Россельхозбанк: RAG-сервис «ИИ Советникъ» для сотрудников, эффект 1,4 млрд руб. в год

Россельхозбанк строит платформу RAISA — единую систему продвинутой аналитики и MLOps полного цикла. Главная задача платформы, по описанию банка, — внедрить ИИ-инструменты в повседневную работу сотрудников банка и организаций группы при полном соблюдении требований безопасности и конфиденциальности. Генеративный ИИ банк называет одним из приоритетных направлений развития RAISA: сценарии больших языковых моделей и поисковой дополненной генерации (RAG) выделены в отдельную линию. Для неё сформирована команда, развёртываются GPU-кластеры, организовано S3-хранилище для документов и выстраивается LLMOps — управление жизненным циклом LLM-моделей в контуре банка.

Ключевой проект этого направления — сервис «ИИ Советникъ». Он объединяет LLM Market, через который сотрудники получают доступ к внутренним моделям банка, и прикладные бизнес-задачи. Банк развивает три направления. «Умный» поиск — контекстный поиск по базам знаний, внутренним нормативным документам, отчётам и инструкциям, в том числе поиск поручений по протоколам заседаний, распоряжениям и резолюциям с контролем исполнения. Работа с документами — генерация типовых документов по шаблонам, сравнение документов на противоречия, сверка с актуальными версиями нормативных актов и суммаризация больших текстов. Кодогенерация — помощь разработчикам, аналитикам и тестировщикам в написании и комментировании кода и генерации документации.

Сервис работает на платформе RAISA, которую банк собрал в изолированном контуре на open source и отечественных компонентах; RAISA интегрирована с корпоративным Lakehouse банка на базе Arenadata Hyperwave и Picodata. По словам руководителя Лаборатории искусственного интеллекта Департамента больших данных РСХБ Даниила Потапова, наибольшую практическую пользу сотрудникам дают RAG-сценарии «ИИ Советникъ», а общий эффект от внедрения сервиса банк оценивает в 1,4 млрд рублей в год. На апрель 2026 года платформу RAISA используют более 3 тыс. сотрудников банка и организаций группы. Генеративные модели также применяются для онбординга новых сотрудников в мобильном приложении и для создания SQL-запросов и отчётов в аналитическом контуре.