Альфа-Банк провел эксперимент по применению нескольких ИИ-агентов в процессной аналитике. По данным банка, срок получения первых аналитических выводов сократился с 20 до трех дней. Ранее Альфа-Банк уже заявлял о проектах в области искусственного интеллекта и Process Mining.
Что показал новый пилот
Проверочной площадкой, по заявлению банка, стала обработка заявок на торговый эквайринг. При обычном исследовании специалисту приходится последовательно собирать журнал событий, готовить визуализации, изучать варианты исполнения процесса, искать возможные причины отклонений и проверять свои предположения. В экспериментальной схеме исходным материалом служит файл с логами, а дальнейшие этапы выполняет система.
Архитектура воспроизводит разделение труда в аналитической команде. Один агент отвечает за подготовку данных, второй предлагает до 20 возможных проблем процесса. Затем цифровой «критик» проводит первичный отбор, «валидатор» оценивает состоятельность оставшихся версий, а «интерпретатор» превращает технические выводы в понятные бизнесу рекомендации. Система также расставляет гипотезы по ожидаемому эффекту.
По данным Альфа-Банка, первые выводы появились на третий день. Ранее аналогичный этап занимал 20 дней, поэтому скорость работы выросла примерно в 6,5 раза. Одновременно снизилась трудоёмкость исследования Теперь банк намерен проверить подход в других направлениях.
Как ИИ появился в процессной аналитике банка
К мультиагентной модели Альфа-Банк пришел постепенно. Process Mining в банке развивается децентрализованно: центр компетенций отвечает за методологию, обучение и поддержку, а аналитики работают внутри бизнес-подразделений. Они знают специфику своего направления, но должны совмещать несколько компетенций — готовить данные, разбираться в процессе, проводить интервью, формулировать гипотезы и обосновывать эффект изменений.
Сначала часть технической рутины передали внутреннему ИИ-ассистенту Alfa AI. Его использовали для написания и оптимизации SQL- и Python-скриптов, необходимых для выгрузки и предобработки данных. Это ускорило подготовку карт процессов и базовых дашбордов, однако ассистент не видел модель процесса, не знал его метрик и не понимал контекста проекта. Аналитик по-прежнему самостоятельно изучал визуализации и искал проблемные участки.
Следующим этапом стала концепция AI-Powered Process Mining. Банк интегрировал используемую для процессной аналитики платформу Proceset с корпоративной GenAI-платформой AlfaGen. В запрос к языковой модели начали автоматически включать описание и границы процесса, цели проекта, фрагменты интервью, а также рассчитанные метрики: последовательности событий, длительность этапов, частоту повторов и конверсии.
Аналитику не нужно было самостоятельно составлять промпт. После нажатия одной кнопки AlfaGen обрабатывала переданный контекст, а результат возвращался в интерфейс Proceset в виде списка возможных проблем и направлений для дальнейшего исследования. По итогам этого этапа время подготовки аналитики сократилось в два-три раза, а число релевантных гипотез выросло на 35–40%.
При этом ИИ оставался помощником: он давал аналитику отправную точку, но не проводил исследование целиком. Уже тогда банк обозначил следующим направлением аналитических агентов, способных самостоятельно проходить основные этапы анализа. Пилот 2026 года показал, как эта идея работает на конкретном процессе: отдельные агенты последовательно готовят данные, формулируют гипотезы, отсеивают слабые версии и проверяют оставшиеся Таким образом, ИИ в Process Mining постепенно смещается от помощи в отдельных операциях к автоматизации связного аналитического цикла.
По материалам Ведомостей, РБК Компании, Habr