Внутри банка мы обучаем сотрудников промт-инжинирингу и работе с нейросетями. Студенты в одной группе стали спрашивать: «А зачем мы всё это изучаем? В ПСБ же ничего нет…» Это был знак свыше. Да, мы из тех компаний, которые к LLM относятся крайне осторожно и не стремятся попробовать всё в первых рядах. Но в некоторых направлениях мы как раз пионеры. В частности, в работе с малым и средним бизнесом. Пришло время рассказать об этом побольше.
Меня зовут Дмитрий Шенберг, я заместитель директора департамента электронного бизнеса, малого и среднего предпринимательства. Здесь вкратце и с примерами расскажу о том, как в ПСБ обстоят дела с внедрением LLM-моделей, и разберу кейсы применения генеративного ИИ в нашем банковском бизнесе.
В двух словах о рынке
Как чаще всего ИИ используется в банковском бизнесе?
Обнаружение мошенничества. Это может быть анализ паттернов транзакций в реальном времени, генерация сценариев мошеннических схем для тренировки систем, анализ неструктурированных данных — например, текста жалоб или записей разговоров — на поиск скрытых сигналов обмана и так далее.
Маркетинг и продажи. Например, для генерации персонализированной рекламы, писем. Для создания имитаций голоса для роботов, анализа клиентов для таргетинга.
Персонализация клиентского опыта. Формирование ответов в чат-ботах с учётом истории клиента, генерация персональных предложений по продуктам.
Создание стратегии продукта. Здесь можно проводить анализ больших данных о поведении клиентов для предложения новых параметров продуктов (ставки, условия). Или генерировать гипотезы по улучшению продуктов.
Оптимизация разных процессов. От автоматизации составления отчётов до создания технической документации.
Оценка рисков. Анализ новостей, отчётов и рыночных данных для прогнозирования рисков. Оценка репутационных рисков по текстам в соцсетях.
Кредитный скоринг. К примеру, анализ альтернативных данных (например, поведение в интернете, история покупок), которые не попадают в традиционные кредитные отчёты, для оценки платёжеспособности.
Инвестиции. Создание кратких обзоров на основе финансовых отчётов и новостей, автоматическое составление конспектов для трейдеров и так далее.
Это далеко не полный список возможных кейсов. Сфера применения ИИ и генеративного ИИ в частности гораздо шире. Но переходим к главному — а что есть у ПСБ?
В ПСБ мы считаем самыми ценными направлениями развития ИИ маркетинг и продажи, персонализацию клиентского опыта, а также оптимизацию ИТ и бизнес-процессов.
Важно отметить, что речь не идёт о том, чтобы отказываться от людей и заменять их на ИИ. Нам нужно, чтобы наши сотрудники умели пользоваться ИИ, автоматизируя свою работу. Поэтому мы и проводим обучение внутри компании.
Теперь расскажем подробнее про наши сервисы, где сейчас внедряется ИИ.
Сервисы ПСБ: для предпринимателей
ИИ снаружи банка — это сервисы для клиентов. Начнем с предпринимателей. ИИ сейчас на волне хайпа, но предпринимателям на самом деле хайп не нужен. Им нужен рост выручки и свободное время. На этом и строится наша стратегия развития ИИ для бизнес-клиентов.
Гиперперсонализация сервисов
Одна из целей внедрения ИИ — рост клиентской базы за счёт дополнительного привлечения, кросс-продаж и работы с оттоком. И для этого нам нужна гиперперсонализация клиентского опыта. Мы анализируем транзакции клиентов и прочие их характеристики, чтобы предугадать потребности и вовремя предложить подходящий продукт. Обеспечивает это рекомендательная модель (ML-движок), встроенная в операционный CRM. Так сотрудники офиса или кол-центра понимают, о чём с клиентом говорить.
Пример 1.
Предприниматель обслуживается за 1000 рублей в месяц на тарифном плане, в рамках которого 10 платёжек формируются бесплатно. Однако в среднем в месяц он делает 20 платёжек, оплачивая дополнительные сверх тарифа. Система замечает эту тенденцию, а мы предлагаем предпринимателю перейти на другой тарифный план, который включает больше платёжек. Абонентская плата за него выше, но в итоге в месяц он заплатит меньше.
