Выпускник программы «Магистр экономики» (МАЭ) РЭШ Даниэль Левинишников прошел путь от многообещающего специалиста в консалтинге до руководителя продуктового ИИ‑направления Т‑Банка. Его карьерный трек был тернист и извилист, полон нестандартных решений и большой работы над собой. В интервью Даниэль рассказал, почему на пике оставил карьеру в консалтинге и пошел учиться в магистратуру, как вырос вместе с командой СберМаркета, почему сознательно пошел на понижение при переходе в Alibaba и как вернулся в Россию, отказавшись от высоких зарплат и должностей, чтобы иметь возможность работать над передовыми технологиями в Т-Банке. Даниэль также дал несколько советов о том, как не потерять работу в эпоху стремительного развития ИИ, что на самом деле важно при создании ИИ‑продуктов и почему успех внедрения больших языковых моделей во многом зависит не от самой модели, а от созданной инфраструктуры и готовности людей к изменениям.
Напоминаем, что 15 ноября на кампусе и онлайн пройдет первый в этом учебном году День открытых дверей магистратуры РЭШ, на котором вы сможете не только больше узнать о программах и возможностях в Школе, но и лично познакомиться с нашими студентами и выпускниками.
Расскажи коротко о себе: чем занимаешься сейчас и как к этому пришел?
Я отвечаю за ИИ-продукты в Т-Банке*: чат-боты, голосовые роботы, предиктивные системы. Вместе с командой, насчитывающей более 250 человек, мы строим один из самых больших ИИ-пайплайнов (прим. «конвейеры искусственного интеллекта» — автоматизированные цепочки обработки данных и выполнения задач, где на каждом этапе используются алгоритмы ИИ) в регионе.
Путь в эту точку был непростым. Я начинал в консалтинге и ушел оттуда на пике карьеры. Я был самым молодым аналитиком в команде, и все вокруг пророчили мне блестящее будущее. Но я выбрал другой путь — уволился и поступил в магистратуру РЭШ.
Весь первый год обучения я жил на стипендию двадцать три тысячи рублей в месяц, за которую до сих пор невероятно благодарен Школе, а на втором курсе устроился в СберМаркет (сейчас Купер). В то время там работало 100 человек, а о сервисе практически никто не знал. Однако уже через два года это был безусловный лидер российского рынка онлайн-продажи товаров повседневного спроса с доставкой на дом (e‑grocery), а моя команда выросла до 50 человек.
Затем я перешел в Alibaba Group и переехал в Барселону. При этом я осознанно пошел на понижение, чтобы закрыть пробелы в навыках. До этого я занимался исключительно ИИ-продуктами, и для дальнейшего роста мне явно не хватало компетенций в проектировании интерфейсов и взаимодействии с пользователем.
В 2024‑м у меня было три предложения: от корпорации в Лондоне, стартапа в Берлине и Т-Банка. Я выбрал самое скромное по деньгам, но самое передовое в плане технологий. Тогда в Европе почти никто не делал настоящий генеративный искусственный интеллект (GenAI — подвид ИИ, способный самостоятельно создавать новый, уникальный контент) в продукте, а в Т-Банке его уже внедряли. И я вернулся в Москву.
Как работа с продуктом в сфере электронной коммерции отличается от работы с продуктом в банковской сфере?
Электронная коммерция (E-commerce) — это про транзакцию. Банк — про отношения. Разная цена ошибки и разная культура.
В электронной коммерции цикл гипотезы измеряется днями. Ошибка моментально исправляется, а потеря заказа становится платой за знания. Ты не боишься все сломать, а, наоборот, бесконечно и быстро интегрируешься. Ты уже не боишься сломать систему. Наоборот, страх уступает место привычке постоянно и очень быстро внедрять новые решения.
В банке экономика другая. Рост удержания клиентов на 5 п.п. поднимает прибыль на 25-95%, потому что клиент банка приносит деньги годами и параллельно вкладывается еще в кучу продуктов. Любая ошибка чревата потерей доверия, восстановить которое крайне сложно. Зато и потенциальный эффект тут выше: больше пользователей, больше данных, больше мест, где за счет ИИ можно кратно вырастить метрики и полностью поменять сам опыт клиента, а не увеличить конверсию в продажу на десятые процентные пункты.
