востребованности 81% готовы вкладываться в образование. Сотрудники IT-компаний в первую очередь хотят развивать навыки работы с ИИ-инструментами (53%), техническую экспертность (53%) и лидерские качества (32%).

Исследование проведено в марте 2026 года методом онлайн-опроса. В нём приняли участие более 1 000 респондентов из IT-компаний и других сфер.

В своём выступлении спикер подчеркнул, что ML — это не просто технология, а инструмент, который помогает бизнесу расти. Компании, которые внедряют машинное обучение осознанно, получают конкретные бизнес-результаты: растёт конверсия, снижаются потери от мошенничества и ускоряются операционные процессы.

ML также значительно улучшает пользовательский опыт: клиенту легче выбрать нужный ему продукт, получать персонализированные рекомендации, а также значительно сокращается время получения поддержки. По словам спикера, таким образом, ML-модели могут увеличивать вовлечённость и время, которое пользователи проводят на сайте.

Отдельное внимание Егор Миранцов уделил роли ML в и антифроде. ML-модели эффективно выявляют мошеннические операции, при этом не отклоняя транзакции добросовестных клиентов: решения принимаются практически мгновенно. В целом использование машинного обучения позволяет существенно снижать потери, связанные с фродом, оттоком клиентов, просрочками и операционными простоями.

Спикер также отметил, что ML активно применяется и в других бизнес-процессах: от кредитного скоринга и принятия решений по заявкам до маркетинга, где модели помогают сегментировать аудиторию и предлагать более релевантные продукты и рекламу.

«Не каждой компании нужен ML — и это нормально. Такие решения эффективны там, где есть понятная бизнес-метрика, большое количество повторяющихся решений, сложные паттерны в данных, а также инфраструктура для тестирования и мониторинга моделей», — поделился Егор Миранцов.

При этом спикер подчеркнул, что эффект от ML измеряется в деньгах, а не в метриках. Ценность любого ML-решения определяется через A/B-тесты и бизнес-экономику — дополнительную выручку, снижение потерь и стоимости ошибок, а не только технические показатели качества модели.

В то же время спикер предупредил, что ML-модели также могут ломаться. Причин для этого может быть несколько: устаревшие фичи, резкая смена поведения пользователя, сезонный сдвиг данных, изменение цен или ассортимента. Поэтому важную роль играет не только разработка модели, но и ее дальнейшая поддержка, а также настройка параметров.

Егор Миранцов также рассказал о ключевых этапах внедрения ML-решений: от формулирования бизнес-задачи и оценки стоимости ошибки до создания базового решения, проверки качества данных и запуска пилота. Только после этого модель масштабируется на весь продукт с обязательной настройкой мониторинга качества и стабильности работы.

«ML —  это часть продуктовой и инженерной системы, и часто происходят ситуации, когда побеждает не самая сложная модель, а лучшая интеграция во все процессы. Чтобы принять решение о запуске, важно не только оценить эффект, но и понимать экономику всего процесса», — заключил Егор Миранцов.

Команда рассказала, как проходит импортозамещение на практике: какие системы уже заменены, какие потребовали больше времени и почему переход развивается поэтапно.

С чего начинается импортозамещение в банке

В ВТБ импортозамещение разделили на два направления. Первое связано с заменой значимых объектов критической информационной инфраструктуры, требования к которым распространяются на системно значимые банки. Второе — это требование по индивидуальной Стратегии цифровой трансформации (ИСЦТ), которое распространяется на узкий круг банков с госучастием.

Всего в банке около 800 информационных систем, из которых 206 относятся к значимым объектам критической инфраструктуры. В эту категорию входят ключевые банковские операции, включая проведение платежей в рублях и другие базовые процессы. Эти системы импортозаместили в первую очередь и полностью. Остальные решения, входящие в стратегию цифровой трансформации, на текущий момент заменены на 98%.

Что уже заменили

Наиболее заметные изменения произошли в клиентских сервисах. Импортозамещены слои, в которых работают мобильный банк, отделения и основные операции клиентов. Завершена замена систем оформления заявок, включая кредиты и депозиты. Фронтальные решения и ключевые бизнес-процессы переведены на новую технологическую базу.

В результате большая часть клиентских операций уже работает на импортозамещённых решениях.

Что оказалось сложнее

После замены клиентских систем остаются внутренние процессы, которые напрямую не видны пользователю, но формируют основу банковской архитектуры. Среди них — бухгалтерская логика и финансовые расчёты: начисление процентов, создание резервов и другие операции, лежащие в основе банковской отчётности. Такие системы требуют более длительной миграции из-за регуляторных требований и сложной логики расчётов. Даже небольшие изменения здесь требуют масштабного тестирования и постепенного перехода.

Отдельную сложность представляют специализированные операции, которые используются реже, но требуют высокой точности. Например, сложные банковские гарантии или специализированные учётные процессы. Основные работы по этим направлениям планируется завершить в 2026 году, а полностью импортозамещение всех систем — к концу 2027 года.

