### BNY ищет вице-prezidenta. А может, им нужен просто умный алгоритм?

На LinkedIn очередная заманчивая вакансия: Bank of New York Mellon (BNY) ищет ни много ни мало **Senior Vice President, POM Technical Product Management**. Роль — Владелец Продукта для направления Fund Accounting в регионе EMEA. Звучит солидно.

**Кратко о компании:** BNY Mellon — это не просто банк. Это один из столпов мировой финансовой системы. Они сами пишут, что влияют почти на 20% мировых инвестиционных активов. Это гигантская, сверхрегулируемая, консервативная (несмотря на все заявления об инновациях) машина. Машина, которая не имеет права на ошибку.

**Какую боль пытаются решить?**
Давайте начистоту. Я двадцать лет управляю IT-командами и видел десятки таких вакансий. Если отбросить корпоративную шелуху про «трансформационные решения» и «расширение возможностей сотрудников», то суть сводится к следующему:

У BNY есть сложнейшая система для учета фондов в Европе, на Ближнем Востоке и в Африке (EMEA). Это клубок из клиентских хотелок, постоянно меняющихся регуляторных требований (привет, европейские директивы!), внутренних операционных нужд и драконовских правил риск-менеджмента.

Им нужен человек-оркестр. Человек, который будет:
1. **Слушать всех:** клиентов, операционистов, юристов, комплаенс, разработчиков.
2. **Всё понимать:** от тонкостей расчета NAV (чистой стоимости активов) до особенностей корпоративных действий и налогообложения в Польше и Люксембурге.
3. **Транслировать:** переводить язык бизнеса («Мы хотим быстрее и с меньшим количеством ошибок») на язык разработки («Создать эпик с user story для автоматической сверки данных из источника X по API Y с критериями приемки Z»).
4. **Расставлять приоритеты:** решить, что важнее — новая фича для ключевого клиента, которая принесет миллионы, или закрытие дыры в безопасности, предписанное регулятором, которое не принесет ничего, кроме спокойного сна.

По сути, BNY ищет супер-коммуникатора и супер-приоритизатора с огромной базой знаний в голове. Человека, который будет служить живым хабом, постоянно жонглируя противоречивыми требованиями и пытаясь удержать все шарики в воздухе. Зарплата, я уверен, соответствующая. И головная боль тоже.

**А что, если этот хаб будет не человеком?**

Представьте себе диалог двух IT-директоров за чашкой кофе.

— Опять ищут «продукта» на фондовый учет. Уже третьего за пять лет. Один выгорел, второй ушел на повышение к конкурентам. Это же не работа, а вечный стресс.
— А зачем им вообще человек? Они же сами хвастаются, что используют «cutting-edge AI». Вот и дали бы ему поработать.
— Ты серьезно? Поставить ИИ рулить бэклогом в системе, где ошибка стоит миллионы? Комплаенс их с потрохами съест.
— А сейчас у них нет ошибок? Человеческий фактор никто не отменял. Уставший вице-президент что-то не учел, неправильно понял приоритет, забыл про зависимость — и привет. ИИ не устает, не выгорает и у него нет плохих дней. Вопрос лишь в том, как его правильно «приготовить».

**Решение с помощью ИИ: создаем «Продукт-мозг»**

Вместо того чтобы нанимать еще одного дорогого специалиста, который станет узким местом системы, можно построить аналитическое ядро на базе ИИ. Это не один инструмент, а связка технологий.

**Шаг 1: Сбор и оцифровка всех входящих данных.**
ИИ-система должна «читать» и понимать все то же, что и человек-продукт. Для этого мы подключаем ее к источникам:
* **Регуляторные документы:** Настраиваем парсеры, которые отслеживают обновления на сайтах европейских регуляторов (ESMA, EBA и т.д.). LLM (языковая модель) анализирует текст новых директив и выделяет конкретные требования к IT-системам. Например: «Изменить формат отчетности по форме X к 1 июля 2025 года».
* **Клиентские запросы:** Интегрируем ИИ с Jira, Zendesk или даже с почтой. Он классифицирует запросы, определяет их срочность на основе анализа текста и данных о клиенте из CRM (размер клиента, его «голосистость»).
* **Операционные данные:** Подключаем систему к логам, системам мониторинга (Datadog, Splunk). ИИ анализирует количество ошибок (break rates), время расчета NAV, узкие места в процессах (cycle time) и сам создает технические задачи на оптимизацию.
* **Зависимости:** ИИ сканирует кодовую базу и архитектурные диаграммы, чтобы построить граф зависимостей между системами. Он будет знать, что изменение в модуле ценообразования может затронуть модуль финансовой отчетности.