Есть еще регуляторные ограничения, и у них обнаруживается неожиданный эффект. В банке нельзя применять большинство рыночных моделей, поэтому приходится разрабатывать свои собственные. Для компании это своеобразный налог: она двигается медленнее, чем могла бы. Но для специалистов по ИИ это редкая удача. Ты создаешь фундаментальные модели под конкретную задачу и на практике осваиваешь технологию, которую в мире разрабатывают буквально в трех местах. В то время как весь остальной мир просто пишет промпты в ChatGPT.
Ради этого я и шел в Т-Банк.
Кто такой менеджер ИИ-продуктакт-менеджер и чем он отличается от классического продакта?
В индустрии есть простой тест: попробуйте убрать из продукта искусственный интеллект и посмотрите, что будет. Если продукт перестает существовать, значит, это действительно ИИ-продукт. Например, удалите модель из поиска или голосового ассистента, и от них ничего не останется. А если убрать ИИ-составляющую из камеры смартфона, она станет хуже, но продолжит работать. Настоящий ИИ-продукт невозможен без машинного обучения. Все остальное — это обычный продукт с отдельными ИИ-фишками.
Менеджер ИИ-продукта — это обычный продуктовый менеджер, имеющий дополнительный набор навыков, за который рынок доплачивает. Например, надо понимать современные подходы в обучении моделей, уметь проводить тестирование оценки качества работы языковых моделей и выстраивать систему контроля их качества.
Какой самый большой миф про внедрение ИИ в компаниях?
Миф: «Внедрить ИИ» — значит купить модель или подключить API. Подключили и все заработало». На самом деле это совсем не так! Очень важна инфраструктура и процессы, выстроенные вокруг моделей.
По моему опыту, модель — это лишь 10% успеха. Остальные 90% — это данные, оценки, платформы, базы знаний, инструменты, перестройка процессов под работу с ИИ и, конечно, люди, готовые изменить привычную схему своей работы. Часто именно установки и привычки людей перестроить сложнее всего. При этом на рынке почти ни у кого этого нет. Все существующие компании строились не под современные ИИ-технологии. Поэтому прежде, чем внедрять большие языковые модели в работу компании, важно «созреть» для работы с ИИ, а потом уже выбирать, какую именно модель использовать.
В прессе часто пишут, что ИИ в скором времени заменит людей на некоторых позициях. Каково твое мнение?
Думаю, сам вопрос поставлен неправильно. ИИ заменяет не людей, а задачи. Поэтому потеряет работу не человек в профессии Х, а конкретный человек, который не смог адаптироваться, — тот, чья работа целиком состояла из шаблонных задач, и кто не захотел учиться новому. На мой взгляд, в 2026 году профессия больше не защищает вас, вас защищает адаптивность.
Честно говоря, молодым специалистам сейчас хуже всех. Задачи, на которых раньше рос новичок, автоматизируются первыми. Найм молодых в ИИ-уязвимых профессиях уже сокращается, при этом опытные специалисты востребованы как и раньше. Планка входа в индустрию поднялась. Начинающим специалистам надо целиться сразу выше нее: не «делать быстрее других», а «решать то, что не решается дефолтными методами».
Работы меньше не станет. Станет меньше людей, которые делают ее по-старому.
Как изменится профессия менеджера продукта к 2030 году?
Всю работу продуктовой команды я делю на два типа. Первый — механический: дизайнер понял, что рисовать, и нарисовал; бэкенд-разработчик понял, как реализовать функцию, и написал код, и так далее. Второй — работа с продуктом. Здесь важно понять не только «что делать», но и «зачем». Модели еще долго не смогут принимать решения не потому, что они глупее, а из‑за недостатка контекста и инфраструктуры.