Не просто замена, а новая архитектура

Импортозамещение сопровождается пересборкой архитектуры систем. Для этого ВТБ используетомниканальную технологическую ФинПлатформу от технологического партнера – компании Т1. Значительная часть импортозамещённых решений, включая функциональность автоматизированной банковской системы, создаётся в рамках этой платформы. Такой подход позволяет не только заменить технологии, но и ускорить внедрение новых функций, упростить масштабирование сервисов и снизить зависимость от отдельных поставщиков.

Замена баз данных и инфраструктуры

Отдельным направлением стала замена систем управления базами данных. ВТБ сократил использование Oracle и Microsoft SQL Server и перешёл на отечественные СУБД на базе PostgreSQL. Параллельно банк снижает зависимость от зарубежного серверного оборудования и переходит на отечественные решения.

Эти изменения затрагивают базовую инфраструктуру и требуют постепенной миграции, поскольку от стабильности таких систем зависит работа всех банковских сервисов.

Каждый месяц в ленте мелькают одни и те же заголовки: «ИИ лишит юристов работы» или «Нейросеть проиграла суд». Оба варианта — кликбейт. Реальность, как обычно, сложнее и интереснее.

Я руковожу юридическим департаментом группы компаний «Слетать.ру». С конца 2023 года мы системно используем LLM в ежедневной работе не как игрушку, а как рабочий инструмент наравне с «КонсультантПлюс».

Если раньше мы спорили о рисках и границах, то сегодня пора говорить о практике. Что конкретно умеет ИИ, где он бесполезен и почему главный навык современного юриста — это промпт-инжиниринг.

Что ИИ уже делает в моем департаменте

Коротко: ИИ взял на себя интеллектуальную рутину. Вот конкретные задачи:

• Черновики документов. Претензии, ответы на обращения туристов, шаблоны уведомлений — нейросеть генерирует базу за минуты. Я задаю фактуру, модель выдает структуру. Остается вычитать и проверить ссылки на нормы. Экономия — от 30 до 60 минут на документ.

• Анализ рисков. Загружаю текст агентского договора или оферты — получаю перечень потенциально рисковых условий с пояснением, почему каждое из них заслуживает внимания. Это не замена полноценного due diligence, но отличная отправная точка, особенно когда на столе десять договоров одновременно.

• Перевод с юридического на человеческий. В туризме важно объяснять сложные вещи понятно. ИИ может оперативно переложить сухой юридический язык уведомлений в эмпатичные разъяснения для туристов.

• Визуализация и отчетность. Самое неожиданное: я использую ИИ для создания дашбордов с KPI департамента (дела в работе, взысканные суммы). Раньше это требовало BI-аналитика, сейчас — чата с нейросетью и HTML-файла на выходе.

Где ИИ бессилен

Игнорировать ограничения ИИ в праве — значит подставлять клиента под убытки.

• Галлюцинации. Нейросети могут уверенно ссылаться на вымышленные статьи или путать редакции законов. Любой результат требует ручной верификации.

• Стратегия и эмпатия. ИИ предложит десять вариантов аргументации, но не выберет тот самый, который сработает именно в этом суде, перед этим судьей, с учётом специфики этого спора. Юридическая стратегия — это сплав логики, опыта и профессиональной интуиции, которые пока остаются прерогативой человека.

• Конфиденциальность. Загружая материалы дела в облачную нейросеть, юрист должен помнить о 152-ФЗ и адвокатской тайне. Иначе вместо оптимизации получится утечка. Если работаете с коммерческой тайной, используйте локальные модели или корпоративные решения с гарантиями по обработке данных.

Промпт как процессуальный навык

Чтобы получить от ИИ качественный юридический результат, нужно уметь формулировать задачу на языке права. Нейросеть не знает, что вам нужно применить ст. 401 ГК РФ, а не ст. 1064, это должен понимать юрист. Промпт-инжиниринг в юриспруденции — это по сути умение задать правильный правовой вопрос, иначе модель выдаст красивый, но бесполезный текст.

Я веду собственную библиотеку промптов: отдельные шаблоны для претензий по договорам оказания услуг, для ответов на обращения потребителей, для анализа форс-мажорных ситуаций.

Как начать: чек-лист для юриста

1. Выберите одну рутинную задачу. Не пытайтесь автоматизировать всё сразу. Возьмите самую частую и самую скучную — например, шаблонные ответы на типовые претензии. Попробуйте решить её с помощью LLM и сравните результат с обычным подходом.

1. Создайте промпт-библиотеку. Каждый удачный промпт — это инвестиция. Сохраняйте работающие формулировки, дорабатывайте их по мере накопления практики. Со временем это станет вашим конкурентным преимуществом.

1. Правило двойной проверки. ИИ генерирует — вы верифицируете.

