ИИ-помощник как основной инструмент поддержки операционистов

В банковском секторе клиентский опыт — конкурентное преимущество. Клиенты ожидают быстрое и качественное обслуживание, а сотрудники — удобные инструменты для эффективной работы. Однако из-за большого объема информации операционисты сталкиваются с трудностями в поиске актуальных данных, что может замедлять обслуживание и снижать уровень удовлетворенности клиентов.

Наш проект решает эти проблемы и оказывает комплексное влияние на банк:

1. Улучшает клиентский опыт.

2. Повышает эффективность работы сотрудников.

3. Внедряет инновационное управление бизнес-процессами.

Конечная цель – создание современного, технологичного и клиентоориентированного подхода в банковском обслуживании, где сотрудники обладают эффективными инструментами взаимодействия с клиентами, а банк получает конкурентное преимущество через цифровизацию внутренних процессов. Реализация проекта позволяет сократить время поиска информации и повысить удовлетворенность клиентов, а также снизить нагрузку на сотрудников поддержки.

2025

Наш проект демонстрирует значительные улучшения в работе сотрудников и качестве клиентского сервиса:

1. Рост автоматизации в чат-боте с 70% до 90%

2. Сокращение времени обработки клиентских запросов в 1,5 раза, что уменьшает очереди в отделениях.

3. Сокращение времени на поиск информации в 9 раз – сотрудники получают нужные данные мгновенно, без необходимости вручную искать их в разрозненных системах.

4. Снижение нагрузки на службу методологической поддержки на 80% — большая часть запросов решается автоматически, без привлечения экспертов.

5. Повышение качества клиентского обслуживания – сотрудники быстрее и увереннее отвечают на запросы клиентов.

В 2025 года тиражирование интеллектуального чат-бота на всю сеть отделений дало банку эффект в размере 75 млн рублей за счет сокращения времени поиска информации и оптимизации нагрузки на сотрудников. К 2030 году ожидаемая экономия составит 450 млн рублей, что будет достигнуто за счет еще большей автоматизации.

Чат-бот для операционистов представляет собой комплексную систему, включающую:

1. Чат-бот-платформу — доступна сотрудникам отделений через их рабочие места.

2. Фронт-офисное приложение — интегрировано с чат-ботом, обеспечивает удобный доступ к информации.

3. RAG-сервис — интеллектуальный поисково-генеративный модуль, который позволяет языковой модели (LLM):

• извлекать актуальные данные в режиме реального времени;

• преобразовывать информацию в машиночитаемый вид (семантические блоки, векторная база данных);

• генерировать точные и контекстно релевантные ответы для сотрудников отделений.

В проекте не используются решения из каталога Global CIO

Внедрение генеративного ИИ в бизнес-процессы всегда сопровождается сложностями, связанными с масштабом данных и с динамикой обновления информации. Любая ошибка влияет на качество обслуживания, доверие клиентов и репутацию банка.

Перед нами стояли вызовы:

1. Необходимость работать с разнородными источниками данных, которые постоянно обновляются. И при этом обеспечивать мгновенную актуализацию знаний.

2. Галлюцинирование модели. Нам важно балансировать между генеративными возможностями LLM и строгими требованиями к проверке информации.

3. Разная интерпретация сотрудниками пользовательских запросов. Модель должна уметь распознавать запросы, корректно интерпретировать их и при этом возвращать точный и релевантный ответ.

Таким образом, ключевая сложность заключалась в необходимости обеспечить одновременно высокую точность, актуальность, интерпретируемость и устойчивость модели, сохранив при этом гибкость и способность к обучению на новых данных.

Идея создания интеллектуального чат-бота родилась из потребностей бизнеса и ежедневных вызовов, с которыми сталкиваются сотрудники отделений банка. Все началось с анализа обратной связи от операционистов и службы поддержки, где было очевидно: сотрудники тратят слишком много времени на поиск информации по регламентам, тарифам и другим вопросам, а ответы от службы методологической поддержки занимали часы.

Мы осознали, что традиционные решения, такие как статичные базы знаний или поисковые системы, уже не отвечают потребностям быстро меняющейся среды. Нужен был инструмент, который мог бы в режиме реального времени анализировать запрос, извлекать релевантную информацию из огромного массива данных и предоставлять четкий, точный и проверенный ответ.

Так родилась идея внедрения чат-бота с технологией RAG (Retrieval-Augmented Generation), которая позволяет объединить мощность языковой модели с доступом к корпоративной базе знаний. Чат-бот анализирует запросы сотрудников, извлекает релевантные данные из корпоративных источников и предоставляет оптимальный ответ в режиме реального времени. Технологии RAG и LLM обеспечивают:

✔ Точность и полноту ответов — динамическая генерация ответов на основе актуальной базы знаний.

✔ Адаптивность — для ответа используются только проверенные данные с учетом обновления базы знаний.

✔ Оперативность — мгновенное доступ к данным, без необходимости долгого поиска информации в базе знаний.

Мы начали с разработки чат-бота на основе правил и сценариев обслуживания. Это был первый этап – понять, насколько полезен инструмент:

• Разработали более 1000 сценариев.

• 70% запросов закрываются чат-ботом.

• 95% удовлетворенности пользователей ответами чат-бота.

• Обрабатываем около 30 тысяч обращений в месяц.

Здесь мы уже сняли риски с дорогого решения, которое могло оказаться невостребованным, если бы сразу пошли в историю с ИИ. А также у нас появилась актуальная база реальных вопросов в чат-бот, которая в дальнейшем использовалась для работы с качеством ответов модели.

Следующий этап — пилот с генеративным ИИ. На этом этапе важно было оценить:

• Метрики работы сервиса: качество и скорость ответов модели.

• Структура базы и ее наполнение: как и в каком виде хранится информация, подходит ли контент для генерации ответов на запросы сотрудников.

На этапе пилота модель показала хорошие результаты: скорость ответа составила 9 сек, что даже превышало ожидания проекта, а качество ответов модели было на уровне 80%. Это высокий показатель, однако в пилоте удалось выявить и проработать слабые места и достигнуть результата в 90%.

Последним этапом стало тиражирование решения на все отделения банка. Дальше проект будет развиваться в направлении гиперперсонализации клиентского сервиса за счет использования данных о клиенте. Следующий шаг — интеграция клиентских данных в логику работы чат-бота. Возраст, трудовой стаж, пакет услуг, информация о продуктах позволят интеллектуальному помощнику предоставлять более точные, релевантные ответы.

Все регионы Российской Федерации