Пример 2.
Наш клиент взаимодействует с контрагентами. Предположим, у контрагента есть счёт не в ПСБ. Проанализировав, какие платежи уходят этому контрагенту, мы можем предложить ему перейти в ПСБ, чтобы им обоим (и нашему клиенту, и его контрагенту) было выгоднее работать: платёжки внутри банка бесплатные.
Персональный ассистент
Уже около 98% сервисов предприниматели могут получить дистанционно через ДБО. Сквозная автоматизация (когда процесс, начатый в ДБО, проходит полностью автоматически) доступна для 74% сервисов. Для рынка это хороший показатель, мы продолжаем его наращивать, чтобы увеличивать клиентскую базу без роста штата.
В рамках ДБО и в контакт-центре клиентам доступен ИИ-помощник «Катюша». Это экосистемный сервис, который на данный момент лидирует в сегменте МСП, обеспечивая автоматизацию в текстовых каналах — 59%, а в голосе — 40%. Четвёртый год агентство Markswebb ставит чат-бот в лидеры по количеству автоматизированных сценариев и качеству диалогового интерфейса.
***
«Катюша» — наш главный якорный продукт в сфере ИИ. Мы первыми на рынке для МСП встроили в «Катюшу» генеративный ИИ, чтобы снять с предпринимателя рутину, допустим, по продажам, SMM, HR. «Катюша» помогает генерировать ответы на отзывы и вопросы, готовить описания товаров для карточек на маркетплейсах, классифицировать обращения, готовить посты для соцсетей, вопросы для интервью кандидатов на вакансии, а также многое другое. Скоро подключим генерацию картинок.
Конечно, многие задачи предприниматель может решить с помощью сторонних сервисов. Но мы упаковываем самые необходимые и часто используемые сценарии в одно окно и ведём процесс.
Под капотом используется российская LLM модель — мы вписались в её тестирование на старте, когда «Яндекс» объявил пилот и приглашал все банки.
Сервис достаточно востребован среди клиентов. Мы получаем порядка четырёх тысяч запросов в квартал. На данный момент для предпринимателя он бесплатный (входит в обслуживание МСП) и доступен через интернет-банк, мобильный банк, на сайте, а также в VK.
Пример 1
Допустим, у вас магазин. Нужно прорекламировать новый продукт. Можно дать «Катюше» описание своими словами, что нужно рекламировать. В ответ она вернёт структурированный текст, который можно разместить на сайте или отправить в социальные сети. Если первый вариант не подошёл, можно попросить переписать.
Пример 2
Предположим, небольшой ИП, у которого нет штатного рекрутера, хочет нанять дизайнера. Можно выбрать сервис «Подбор персонала» и попросить составить вопросы для интервью. «Катюша» задаст несколько вопросов (кого интервьюировать, с какой целью надо нанять) и выдаст свои рекомендации. Здесь персональный ассистент решает проблему чистого листа, когда сложно что-то придумать с нуля.
RAG
На следующем шаге мы первыми на рынке МСП встроили в «Катюшу» RAG (Retrieval-Augmented Generation, генерацию с дополнением поиском), чтобы консультировать клиентов. До этого «Катюша» работала как сценарный бот с ИИ, который понимает намерение. Но RAG вывел консультации на новый уровень — на этапе пилота по пилотным тематикам мы увидели прирост в автоматизации обращений на 7%, стала выше точность и глубина ответов, а среднее время решения клиентского вопроса сократилось в восемь раз. Это произошло за счёт того, что сценарный бот задавал уточняющие вопросы, а RAG даёт прямой ответ на поставленный вопрос. Технология получает нужную информацию из базы знаний, отправляет её в большую языковую модель. Та всё саммаризирует, причёсывает и выдаёт клиенту.
