Обычно банковские чат-боты определяют категорию обращения и выбирают готовый ответ. Однако пользователи могут задавать одинаковые вопросы разными словами, а разработка и поддержка сценариев требуют дополнительных ресурсов. В отличие от этого подхода, внедренная в ОТП Банке система анализирует вопрос и контекст, подбирает актуальные факты, и языковая модель составляет на их основе ответ. При обновлении правил базу знаний можно актуализировать без донастройки модели для каждого изменения.

Каждый ответ ИИ анализирует по стандартам Tone of Voice Банка: язык, орфографию, пунктуацию, отсутствие канцеляризмов. Модель корректно обращается к клиенту по имени и дополняет диалог необходимыми блоками: инструкциями, сообщениями об ожидании ответа и правилами безопасности. Так банк сохраняет единые принципы коммуникации во всех чатах, что повышает лояльность клиентов.

При оценке системы специалисты Банка по ИИ проверяют, насколько точную и актуальную информацию механизм находит и насколько полезны ответы для клиентов. Внедренный LLM Бот превращает неструктурированный текст в понятную информацию, упорядоченные данные и сам запускает нужные процессы. По мере внедрения решения доля успешно обработанных запросов пользователей в ОТП банке выросла на 9,5%, точность предсказания обращений — на 7%, уровень автоматизации обращений в чат-поддержку — на 6%, а удовлетворенность клиентов — на 4%. При этом операционные расходы на поддержку клиентов снизились на 11%.

"Для банка важно не только предлагать клиентам продукты, но и обеспечивать качественное обслуживание в цифровых каналах. Поэтому мы проверяем работу инструмента на трех уровнях: насколько точно оно находит нужную информацию, насколько точно формирует ответ и помогает ли клиенту решить вопрос. Такой подход облегчает обработку запросов, выходящих за рамки заранее заданных сценариев", — отмечает Антон Гусев.