**Шаг 2: Приоритизация и создание бэклога.**
Это самое интересное. У человека-продукта в голове есть некая модель оценки. У ИИ она будет формализованной и объективной.
* Создается **скоринговая модель**, где каждая потенциальная задача (фича, баг, техдолг) оценивается по нескольким параметрам: влияние на доход, стоимость реализации, снижение риска (регуляторного, операционного), удовлетворенность клиента, технический долг.
* ИИ автоматически присваивает баллы. Например, задача от регулятора с четким дедлайном получает максимальный балл по риску. Фича, которую просят 10 мелких клиентов, получает меньший балл, чем та, которую просит один, но самый крупный.
* На выходе мы получаем **динамически приоритизированный бэклог**. Он пересчитывается каждый день на основе новых данных.
* Далее, на основе этого, LLM **генерирует готовые user stories** с «crisp acceptance criteria», как того требует вакансия. Он берет суть требования и облекает ее в идеальную для разработчика форму.

**Шаг 3: Коммуникация и отчетность.**
ИИ не может пойти пить кофе со стейкхолдерами. Но он может делать то, на что у человека уходят часы:
* Генерировать **персонализированные дашборды и отчеты** для каждой группы: для комплаенса — отчет по выполнению регуляторных требований; для клиентского сервиса — статус по их запросам; для топ-менеджмента — сводка по KPI продукта.
* Автоматически рассылать **уведомления о релизах, рисках и изменениях** в роадмапе.

**Как побороть недоверие?**
Конечно, никто не даст ИИ ключи от финансовой системы с первого дня. Внедрение должно быть поэтапным:
1. **Режим «Советника»:** Сначала ИИ работает в тени. Он анализирует данные и предлагает свой вариант роадмапа и приоритетов. А живой вице-президент принимает финальное решение. Это позволяет откалибровать модель и доказать ее состоятельность на реальных данных.
2. **Режим «Напарника»:** ИИ получает в управление небольшой, некритичный кусок продукта. Например, внутреннюю аналитическую отчетность. Команда работает по его бэклогу, доказывая эффективность на практике.
3. **Режим «Автопилота с наблюдателем»:** ИИ управляет 90% процесса, а человек-эксперт (уже не вице-президент, а скорее «Главный архитектор системы») верифицирует ключевые решения и вмешивается только в нештатных ситуациях.

**Как валидировать результат?**
Очень просто. Данными.
* **Бэктестинг:** Загружаем в систему данные за последние два года (все запросы, все инциденты, все регуляторные изменения). Сравниваем роадмап, который предложил бы ИИ, с тем, что был реализован людьми. Что принесло бы больше пользы? Где было бы меньше авралов?
* **KPI:** Сравниваем ключевые метрики продукта до и после внедрения ИИ-ассистента: скорость поставки ценности (cycle time), количество багов на проде (defect escape rate), своевременность расчета NAV, удовлетворенность клиентов. Цифры не врут.

BNY в своей вакансии пишет, что они «используют передовой ИИ для создания трансформационных решений». Так может, пора начать с себя? Возможно, самая большая трансформация — это не нанять очередного вице-президента, чтобы он вручную разгребал эту сложность, а построить систему, которая сделает эту сложность управляемой. И тогда вместо одного вице-президента вам понадобится пара толковых инженеров и аналитиков для его поддержки. А это, как мне подсказывает опыт, и дешевле, и надежнее.

Вакансия отсюда: https://www.linkedin.com/jobs/view/4390630928/