1. Считайте экономию. Фиксируйте, сколько времени уходило на задачу до ИИ и после. Это не для отчёта руководству (хотя и для него тоже), а для понимания реальной ценности инструмента. Когда вы увидите, что подготовка претензии сократилась с двух часов до тридцати минут, вопросы отпадут сами собой.

ИИ не заменит юристов, но юристы, использующие ИИ, заменят тех, кто его игнорирует. Через два-три года умение работать с нейросетями станет таким же базовым требованием к юристу, как сегодня владение правовыми базами. Те, кто начнёт осваивать этот инструмент сейчас, получат колоссальное преимущество: в скорости, в качестве, в способности брать больше задач без потери в глубине.

Будущее юриспруденции — за гибридным юристом: специалистом, который сочетает глубокое знание права с умением оркестрировать ИИ-инструменты, не боится технологий и использует нейросеть как усилитель своего мышления.

В Билайне многое делается для развития комплаенса и этики: оператор стремится быть ответственной компаний по отношению к своим внешним и внутренним клиентам, партнерам, обществу. Компания делится экспертизой и наглядно показывает, какие ключевые проблемы бизнеса решает грамотная работа с этикой.

1. Репутационные риски

Репутация в цифровую эпоху стала стратегическим ресурсом. Один скандал способен перечеркнуть годы работы и подорвать доверие клиентов, партнеров и инвесторов.

Яркий пример — ситуация в крупной транснациональной нефтегазовой компании. В 2023 году стало известно, что генеральный директор компании нарушил корпоративный кодекс и скрыл информацию о личных отношениях с коллегами. Совет директоров принял решение об его отставке. Последствия оказались мгновенными: стоимость акций компании снизилась, доверие ключевых инвесторов пошатнулось, часть проектов была свернута, а штат — сокращен. Более того, компания отказалась выплатить бывшему генеральному директору более £32 млн, включая зарплату, бонусы и акции. Этот кейс показывает, насколько быстро и болезненно может разрушиться даже выстроенная годами репутация.

«Репутация — это стратегический актив. Один неверный шаг способен перечеркнуть годы работы. Именно поэтому к комплаенсу нельзя подходить формально. Это система защиты доверия клиентов и партнеров, система защиты сотрудников. Это база, на которой строится бизнес нового времени», — Рустам Дашаев, вице-президент, блок по управлению рисками и комплаенсу.

2. Потеря доверия клиентов

Современный клиент оценивает бренд не только по продукту, но и по ценностям. Ошибки в этике быстро становятся публичными и ведут к резкому падению доверия.

Так, в Китае скандал разразился вокруг крупного итальянского бренда модной одежды и аксессуаров. В рекламных роликах девушка китайского происхождения пыталась есть итальянские блюда палочками. Видео восприняли как оскорбление национальной культуры. В ответ крупнейшие китайские онлайн-платформы, включая Alibaba и JD.com, удалили продукцию итальянского бренда со своих сайтов. Потеря одного из крупнейших и стратегически важнейших рынков стала серьезным ударом по доходам бренда, доверие клиентов было подорвано.

«Лояльность клиентов сегодня держится не только на продукте. Люди выбирают бренды, которым доверяют. Ошибка в коммуникации моментально становится публичной, и без сильной этической системы компания оказывается беззащитной» - считает Рустам Дашаев.

3. Текучесть кадров и утрата талантов

Удержание сотрудников — одна из ключевых задач бизнеса. Но опрос SuperJob 2024 года показал: 46% россиян сталкивались с неэтичным поведением руководства. При этом почти каждый пятый респондент отметил, что сталкивался с действиями, которые напрямую ухудшали рабочую атмосферу.

Важно и то, что большинство сотрудников не готовы мириться с абьюзом. Особенно это заметно среди новых поколений специалистов, которые требуют прозрачности, уважения и справедливого отношения. Там, где эти принципы нарушаются, компании быстро теряют кадры и привлекательность как работодатели.

4. Сбои в бизнес-процессах

Этические нарушения приводят не только к ухудшению атмосферы, но и к прямым сбоям в операционной работе. Уход ключевых сотрудников из-за харассмента или злоупотреблений руководства означает срыв сроков и проектов, потерю клиентов и перераспределение ресурсов на поиск замены. Такие ситуации не только ослабляют команду, но и подрывают доверие к компании со стороны партнеров и клиентов.

В итоге этика — это про атмосферу, в которой людям хочется работать и с которой клиентам хочется иметь дело. Все остальное — цифры, процессы и дашборды — лишь инструменты, которые помогают не потерять самое важное: доверие.

Когда в компании только начинают пользоваться ИИ, почти все выглядит довольно предсказуемо. Кто-то открывает ChatGPT, кто-то Claude, кто-то Gemini. Люди быстро находят себе локальные сценарии: написать текст, собрать сводку, ускорить поиск информации, помочь с кодом или аналитикой. На этом этапе кажется, что внедрение уже началось и дальше оно будет просто расширяться само собой.

