Мы в поиске того, кто сможет построить AI-first operating model, при которой AI и LLM являются обязательным слоем:
– принятия управленческих решений,
– аналитики,
– работы с ИТ и данными.
Все ключевые решения менеджмента (риски, продукты, капитал, бюджеты, стратегия) проходят AI-оценку и сценарное тестирование.
Роль отвечает не за модели, а за качество управленческих решений и устойчивость бизнеса.
Ключевой принцип:
LLM — это не инструмент и не проект.
LLM — это интерфейс к компании и второй контур управления.
Обязанности:
1. AI как слой принятия решений (Decision Intelligence)
Проектирование и внедрение AI Decision Framework:
– стратегические инициативы,
– запуск и закрытие продуктов,
– изменения risk appetite,
– аллокация капитала,
– бюджеты и headcount.
Формализация принципа: No material decision without AI review.
Подготовка AI-меморандумов для CEO, ExCo и Board:
– сценарии,
– downside-риски,
– выявление ошибочных предпосылок.
2. Риски, капитал и устойчивость
Построение целостной AI-модели кредитного бизнеса:
риск → доходность → капитал → ликвидность.
Scenario & stress testing:
– по портфелям,
– по географиям,
– по регуляторным и макро-шокам.
AI-challenge ключевых риск-решений:
– лимиты,
– скоринг,
– pricing,
– collection стратегии.
Участие в risk governance как независимый AI-контур.
3. IT: AI-first архитектура
Формирование AI-first IT architecture совместно с CTO:
– данные,
– API,
– event streams,
– feature stores,
– доступ LLM к системам.
Проектирование LLM Gateway:
– единая точка доступа к моделям,
– контроль cost, latency, security,
– логирование и аудит outputs.
Стандарт: любая новая система должна быть AI-readable.
4. Аналитика: от BI к AI-native analytics
Трансформация аналитики:
– от SQL и дашбордов,
– к LLM-driven аналитике.
LLM как интерфейс к данным:
– natural language → данные,
– on-the-fly сценарии,
– объяснение драйверов.
Внедрение vibe-coding для аналитиков:
– LLM-генерируемый SQL и Python,
– быстрые симуляции вместо отчётов.
Создание AI Analytics Layer (LLM + RAG поверх данных).
Стандарты качества, explainability и воспроизводимости.
5. LLM как операционная система
LLM как интерфейс:
– к P&L,
– к рискам,
– к портфелю,
– к продуктовой экономике.
Замкнутый контур:
Данные → LLM → Решение → Outcome → обратная связь в модель.
Требования:
– 10+ лет опыта на стыке fintech / banking / lending, AI, управленческих решений,
– понимание кредитных портфелей, риск-метрик, P&L, капитала и ликвидности,
– опыт работы с CEO и Board.
Мы предлагаем:
