Alfa-Bank théorise le « vibe leadership » : comment l'IA a absorbé la routine et accéléré la croissance de la plateforme A-Token

Andreï Kalinine, dirigeant d'Alfa-Bank, explique comment l'IA interne AlfaGen a transformé le travail des équipes de la plateforme A-Token. Selon lui, l'automatisation de la documentation a supprimé une partie de la charge manuelle, accéléré les processus et libéré les responsables produit pour l'architecture, la stratégie et le passage à l'échelle de l'activité.

De la routine au pilotage

Kalinine associe ce changement à ce qu'il appelle le « vibe leadership ». L'enjeu n'est pas une étiquette à la mode, mais une réallocation du temps du manager : moins d'heures passées à assembler mécaniquement des documents, à gérer les validations et à reformuler les mêmes choses, davantage consacrées aux décisions qui font avancer le produit. Dans une fintech soumise à de fortes contraintes réglementaires et techniques, c'est crucial : la documentation n'y est pas un artefact secondaire, mais une composante de la chaîne de production.

Chez A-Token, l'effet ne s'est pas limité au confort de travail. L'équipe a lancé de zéro une plateforme d'actifs financiers numériques, puis est passée de 7 à plus de 180 salariés IT et, selon Kalinine, a conquis 50 % du marché russe des actifs financiers numériques (CFA). À cette échelle, la moindre tâche routinière, multipliée par des dizaines de personnes et de processus, devient vite un frein coûteux pour l'activité. Et plus le dispositif est complexe, plus les cycles de validation superflus coûtent cher.

Ce que fait AlfaGen

Le principal cas d'usage concret : la génération et la maintenance de la documentation technique en AsciiDoc. D'après l'auteur, l'IA interne a permis de produire de gros volumes de documents, d'économiser des millions de roubles et de réduire le temps consacré d'environ 20–25 %.

Pour les équipes produit et ingénierie, une partie du travail peut désormais passer d'un mode manuel à un processus semi-automatisé et maîtrisé. En particulier lorsque les documents vivent aux côtés du code, des releases et des règlements internes.

• Préparation de brouillons de documentation technique en AsciiDoc
• Mise à jour rapide des spécifications existantes
• Harmonisation de la structure et du langage des documents entre les équipes
• Réduction de la charge manuelle des product managers, analystes et tech leads
• Lancement accéléré de nouveaux artefacts internes

« L'IA prend en charge la routine, et vous vous occupez de

l'architecture, de la stratégie et de ce qui rapporte de l'argent. »

Cette formule ne vaut pas que pour le travail sur les textes. Quand la documentation cesse d'être un goulot d'étranglement, les validations, l'onboarding des nouveaux collaborateurs et la transmission du contexte entre produit, développement et métier s'accélèrent. Dans ce schéma, l'IA n'agit pas comme un manager autonome, mais comme un outil qui décharge les spécialistes les plus coûteux. Le contrôle qualité des décisions s'en trouve lui aussi accéléré. Le coût des erreurs de communication diminue également.

Passer à l'échelle sans surcharge

L'intérêt du cas A-Token tient au fait qu'il ne s'agit pas d'une expérimentation menée sur une petite équipe, mais d'une activité fintech mature, avec des exigences strictes en matière de qualité et de vitesse. Quand une organisation passe de quelques personnes à plusieurs centaines, la gestion des connaissances devient un problème à part entière : il faut formaliser les règles, diffuser rapidement les changements et ne pas perdre les décisions dans les chats et les visioconférences. Dans un tel environnement, l'IA ne fait pas seulement gagner des heures : elle réduit aussi le chaos.

La thèse de Kalinine va toutefois au-delà d'un simple « rédigeons nos documents avec un réseau de neurones ». Il évoque un changement du rôle même du responsable produit. Autrefois, un bon manager était souvent celui qui portait personnellement les textes, les spécifications et la formalisation ; désormais, sa valeur se déplace vers la pensée systémique : où va la plateforme, quelles contraintes sont critiques, où faut-il un nouveau service et où faut-il renoncer à une complexité inutile. Pour la fintech russe, c'est aussi le signe d'une maturité croissante des outils d'IA internes, intégrés aux opérations quotidiennes là où l'erreur coûte cher.

Ce que cela signifie

L'approche décrite par Alfa-Bank montre une chose simple : le prochain gain de l'IA en entreprise ne viendra pas de démos spectaculaires, mais de la suppression de la routine pour ceux qui prennent les décisions clés. Si ce modèle s'installe, les responsables produit rédigeront de moins en moins à la main et piloteront de plus en plus l'architecture, les priorités et la croissance de l'activité. C'est là que banques et grandes plateformes trouvent un scénario de déploiement des modèles concret, et non décoratif.