На практике это работает только до определённого масштаба. Пока ИИ остаётся набором внешних чатов, он помогает отдельным сотрудникам, но почти не становится частью самой компании. В этот момент становится видно, что один ChatGPT на всех — это не стратегия внедрения, а стартовая точка.

В Слетать.ру этот переход хорошо виден именно как инженерная, а не маркетинговая история. С одной стороны, сотрудники уже активно пользуются внешними инструментами. С другой — внутри компании за последний год начал складываться собственный ИИ-контур: корпоративная платформа, автооценка качества, SQL-ассистент, внутренние сервисы и решения, встроенные в отдельные процессы. Следующий шаг при этом: не запускать бесконечное количество новых ботов, а собрать управляемую архитектуру данных, метрик и единых стандартов.

На этом фоне особенно интересно посмотреть не на весь ландшафт сразу, а на три конкретных кейса.

От внешних чатов к корпоративному слою

Почти любая компания сначала заходит в ИИ через людей, а не через систему. Это нормальный и даже полезный этап. Он даёт быстрый сигнал, что технология вообще применима, где сотрудники сами видят ценность и какие сценарии действительно всплывают в работе без давления сверху. Но ровно эта же модель довольно быстро упирается в предел.

Проблема не в том, что внешние сервисы плохие. Проблема в том, что компания в такой схеме ничего не собирает в единый контур. У неё нет общего слоя доступа, нет повторяемости, нет нормального способа подключать внутренние знания и данные, нет общей аналитики по использованию. А главное — почти невозможно перейти от личной продуктивности к системному эффекту.

В Слетать.ру это уже хорошо заметно по самому характеру развития. ИИ не остался на уровне “пусть каждый пользуется чем хочет”. Внутри компании параллельно вырос корпоративный слой, который нужен не для того, чтобы заменить все внешние сервисы, а для того, чтобы собрать управляемую среду поверх реального набора инструментов. На карте внедрения это и описано как переход от набора решений к архитектуре: с вниманием к доступам, данным, метрикам и единым правилам работы.

Это, пожалуй, и есть первый важный тезис. На масштабе компании вопрос звучит уже не как “какая модель лучше”, а как “в каком контуре всё это вообще должно жить”. Пока ИИ остаётся только внешним инструментом, бизнес им пользуется. Когда появляется внутренний слой, бизнес начинает им управлять.

Кейс 1. Корпоративная платформа как общий вход

Самый важный кейс в этой логике — корпоративная платформа. Это единый интерфейс для доступа к LLM, внутренним ассистентам, SQL и связанным сервисам без VPN. Внутри уже есть разные модели, SQL-помощник, работа с графиками, изображения и слой аналитики использования.

Когда у компании появляется такой слой, ИИ перестаёт быть историей отдельных энтузиастов и начинает превращаться в корпоративную среду. Через неё можно не только давать доступ к моделям, но и постепенно подключать внутренние данные, собирать ассистентов под конкретные задачи, считать использование, понимать, какие сценарии реально приживаются, а какие живут только в презентациях.

Отдельно показательно, что платформа в вашем случае уже не существует сама по себе. Вокруг неё собирается и внутренний ИИ-хаб, то есть среда, в которой новые сервисы можно запускать не как штучные поделки, а как повторяемые решения. На карте это отдельно зафиксировано: уже собраны единый API, репозиторий сервисов и фронт для ассистентов.

Кейс 2. Автооценка качества как рабочий сервис, а не демонстрация

Если платформа — это базовый слой, то автооценка качества уже показывает, как ИИ начинает работать не по запросу пользователя, а как часть регулярного процесса.

Этот кейс мне кажется особенно важным, потому что он сильно отличается от самых популярных публичных сценариев. Обычно, когда говорят про ИИ, обсуждают генерацию текста, изображений или кода. Но в операционной реальности одна из самых сильных его ролей — сделать наблюдаемыми и масштабируемыми те процессы, которые вручную всегда остаются частично закрытыми.

Контроль качества — ровно такой случай. Его можно выстроить вручную, но он почти всегда будет дорогим, точечным и ограниченным по объёму. Даже сильная команда качества физически не может одинаково глубоко и регулярно смотреть всё. Поэтому ручной контур почти неизбежно начинает работать по выборке.

В Слетать.ру автооценка уже используется как ежедневная автоматическая оценка общения сотрудников. Сейчас этот контур работает в нашем туроператоре Let`s Fly, а следующим этапом обозначено масштабирование на сервис бронирования туров. На общей карте внедрения этот кейс прямо назван одним из самых сильных прикладных сценариев по качеству и масштабу применения.

