Как бизнес собрал 17 AI‑продактов в сжатые сроки и не потерял качество

Задача

1. Закрыть 17 позиций AI‑продактов.
2. Уложиться в сжатые сроки стратегичесого проекта банка в высоком приоритете.
3. Ввести вакансии в сложный период: старт проекта пришелся на конце года.

Решение

1. Сформировали единый профиль роли и разложили его на измеримые навыки.
2. Выстроили многоступенчатую систему оценки кандидатов на всех уровнях отбора.
3. Использовали широкую стратегию поиска: hh, AI‑сообщества, университетские каналы и рекомендации сотрудников.
4. По итогам проекта запустили внутреннюю школу AI‑продактов.

Результат

1. 17 AI‑продактов наняты в первую волну и проект расширен на дополнительный пул сотрудников — + еще 8 AI‑продактов.
2. Средний time‑to‑fill — 28 рабочих дней (внутренний норматив ~45).
3. 100% прошли испытательный срок.

Кто такие AI‑продакты

В реальности это означает умение сформулировать, какую часть процесса нужно автоматизировать, выбрать метрики (бизнес и ML), организовать пилот, договориться с ИТ и встроить решение в бизнес‑контур.

В антифроде, например, речь идет о высоконагруженных ML‑моделях, где цена ошибки — миллионы рублей и доверие клиентов. Здесь недостаточно навыков классического продакта: нужно глубоко понимать устройство моделей, уметь считать A/B‑тесты, оценивать статистическую значимость и финансовый эффект.

Основная сложность заключалась в том, что на рынке таких специалистов единицы. В конце 2024 года роль только формировалась, а кандидатов с редким сочетанием продуктового мышления, понимания ML и доменной экспертизы в банковских процессах практически не существовало. Проблему усугубляла сезонность: в октябрь–декабрь сильные специалисты редко меняют работу из‑за годовых бонусов.

Как строили процесс подбора

Департамент продвинутой аналитики вместе с бизнес‑линиями разработал единый профиль роли, который не менялся для всех подразделений. Однако в разных командах требовался разный баланс навыков: где‑то важнее глубокое понимание технологий, где‑то — продуктовая экспертиза и способность выстраивать бизнес‑логику вокруг AI.

Профиль объединил четыре направления экспертизы:

1. Доменная экспертиза: создание и оптимизация банковских бизнес‑процессов.
2. Продвинутая аналитика: понимание принципов ИИ, знание ключевых алгоритмов и математических метрик.
3. Управление продуктом: бэклог разработки моделей, A/B‑тесты, оценка финансового эффекта.
4. Консалтинговые навыки: диалог между бизнесом и AI, приоритизация инициатив, оценка потенциального эффекта.

Чтобы минимизировать ошибки найма, создали четырехступенчатую систему оценки.

Этап 1. Скрининг рекрутера.

Здесь отсекали нерелевантных кандидатов по базовым критериям: понимание ключевых моделей, знание метрик качества, опыт кросс‑функционального взаимодействия, бизнес‑насмотренность.

Этап 2. Fit‑интервью с Департаментом продвинутой аналитики.

Этап 3. Техническое интервью.

Chief Data Scientist проверял не только базовую экспертизу в ML, но и готовность вести AI‑инициативы внутри бизнеса. Обсуждались финансовый эффект моделей, жизненный цикл AI‑решений, A/B‑тесты и лидерские навыки: умение договариваться, обосновывать приоритеты и привлекать ресурсы.

Этап 4. Бизнес‑фильтр.

Финалисты встречались с руководителями бизнес‑линий, где подтверждали доменную экспертизу, понимание банковских процессов и способность генерировать AI‑инициативы. На интервью с руководителями бизнес‑линий доходили только 3–4 самых сильных кандидата на позицию, уже прошедших всестороннюю проверку.

Решение о выдаче оффера принималось на основании двух независимых оценок — со стороны бизнеса и со стороны Департамента продвинутой аналитики.

Где искали редких специалистов

Понимая, что единым каналом не обойтись, команда задействовала несколько источников:

1. hh.ru — основной инструмент для входящего потока и прямого поиска.
2. AI‑сообщества — размещение вакансий в профессиональных группах и чатах.
3. Университетские каналы — один из сотрудников разместил пост в канале своего вуза, которое привлекло нескольких сильных кандидатов.
4. Реферальная программа — учитывая относительную малочисленность AI‑сообщества, персональные рекомендации часто приводили к релевантным контактам.

Запустили школу продактов

Обучение было практическим: участники проходили полный цикл работы над AI‑инициативой — от формулирования идеи до пилота и подготовки к промышленному внедрению. Банк получил кадровый резерв, а сотрудники — возможность понять, подходит ли им новая роль.

Какие результаты получили

Проект позволил не просто закрыть 17 позиций, но и сделать это в рекордные 28 рабочих дней — на 40% быстрее внутреннего норматива. Все нанятые сотрудники успешно прошли испытательный срок, подтвердив эффективность многоэтапной системы оценки.

Часть специалистов быстро начала расти внутри компании. Один из AI‑продактов уже через девять месяцев был назначен начальником управления. Проект по внедрению AI‑продактов в структуру банка настолько себя оправдал, что его масштабировали на еще 8 позиций.

Главные выводы команды

Гибридные роли требуют четких правил. Когда позиция находится на стыке экспертиз, критически важно договориться о требованиях со всеми заинтересованными командами и перевести их в измеримые чек‑листы. Финальное решение по кандидату должно быть коллегиальным — согласование независимых подразделений снижает риск ошибки найма.

Если рынок не дает нужный объем — стройте внутренний конвейер. Школа AI‑продактов стала инвестицией в устойчивость функции AI Product Management, позволив продуктовым менеджерам нарастить AI‑грамотность, а аналитикам — усилить продуктовые навыки.

Сильным специалистам нужна свобода. Решающим фактором для многих кандидатов стала возможность быстро доводить идеи до внедрения. В Альфа‑Банке путь от гипотезы до запуска на реальной клиентской базе занимает минимум времени. Как говорит Дмитрий Андроников, начальник управления алгоритмизации и обработки данных фродмониторинга: «Нанимайте умных, талантливых людей — и не мешайте им работать».

Так банк решил задачу закрытия редчайших позиций в дефицитном рынке через навыкоцентричный подход: разложил роль на конкретные компетенции, выстроил прозрачную систему оценки и подключил бизнес к отбору. В результате получил управляемый процесс с понятными критериями и возможностью доращивать таланты изнутри.