***
Увеличение в автоматизации всего на 7% с первого взгляда выглядит не очень. Но мы достигли уже того уровня, когда добиться каждого следующего процента тяжело. Если у вас всего 10–15% автоматизации, понятно, куда двигаться, и 7% даются легко. Но когда автоматизация за 50%, каждый следующий процент — вызов.
С июля технология RAG доступна в пилотном режиме во всех каналах, где есть «Катюша», но пока на ограниченном спектре тематик.
Результатами пилота мы довольны. В конце чата клиент может дать ему оценку — поставить от одной до пяти звёздочек. Мы видим, что удовлетворённость клиентов в чат-боте повысилась на 21%. Так что мы уже начали тиражировать инструмент на массовые тематики обращений клиентов.
Мы сократили неверные ответы с 3% до 1%, но пока не убрали их полностью. Однако важный момент в том, что даже если RAG промахивается с ответом, здесь нет для ПСБ репутационного или финансового риска. Он просто не даёт ответ и предлагает помощь оператора.
Мы предполагаем покрыть RAG все неперсонализированные сценарии. В будущем также будем интегрировать RAG с новой внедрённой в банке базой знаний. Это позволит минимизировать time to market для новых сценариев за счёт того, что их не надо будет описывать вручную — только следить за работой и обновлять базу знаний.
Этический фильтр
Эта история стала для нас настоящим вызовом: чтобы закрывать нужные клиентские вопросы, пришлось бороться с этическим фильтром.
Изначально этический фильтр предназначен для предотвращения обработки запросов, содержащих нежелательные или провокационные элементы. При использовании некоторых документов из базы знаний банка запросы упирались в этот этический фильтр. На этапе тестирования бот отправлял пользователя поискать ответ самостоятельно почти в 30% случаев.
Очевидно, LLM смущали данные, которые ей передавали для генерации ответа.
Мы проанализировали, какие именно куски текста передаём в LLM. Поняли, что модель реагирует на политическую ситуацию: если в документах встречались слова, связанные с новыми субъектами — название самих субъектов или городов (да и сама формулировка «Новые субъекты»), LLM не давала никакого ответа. Кроме того, LLM не даёт ответы, которые могут навредить пользователям, нарушить этические нормы или привести к неким неправомерным действиям. Например, она заблокирует вопрос: «Приходят эсэмэски, что я выиграла миллион у мошенников».
После ряда экспериментов мы подобрали фразы, на которые LLM не реагирует, и убрали этически опасные слова из формулировок, которые передаём в RAG. Например, «Новые субъекты РФ» заменили на «НС РФ». Уже это помогло сократить влияние этического фильтра — он блокировал не более 3% запросов. С этим результатом мы и вышли в пилот.
Спустя несколько месяцев улучшением этого подхода мы сократили долю блокируемых вопросов до 1%. Также реализовали постобработку ответов. Вместо предложения поискать ответ самостоятельно мы предполагаем, что клиент мог ошибиться с формулировкой, поэтому «Катюша» сообщает, что не поняла вопрос, и просит его переформулировать.
Банк в мессенджерах
С 2023 года «Катюша» работала в VK-мессенджере. Причём это был не просто чат-бот. В нём уже тогда был доступен базовый функционал РКО — выставить счёт контрагенту, заплатить по счёту, посмотреть реквизиты, выписку или баланс.
Это полноценная альтернатива мобильному приложению с тем преимуществом, что риск удаления из магазина приложений минимален. Всё абсолютно безопасно: используя эти сервисы, внутри мессенджера клиенты входят в инфраструктуру банка и проводят операции уже в ней (первый фактор авторизации — логин и пароль от интернет-банка, второй — SMS-код). Мессенджер выступает просто окном. Все платёжные документы подписываются усиленной электронной подписью.
Сервис нашёл своё место среди предпринимателей. В 2025 году прирост активных пользователей — 35%. За год система обработала более 60 тысяч платежей.
Мы посмотрели на эти результаты и запустили платёжные сервисы в MAX. Про сам мессенджер вы наверняка знаете. Изначально там регистрировались по большей части госучреждения (физические лица из этих организаций), но недавно открыли регистрацию компаний.