Но по-настоящему важен здесь не сам факт, что модель умеет что-то оценивать. Важнее то, что вокруг этого появляется управленческий контур. ИИ здесь полезен не как замена отдела качества и не как волшебный автоматический судья. Он полезен как инструмент, который позволяет перейти от редкой ручной проверки к системному наблюдению за качеством на масштабе.

Кейс 3. Анализ заявки как работа с бизнес-объектом

В туристическом контуре заявка живёт долго. Она редко сводится к одному действию и почти никогда не укладывается в один момент времени. Всё начинается с первого обращения — звонка, сообщения, визита в офис — а дальше вокруг этой заявки постепенно накапливается история: подбор, уточнения, изменения, согласования, документы, статусы, комментарии, иногда сопровождение по ходу поездки и работа после возвращения клиента.

Для сотрудника это означает довольно простую, но дорогую проблему: контекст по заявке нужно каждый раз восстанавливать. Причём это не один документ и не один диалог, а длинная цепочка действий, решений и оговорок. В таких местах ИИ становится полезным как механизм сборки рабочего контекста.

Если внутренний сервис может посмотреть заявку целиком и собрать по ней ключевую информацию, то он помогает быстрее понять ситуацию.

Следующий этап

Когда в компании появляются рабочая платформа, несколько встроенных сервисов и понятный спрос со стороны бизнеса, становится ясно, что дальше наращивать внедрение точечно уже не очень эффективно.

Следующий этап почти всегда выглядит более скучно и более правильно одновременно: этап архитектуры. Не в смысле большой абстрактной схемы, а в смысле нормального инженерного контура: где какие данные, какие словари нужны, как подключаются сервисы, как считаются метрики, как управляются доступы, как переиспользуются компоненты, что становится стандартом, а что остаётся экспериментом.

Именно это у вас и обозначено как следующий шаг — переход от набора решений к управляемой архитектуре данных, метрик и единых стандартов.

Один ChatGPT на всех — это хороший старт. Иногда даже необходимый. Но реальная зрелость начинается позже: когда у компании появляется собственный пользовательский слой, когда ИИ начинает работать внутри процессов и когда вокруг него строится не только набор кейсов, но и инфраструктура.

За 20 лет сервис пережил несколько технологических эпох, смену форматов контента и привычек аудитории. И на этом пути внутри Одноклассников родились решения, которые стали базовыми для всей VK: облачная платформа One-cloud, видеоплатформа и сервис анализа ошибок Tracer. Кто и как создавал эти технологии и почему они успешно масштабировались — рассказываем в статье.

Соцсеть = инженерная система

Для обычного пользователя соцсеть выглядит привычно и просто: вот сайт с личной страницей, там раздел с сообщениями, лента, видео... А технически это распределённая система, где каждое действие пользователя запускает цепочку операций. Например, чтобы открыть ленту, система должна: получить данные профиля из хранилища, проверить права доступа, собрать персонализированную выдачу, подтянуть медиа из сети доставки контента, записать реакции в базу, обновить счётчики и отправить уведомления. Вся эта цепочка должна укладываться в миллисекунды. Иначе пользователь увидит зависание и закроет приложение. Добавьте к этому, что аудитория соцсети — миллионы людей, которые совершают действия одновременно. Чем больше пользователей, тем выше нагрузка на каждый элемент цепочки.

«Соцплатформа состоит из десятков сервисов: лента, сообщения, медиа, уведомления, рекомендации. Но пользователь не видит этой архитектуры. Если один из этих сервисов начинает работать неправильно, для человека это выглядит как „не работают Одноклассники“. Поэтому для инженеров устойчивость всей цепочки — это крайне важное требование», — объясняет технический директор Одноклассников Василий Кирюхин.

В таких условиях формировались требования и системные инженерные принципы Одноклассников. Отказоустойчивость и надёжность стали базовым условием для архитектуры платформы.

Почему Java стала языком ОК

Технологический стек начал формироваться в конце 2000-х, в первые годы после запуска соцсети. Начальные версии сервиса разрабатывались на C# — но команда быстро поняла, что платформа слабо масштабируется для быстро растущей аудитории. Нужен был язык, способный выдерживать кратный рост нагрузки.

Остановились на Java. К тому моменту это была одна из самых зрелых технологий для высоконагруженных систем и развивалась в основном за рубежом. Платформа Одноклассников проектировалась так, чтобы масштабироваться горизонтально: stateless-сервисы можно было наращивать вместе с ростом нагрузки, а распределённые хранилища позволяли обрабатывать всё больший объём пользовательских данных.

«Масштабирование обеспечивалось глубоким пониманием работы платформы Java и, как следствие, её максимально эффективным использованием. Многие ребята, которые занимались инфраструктурой Одноклассников, раньше работали в Sun, Oracle и других компаниях, тесно связанных с Java. Они помогли оптимизировать узкие места в языке и вокруг него — мы разработали собственные механизмы сериализации, системы удалённых вызовов сервисов, off-heap кеши и оптимизированные сетевые транспорты. Всё это позволило значительно увеличить возможности для масштабирования», — рассказывает Егор Замараев, руководитель отдела разработки контентных сервисов в Одноклассниках.

