Языковые модели для банков
Контроль качества звонков, корпоративные базы знаний, мониторинг рисков и комплаенс, персонализация. На российском стеке (GigaChat, YandexGPT, открытые модели), с хранением персональных данных в России по 152-ФЗ.
Зачем внедрять решения на базе LLM?
У банка две противоположные тревоги. Первая тревога в том, чтобы не отстать. Крупные банки уже внедряют языковые модели в контакт-центрах, мониторинге рисков и разработке. Догонять хочется, но своей команды под такие проекты у банка обычно нет. Вторая тревога в том, чтобы не оказаться первопроходцем, который набивает шишки на ошибках первых внедрений. Отвечать за неудачный проект на новой технологии не хочет ни один руководитель.
Между этими тревогами есть рабочий путь. Это значит двигаться по задаче, которую уже прошли другие банки, с понятным результатом. Такой путь подходит банку, у которого поток звонков и документов уже такой, что ручная обработка не справляется, но еще не такой, чтобы держать под ИИ собственную команду.
Проверять качество всех звонков вместо 2–5% и подсказывать оператору ответ во время разговора
Контакт-центр банка обрабатывает от 3 000 звонков в сутки. Ручная проверка качества покрывает только 2–5% разговоров. Это значит, что остальные 95–98% остаются без проверки, и нарушения скриптов, жалобы и упущенные продажи в них легко пропустить. Операторы обычно тратят 2–4 минуты после каждого звонка на заполнение карточки клиента в системе управления клиентами (CRM), а менеджеры не получают подсказок во время разговора и поэтому могут упускать дополнительные продажи.
Поверх телефонии банка строим три слоя на языковых моделях. Первый слой подсказывает оператору ответ в реальном времени. Второй слой делает автоматическое резюме звонка, которое сразу заполняет карточку клиента. Третий слой ведет речевую аналитику и проверяет по чек-листу все 100% разговоров без участия супервизора.
Московский кредитный банк с ЦРТ (2021–2024) поднял покрытие контролем качества с 2% до 78% звонков, решение вопроса с первого обращения до 82,5%, продажи на 15%. ОТП Банк на платформе Naumen (2023–2026) снизил долю жалоб в Центробанк на 25%. Альфа-Банк (2020) поднял продажи на 9–12% при 100% контроле качества.
Пилот 8–12 недель, начинаем с речевой аналитики и контроля качества. Измеряем покрытие контролем качества, время на заполнение карточки, долю вопросов, решенных с первого обращения, долю звонков с дополнительной продажей.
От 500 звонков в сутки.
Смотрите также в разделе Автономные агенты: услугу «ИИ-агент клиентского сервиса, который сам выполняет действие».
Сотрудник спрашивает простым языком и получает ответ со ссылкой на пункт регламента вместо звонка методологу
Специалисты продаж, операторы и новые сотрудники ищут актуальные условия продуктов, тарифы, кадровые политики и регламенты. Они звонят в кадровую службу или методологам, потому что поиск в документообороте не отвечает на вопрос. При штате 1 000–20 000 человек это перегружает поддержку. Кадровый менеджер тратит до 30% времени на одни и те же вопросы.
Справочная система на языковой модели поверх документов банка. Сотрудник задает вопрос на естественном языке и получает ответ со ссылкой на конкретный пункт. Начинаем с наименее чувствительных документов, без данных клиентов. Если банк активно нанимает, эта же справочная система работает как инструмент быстрой адаптации новых сотрудников. С первого дня новичок сам находит ответы по продуктам, тарифам и кадровым политикам, а не отвлекает наставника и кадровую службу, и быстрее выходит на рабочий темп.
Совкомбанк с ассистентом «Сова» (2024–2025) закрывает 99% типовых запросов сотрудников, экономит около 310 тысяч часов в год, им ежедневно пользуются более 80% сотрудников.
Пилот 6–12 недель, один домен, до 500 документов. Измеряем долю ответов с корректной ссылкой на источник, цель от 70%.
От 50 документов, от 10 специалистов-пользователей и ответственный за поддержку базы.
Смотрите также в разделе Автономные агенты: услугу «Мультиагентная автоматизация сложных внутренних процессов».
Смотрите также в разделе Автономные агенты: услугу «ИИ-агенты для работы с устаревшими системами и порталами».
Языковая модель объясняет срабатывание антифрода и готовит черновик уведомления регулятору, а аналитик работает только с приоритетными случаями
Антифрод-подразделение генерирует тысячи сигналов в день, и большинство из них ложные срабатывания. Система находит аномалию, но объяснение, приоритет и черновик отчета аналитик пишет сам, тратя 30–90 минут на сложный случай. Ручной мониторинг контрагентов охватывает только 5–10% портфеля в квартал.
Поверх существующего риск- и комплаенс-стека добавляем слой на языковой модели, который дает объяснение, приоритет и черновик уведомления регулятору. Есть два направления. Первое — это антифрод и противодействие отмыванию, второе — это мониторинг контрагентов, с него рекомендуем начинать. Решение и подпись остаются за человеком.
Мониторинг контрагентов. Альфа-Банк (2026) проводит 65% корпоративных сделок с ИИ, сокращает время решения примерно до 45 минут. Само обнаружение мошенничества работает на машинном обучении, а языковая модель добавляет объяснение и приоритизацию. LLM-слой как отдельный продукт — это формирующаяся практика.
Пилот 8–16 недель, начинаем с мониторинга контрагентов. Измеряем среднее время на случай (цель минус 30–50%) и долю портфеля под наблюдением.
Корпоративный портфель от 50 юрлиц и сотрудник, подписывающий решение.
Смотрите также в разделе Автономные агенты: услугу «ИИ-агент для андеррайтинга».
Смотрите также в разделе Автономные агенты: услугу «ИИ-агент антифрода и противодействия отмыванию денег».
Письмо клиенту с предложением под его ситуацию вместо обезличенной рассылки, а еще помощник, отвечающий на вопросы к отчетности
Банк рассылает предложения всей базе («у вас есть предодобренный кредит»), отклик 1–2%, усталость клиентов нарастает. Управленческая отчетность готовится один-два дня. После ухода зарубежных систем появилась возможность встроить ИИ прямо в новую платформу отчетности.
Две задачи на общей инфраструктуре. Первая задача — это персонализация, индивидуальный текст под сегмент и событие. Вторая задача — это помощник по отчетности, он отвечает на вопрос к управленческим данным на естественном языке. Где достаточно классического машинного обучения (прогноз оттока), языковую модель не подключаем.
Альфа-Банк (2026) с генеративными текстами поднял конверсию на 16%, это персонализация. Помощник по отчетности для банков среднего размера проверен публичными кейсами частично.
Два пилота по 8–14 недель. У персонализации измеряем рост конверсии рассылки (от 5%). У аналитики измеряем долю критичных сигналов, дошедших до ответственного за сутки (от 80%).
От 50 тысяч активных клиентов, данные о поведении клиентов, ответственный сотрудник.
Смотрите также в разделе Автономные агенты: услугу «ИИ-агент исходящих продаж».
Применений языковых моделей в российском бизнесе для банков
Полный каталог юзкейсов для банков с описанием проблемы, устройства решения, ожидаемого результата и примеров внедрений в России — по запросу.