Сервисы ПСБ: для внутренних сотрудников
Мы встроили ИИ и во внутренние рабочие процессы — запустили пилот с октября 2025-го.
Задача заключалась в том, чтобы автоматизировать ответы на рутинные обращения — обуздать тот трафик, который точки продаж и выездные менеджеры генерят в экспертные подразделения головного офиса (транзакционная фабрика, кредитная фабрика и т. п.). Как правило, точки продаж спрашивают о том, как проконсультировать клиента, задают вопросы по условиям продуктов, например РКО. Подключая бота, мы ставили цель высвободить около 10% рабочего времени сотрудников, чтобы направить его на продажи продуктов.
Пилот стартовал на 25 сотрудников на типовых тематиках. Но впоследствии мы поняли, что ответы на типовые вопросы сотрудники как раз уже знают — помощь от ИИ получается не настолько ценной. С точки зрения консультаций важнее реализовать более профильные сценарии, в которых нет персональной информации клиентов, например, вопросы по ВНД. Можно давать рекомендации продающего характера — какой продукт выгоднее предложить клиенту.
Будем оценивать метрику экономии рабочего времени и повышения эффективности продаж и после этого принимать решение об открытии сервиса на всех сотрудников. Цель до конца 2026 года — расширить пилот на всех сотрудников продаж в офисах Москвы и МО и встроить бота-помощника в окно операционного CRM. А также подключить RAG для повышения точности ответов.
Как всё устроено сегодня
Выше шла речь о разных каналах обслуживания — телефонии и чатах в различных инструментах. ИИ-ассистент взаимодействует с ними и в контексте обслуживания розничных клиентов. Web-Arm — это интерфейс для работы сотрудников фронт-офиса, то есть для обслуживания клиентов, приходящих в офисы. Банкомат и СУО — инструменты самообслуживания и управления очередью. Все эти компоненты находятся вне контура банка.
Однако про применение ИИ в обслуживании розничных клиентов хотелось бы рассказать обстоятельно — а это больше похоже на отдельную статью. Кстати, будет здорово, если вы напишете в комментариях, что хотели бы узнать по теме — подготовим продолжение и учтём вопросы.
Что будет дальше?
В этом году мы планируем развернуть LLM в контуре банка. Это позволит нам использовать RAG для расширения количества консультаций клиентов — в частности для персонализированных консультаций.
Таким образом, видится оптимальным гибридный подход:
-
В GPT-сервисах «Катюши» для помощи предпринимателям в вопросах продаж, SMM, HR и других продолжим использовать облачные LLM.
-
Для большинства быстрых ответов на простые вопросы по банковским продуктам будем использовать сценарный бот. Также он будет использоваться для консультаций по таким новым внедряемым продуктам, где нет большой накопленной базы вопросов-ответов, а использование RAG с нейросетью не даст быстрого эффекта.
-
По ряду тематик подключается RAG с облачной нейросетью. В горизонте 2026 года RAG-подход тиражируем на несколько массовых тематик в боте и увеличим долю ответов RAG в общем объёме консультаций с 4 до 16%
-
Для ответов на вопросы, где будут фигурировать персональные данные и чувствительная информация, будем использовать LLM в контуре банка. Также планируем её встроить в сценарии ответов бота-помощника для сотрудников офисов продаж и выездных менеджеров для консультаций по ВНД банка.
В сухом остатке
ПСБ не пошёл в ИИ с самого начала. Мы дошли до определённого уровня автоматизации сначала небольшими инвестициями — например, внедрили скриптового бота. После этого оценили тренды развития ИИ и начали внедрять уже проверенные решения, опираясь на примеры крупных игроков.
Итого: в банковском секторе в сегменте МСП мы пионеры, а вот в массовой рознице (о которой, напомню, хочется рассказать отдельно) — скорее, осторожное большинство.
Это был краткий обзор наших решений в сфере LLM в банке. Если интересны технические подробности, напишите в комментариях, можем погрузиться в какой-нибудь отдельный кейс и развернуть его в отдельную статью. Прошу в комментарии!
Автор: dshenberg