One-cloud: единая облачная технология

К середине 2010-х Одноклассники уже работали в нескольких дата-центрах и опирались на тысячи серверов. Исторически инфраструктура строилась по простой схеме: один сервер — одна задача. С таким подходом проще эксплуатация, но ресурсы используются неравномерно: часть машин простаивает, а другие не справляются с нагрузкой и задерживают обработку запросов. Такое распределение подтолкнуло команду создать собственную облачную платформу One-cloud.

«В какой-то момент стало ясно, что дальше масштабировать платформу по старым правилам уже нельзя. Нужно было не просто выделять новые серверы под каждый сервис, а научиться гораздо плотнее использовать уже имеющееся железо — так, чтобы сервисы можно было размещать гибко, автоматически распределять ресурсы и при этом не терять предсказуемость для самых критичных нагрузок. По сути, One-cloud и стала таким слоем управления», — говорит руководитель One-cloud VK Руслан Исмагилов.

С инженерной точки зрения One-cloud решала сразу несколько задач:

• Она убирала ручное управление инфраструктурой как главный тормоз роста: разработчик описывает, какие ресурсы нужны сервису и как он должен переживать сбои, а платформа сама размещает его в доступной среде и следит за жизненным циклом.

• One-cloud меняла сам объект управления. Если раньше команда оперировала серверами, то теперь — CPU, памятью, сетью, диском и правилами изоляции между разными типами нагрузок.

Для соцплатформы это принципиально: пользовательские сервисы, фоновые расчёты и аналитические задачи не должны конкурировать друг с другом. Иначе из-за одной тяжёлой задачи будут замедляться, например, лента или сообщения. One-cloud проектировали как систему, которая умеет распределять ресурсы дата-центров и задавать классы изоляции для разных типов сервисов.

Создание One-cloud стало переломным моментом. Команда перестала мыслить отдельными серверами и начала управлять инфраструктурой как единым пулом ресурсов. То, что начиналось как способ эффективнее использовать собственные дата-центры Одноклассников, выросло в облачную технологию для всей VK.

Видео: архитектурные решения для сервисов VK

Одноклассники выступили технологической лабораторией для всей компании ещё в одном направлении — в видео. В середине 2010-х внутри соцсети начали активно развивать собственную инфраструктуру для обработки и доставки видеоконтента.

Изначально это был небольшой экспериментальный проект: несколько разработчиков запустили первую версию видеосервиса для веб-версии соцсети. Но быстро стало понятно, что аудитория активно потребляет видеоконтент, а объём загружаемых роликов растёт почти геометрически.

С ростом просмотров и появлением прямых трансляций видео превратилось из рядовой функции в отдельное технологическое направление. Вокруг эксперимента сформировалась полноценная команда, а сама видеоплатформа начала развиваться как самостоятельный инфраструктурный слой. Системе нужно было принимать ролики, перекодировать их в разные форматы, хранить большие объёмы медиафайлов и быстро доставлять их миллионам зрителей.

«Активно развивать видеотехнологии с продуктовой позиции мы начали примерно с 2018 года. Одноклассники транслировали крупные мировые спортивные соревнования. Во время таких трансляций аудитория быстро росла, и мы видели, что платформа спокойно выдерживает пики нагрузки. При этом пользователи сравнивали трансляции на разных площадках и часто писали, что у нас лучшая картинка — это стало для нас подтверждением, что нашу видеоплатформу можно масштабировать», — рассказывает Сергей Томилов, руководитель по работе с авторами ОК.

Со временем часть архитектурных решений для видео Одноклассников легла в основу видеоплатформы VK. Это инфраструктура, которая сегодня обеспечивает загрузку, обработку, хранение и доставку видеоконтента для разных сервисов компании, включая ВКонтакте, VK Видео и VK Клипы.

Tracer: сервис для анализа ошибок

Если One-cloud помогает управлять инфраструктурой, а видеоплатформа — выдерживать высокую аудиторную нагрузку, то Tracer отвечает за следующий уровень: быструю реакцию на сбои в системе. Когда платформа состоит из десятков сервисов и регулярно выпускает новые версии, ошибки неизбежны. И работать с ними важно на опережение.

Для этого в Одноклассниках появился Tracer — сервис анализа ошибок мобильных приложений и веб-сервисов. По функциональности его можно сравнить с Firebase Crashlytics или Sentry. Для команды ОК он изначально был внутренним инструментом наблюдения за крупной распределённой системой.

«Для большой платформы важно не только зафиксировать, что произошёл сбой, но и быстро понять его причину. Tracer как раз решает эту задачу: он находит ошибку, собирает всю техническую информацию о ней и показывает разработчикам, где именно в системе возникла проблема. Команда мгновенно получает сигнал об инциденте — через интерфейс, почту или мессенджеры. Во многих случаях это позволяет заметить проблему ещё до того, как её успевают почувствовать пользователи», — делится руководитель проекта Tracer Кирилл Попов.