Мой прогноз: роли будут соединяться, а границы между ними — стираться. Называть это можно по-разному — разработчик ИИ-продуктов (AI product builder) или продакт-инженер. Смысл в том, что один человек с моделями делает то, на что раньше требовались усилия десяти специалистов: исследование, прототип, код, запуск. При этом занять эту роль сможет любой из сегодняшней команды — менеджер продукта, который глубоко освоил разработку; инженер, погрузившийся в бизнес; дизайнер, добравший все необходимые навыки, и так далее. В выигрыше останется тот, кто адаптируется быстрее.
Что точно не потеряет своей ценности — это дистрибуция. Создание продукта становится рутиной, а вот сделать так, чтобы о нем узнали и его купили — по-прежнему задача повышенной сложности. Продукт можно скопировать за месяц, репутацию — нет.
Какие критерии выбора магистратуры актуальны сегодня, на что обратить внимание абитуриентам?
Технологии развиваются так быстро, что все самое актуальное сегодня, вероятно, будет забыто к моменту вашего выпуска из вуза. Поэтому при выборе магистратуры я советую обратить внимание на три важных критерия:
- Выбирайте фундаментальные науки: экономика, математика, физика. Они развивают навыки мышления, которые точно будут востребованы в быстроменяющемся мире. Все остальное можно доучить потом.
- Поступайте туда, где будет очень сложно. Туда, где будет много домашек и дедлайнов. Туда, где вы будете мало спать и много учиться. Пройдя через такую магистратуру, вы научитесь много и интенсивно работать. Думаю, это необходимый навык.
- Отдавайте предпочтение программам, на которые тяжело поступить даже на коммерческой основе. Оценивайте успехи выпускников и их карьеры. Люди и связи — это ваше главное конкурентное преимущество на рынке.
Когда я поступал РЭШ, я был самым слабым человеком в аудитории: меня окружали будущие аспиранты Гарварда, а я учил матан с нуля после карьеры в консалтинге. Было больно, но это лучшее, что со мной случалось. Потому что эффект окружения (peer effects) в образовании огромный. Случайно назначенный сосед по комнате влияет на ваше будущее больше, чем хороший преподаватель. Окружение буквально создает тебя. Когда ты самый умный в комнате, ты не растешь.
Если бы ты сейчас поступал в магистратуру РЭШ, какую программу выбрал бы и почему?
Думаю, МАЭ до сих пор подходит мне по всем трем пунктам! Это фундаментальная программа, обучение на которой очень тяжело и интенсивно. Именно на МАЭ я познакомился с замечательными людьми.
Ты читаешь лекции о создании продуктов на основе машинного обучения. Чему учишь в первую очередь?
В центре курса полный путь продукта: от первой гипотезы до продажи. Я уделяю особое внимание структуре, чтобы у слушателей сформировалась система и готовый набор инструментов для работы. При этом обучение проходит по методологии, которая работает у нас в компании. Мы объясняем все на реальных кейсах, много и честно говорим про ошибки и неудачи.
Продакт‑менеджеров много, но тех, кто действительно умеет делать ИИ‑продукты, — крайне мало. Это новая область, и системного обучения почти нет. Мы же создаем такие продукты каждый день и решили передать свой опыт всем желающим.
Что почитать, чтобы разбираться в ИИ?
Мой список рекомендаций такой:
1) Три фундаментальные статьи:
- Attention Is All You Need (Vaswani et al., 2017)
- Scaling Laws for Neural Language Models (Kaplan et al., 2020)
- InstructGPT: "Training Language Models to Follow Instructions with Human Feedback" (Ouyang et al., 2022).
2) Rich Sutton, The Bitter Lesson. Две страницы, которые объясняют 70 лет истории развития ИИ.
3) Andrej Karpathy, Neural Networks: Zero to Hero. Бесплатный курс, в котором вы соберете GPT своими руками с нуля.
Это база. Для развития интуиции также рекомендую серию видео о нейросетях от канала 3Blue1Brown.
*На момент взятия интервью Даниэль занимал должность руководителя ИИ-продуктов в Т-Банке. Ранее Даниэль подробно рассказал о своем обучении в РЭШ и его влиянии на свою карьеру.