Tracer зарекомендовал себя как надёжный внутренний инструмент для диагностики ошибок в высоконагруженной системе и постепенно превратился в полноценную платформу. А потом вышел на внешний рынок и стал самостоятельным инфраструктурным сервисом. Сегодня его используют не только Одноклассники, ВКонтакте и другие продукты VK — Tracer применяют у себя более 2 тысячи организаций, к системе подключены тысячи приложений.

Одноклассники как лаборатория инженерных стандартов

Как живёт соцсеть: это миллионы пользователей онлайн, десятки связанных сервисов, пиковые нагрузки на инфраструктуру. В таких условиях для архитектуры нужны не теоретически красивые решения, а практичные, масштабируемые и долговечные. Такие и создавали в Одноклассниках с 2006 года.

Java-платформа, заложенная в конце 2000-х, до сих пор в основе Одноклассников. Архитектуру ни разу не переписывали, как часто бывает с продуктами на долгой дистанции. Её развивали итеративно: находили узкие места, оптимизировали, добавляли слои наблюдаемости. Это редкий для рынка пример эволюции большой системы без перезапусков, и в случае Одноклассников он объясняется культурой эксплуатации и инженерной дисциплиной.

За двадцать лет Одноклассники стали для аудитории надёжной и привычной платформой для общения: здесь знакомятся, поддерживают дружеские и рабочие контакты, делятся увлечениями несколько поколений пользователей. А для инженерного сообщества Одноклассники смогли создать сильные решения, которые вышли за пределы платформы.

В результате рекламодатель может охватить различные виды экранов, с которыми пользователь взаимодействует в течение дня: смартфон, компьютер, телевизор, планшет, а также рекламные поверхности в торговых точках. Размещение осуществляется по модели CPM (стоимость за тысячу показов).

Билайн Digital Indoor — это технологические решения для коммуникации с аудиторией через видеоэкраны в торговых точках. Продукт представляет собой единую сеть интерьерной цифровой рекламы в продуктовом ритейле. В нее входит более 60 тысяч экранов, размещенных в крупных ритейл-сетях. Экраны расположены в торговых залах и прикассовых зонах.

Помимо Digital Indoor, рекламные ролики размещаются на экранах телевизоров в рамках Билайн Smart TV. Это сеть приложений на платформе Smart TV, включающая онлайн-кинотеатры, OTT-операторов и приложения телеканалов. Эксклюзивным инвентарем продукта является приложение «Билайн ТВ».

Размещение на экранах персональных компьютеров, смартфонов и планшетов реализуется через премиальную видеосеть Билайн. Охват сети более 45 млн человек, реклама показывается внутри видеоконтента (in-stream). В состав сети входят онлайн-кинотеатры, телеканалы и сайты издательских домов. Эксклюзивный инвентарь — собственные видеосервисы «Билайн ТВ» и «Попкорн Билайн».

Эффективность продукта «Охват 360» может оцениваться по итогам рекламной кампании несколькими способами:

• Sales lift — анализ изменения продаж после размещения;
• Brand lift — оценка динамики бренд-метрик;
• анализ конверсионной воронки — подсчет аудитории, совершившей целевое действие.

По результатам исследования клиенту предоставляется агрегированный обезличенный отчет, построенный на данных мобильного оператора и его партнеров. Анализ осуществляется в отношении пользователей, выразивших согласие на обработку данных в рекламных целях.

Банк получил награды в категориях «Самая эффективная кросс-функциональная коллаборация», «Лучший аутсорсинговый проект, партнёрство», «Лучшая практика адаптации, обучения и развития персонала», «Лучшая практика сохранения талантов и сокращения текучести персонала».

Кроме того, сотрудники банка были отмечены в трёх персональных номинациях: Юлия Ишанова, главный специалист из Тверского контактного центра получила награду «Специалист года», Валерий Иванов, начальник Омского контакт-центра, стал победителем в номинации «Руководитель года», а Елизавета Савченко, руководитель группы операционного центра в Твери, — в номинации «Командный лидер года».

«Мы очень рады, что ОТП Банк был отмечен сразу семью наградами такой значимой премии как CC Guru Awards и получил признание профессионального экспертного сообщества. Мы динамично развиваем процессы, совместные партнерские проекты, а также навыки и компетенции наших сотрудников.  Для победы в личных номинациях, сотрудники ОТП Банка готовились к участию в премии: проходили серьезный отбор на соответствие множеству критериев экспертной комиссии. Мы продолжим совершенствовать технологии и процессы, чтобы оставаться банком, который выбирают не только клиенты, но и сотрудники», — отметил Алексей Рогожин, Руководитель контакт-центра ОТП Банка.

CC Guru Awards — крупнейшая (более 300 участников ежегодно), широко известная и признанная профессиональным сообществом награда, которую называют «Оскаром» индустрии дистанционного взаимодействия с клиентами. Премия учреждена в 2005 году и вручается ежегодно.

Награда отражает признание профессиональным сообществом высокого уровня зрелости и развития компаний, а также подтверждает значимые достижения участников в области дистанционного взаимодействия с клиентами — в маркетинге, продажах, сервисе и работе контакт-центров. Премией отмечаются лучшие сотрудники — операторы, продавцы, менеджеры, руководители, а также команды и коллективы контакт-центров — за высокий уровень клиентского опыта, эффективные управленческие практики, инновационные проекты и передовые технологические решения.

Когда появились фотоаппараты, то говорили, что исчезнут художники. Когда появился Photoshop — предрекали конец дизайнеров. Когда интернет стал массовым — многие уверяли, что журналистика умрет.

Сегодня та же дискуссия происходит вокруг искусственного интеллекта. Нейросети пишут тексты, создают изображения, генерируют музыку, придумывают рекламные концепции и монтируют видео. И поэтому все чаще звучит вопрос: если искусственный интеллект может создавать контент, зачем тогда нужны люди?

Но здесь спрятан парадокс. Директор по маркетингу Слетать.ру Иннокентий Калюжный считает, что речь идет не об исчезновении креативных индустрий, а об их трансформации.

Креатив как конвейер

Чтобы понять, почему ИИ так быстро встроился в индустрию, важно признать: значительная часть креативной работы давно стала производственным процессом.

Речь идет о задачах, которые масштабируются и повторяются: рекламные баннеры, тексты для лендингов, контент для соцсетей, презентации, карточки товаров.

Во многих случаях это не создание новых идей, а адаптация уже существующих решений под разные форматы и каналы. Именно этот сегмент оказался наиболее чувствительным к автоматизации.

Почему нейросети эффективны

ИИ оказался не универсальным заменителем, а инструментом, идеально подходящим под конкретный тип задач.

• Во-первых, скорость. Генерация вариантов занимает минуты вместо часов или дней.

• Во-вторых, снижение стоимости. Там, где раньше требовалась команда, теперь часто достаточно одного специалиста с набором инструментов.

• В-третьих, масштаб. Появилась возможность быстро тестировать десятки гипотез, а не ограничиваться несколькими вариантами.

В маркетинге это уже меняет подход к работе: ключевым становится не столько создание единственного идеального решения, сколько скорость перебора и проверки гипотез.

Как меняется роль специалиста

На этом фоне трансформируется и роль человека в процессе. Если раньше специалист выполнял весь цикл работ самостоятельно — от идеи до реализации, то сейчас его функция смещается в сторону управления.

Человек формулирует задачу, задает направление, оценивает результат и принимает решения. Производственная часть частично передается инструментам. По сути, происходит сдвиг от исполнителя к роли куратора или продюсера.

Ограничения ИИ

Несмотря на быстрый прогресс, у нейросетей остаются ограничения. Они работают на основе уже существующих данных: анализируют массивы контента, выявляют закономерности и создают новые комбинации. При этом у них нет собственного понимания культурного, социального или поведенческого контекста.

Это означает, что ИИ способен воспроизводить и варьировать идеи, но не формирует новые смыслы в том виде, в каком это делает человек. Именно поэтому задачи, связанные с интерпретацией аудитории, трендов и изменений в обществе, остаются за специалистами.

Поэтому настоящий креатив — это идея, которая попадает в настроение времени и все еще остается человеческой задачей.

Трансформация профессий

Как и в предыдущие технологические периоды, речь идет не об исчезновении профессий, а об их пересборке. Появляются новые специализации, связанные с использованием ИИ-инструментов: AI-дизайнер, AI-редактор, AI-маркетолог, AI-продюсер контента.

Фактически это развитие существующих ролей, в которых ключевым навыком становится умение эффективно работать с новыми инструментами так же хорошо, как до этого работали с графическими редакторами.

Главный парадокс

Один из наиболее заметных эффектов — изменение ценности самого контента. ИИ обесценивает массовый контент. Когда любой может создать текст, изображение, презентацию, рекламный баннер, то ценность начинает смещаться не к производству, а к идее.

Когда контента становится бесконечно много, главным дефицитом становятся внимание аудитории, оригинальная мысль и сильная концепция. Именно это и возвращает настоящую ценность креативу.

Искусственный интеллект действительно разрушает привычную модель креативных индустрий но не потому, что уничтожает творчество: он разрушает рутинное производство контента. А значит, ценность настоящих идей только растет.

Возможно, через несколько лет мы будем вспоминать эпоху до нейросетей так же, как сегодня вспоминаем время до Photoshop. Инструменты изменились, но творчество никуда не исчезло, а просто стало быстрее и доступнее.