Gradient Labs تمنح كل عميل بنك مدير حسابات بالذكاء الاصطناعي

في القطاع المصرفي، نادرًا ما يكون حل مشكلة العميل أمرًا بسيطًا. فالحالات مثل الاحتيال أو المدفوعات المحظورة تتطلب التزامًا صارمًا بإجراءات معقدة عبر فرق متعددة. وعندما تقصّر الأنظمة، يُنقل العملاء بين الفرق، وينتظرون في الطوابير، ويواجهون تأخيرات في اللحظات التي تكون فيها المخاطر في أعلى مستوياتها.

Gradient Labs⁠(يفتح في نافذة جديدة) صُممت للتعامل مع هذا التعقيد. تبني الشركة، ومقرها لندن، وكلاء ذكاء اصطناعي يمنحون كل عميل بنك تجربة مدير حسابات مخصص. وقد أسسها فريق قاد سابقًا جهود الذكاء الاصطناعي والبيانات في Monzo، وتعتمد منصة الشركة على نماذج OpenAI، وهي الآن تنقل جزءًا من أعباء العمل إلى GPT‑5.4 mini وnano.

يقول داناي أنتونيو، الشريك المؤسس وكبير العلماء في Gradient Labs: "نرى زمن استجابة يبلغ 500 مللي ثانية مع GPT‑5.4 mini وnano، وهذا بالضبط ما نحتاجه لإجراء محادثات صوتية طبيعية. نحن ننقل جزءًا كبيرًا من أعباء العمل لدينا إلى هناك."

في القطاع المصرفي، تُحكم تفاعلات العملاء بإجراءات تشغيل قياسية (SOPs) تحدد ما ينبغي أن يحدث في كل خطوة.

قد يبدو تفاعل نموذجي مع عميل على النحو التالي:

1. يتصل عميل للإبلاغ عن بطاقة مسروقة.
2. يتحقق النظام من هويته، مع التعامل مع التصحيحات والمقاطعات على الفور.
3. وبعد التحقق، يجمّد البطاقة ويبدأ إصدار بطاقة بديلة.
4. ويجيب عن أسئلة المتابعة، مثل موعد التسليم، ويقترح الخطوات التالية.

تتبع كل خطوة إجراءً محددًا، مع اتخاذ القرارات آنيًا بناءً على مدخلات المستخدم، والسياق، والضوابط الوقائية النشطة، واستجابات كل من العميل والوكيل لضمان الامتثال.

يقول أنتونيو: "يحتاج النموذج إلى الحفاظ على حالة الإجراء عبر المقاطعات، والردود القصيرة، وتبديل الموضوع، مع إبقاء توليد الاستجابة سريعًا. ومعظم المزودين لم يتمكنوا حتى من محاولة ذلك."

تقارن Gradient Labs بين المزودين بناءً على أكثر إجراءاتهم صعوبة، وتقيّمهم وفق ما تسميه دقة المسار: أي ما إذا كان النظام يتبع المسار الصحيح من البداية إلى النهاية.

في أحد تقييماتهم الأولية، كان GPT‑4.1 النموذج الوحيد الذي حقق دقة واتساقًا في المسار بنسبة 97%. وكان أقرب مزود تالٍ عند 88%.

ويقول أنتونيو: "في الخدمات المالية، هذا هو الفرق بين حل المكالمة والتسبب في حادث امتثال."

وقد شكّلت هذه النتيجة الطريقة التي صممت بها Gradient Labs نظامها. فقد بنى الفريق بنية هجينة تستخدم نماذج OpenAI للخطوات المكثفة في الاستدلال، ونماذج أصغر للمهام الأسرع والحتمية، مع توجيه يتكيف بحسب التعقيد وقيود زمن الاستجابة.

داخليًا، يتكون النظام من مهارات متخصصة ينسقها وكيل استدلال مركزي، ما يسمح للحالات المعقدة بالانتقال عبر مسارات العمل دون فقدان السياق. 

وفي كل تفاعل، تعمل أكثر من 15 منظومة ضوابط وقائية بالتوازي لضمان بقاء المحادثات ضمن الإجراءات المحددة وحدود الامتثال، بما في ذلك اكتشاف النصائح المالية، ومؤشرات الهشاشة، والشكاوى، ومحاولات تجاوز التحقق أو الوصول إلى البيانات الحساسة. 

لا تنشر المؤسسات المالية أنظمة كهذه اعتمادًا على الثقة وحدها. فهي تحتاج إلى أن ترى، خطوة بخطوة، أنها تتصرف على نحو صحيح في ظروف العالم الحقيقي.

يقول أنتونيو: "عليك أن تبني البنية من الأساس على مبدأ انعدام الهلوسة. ويجب أن يكون ذلك هو المبدأ الموجّه أثناء البناء."

ولتقييم النماذج الجديدة والقائمة على حد سواء، يعيد الفريق تشغيل محادثات العملاء الحقيقية ويقارن سلوك النظام بالإجراء المتوقع. كما ينشئون محادثات اصطناعية لاختبار الحالات الاستثنائية والسيناريوهات النادرة قبل نشر أي شيء.

وتمنح Gradient Labs الفرق أيضًا تحكمًا في كيفية إدخال النظام. فهي تحلل بيانات الدعم التاريخية لرسم أنواع مشكلات العملاء التي يتعامل معها البنك ومدى تكرارها. وبعد ذلك، يمكن للفرق اختيار الفئات التي ينبغي أن يتعامل معها الذكاء الاصطناعي، بدءًا من مسارات العمل الأقل خطورة والتوسع مع مرور الوقت.

وقبل الإطلاق الفعلي، يمكن للعملاء محاكاة المحادثات لمراجعة كيفية استجابة النظام عبر سيناريوهات مختلفة، ما يبني الثقة بأنه يتصرف كما هو متوقع. 

ويبدأ النشر عادةً بنسبة صغيرة من الحركة، مع مراقبة مستمرة وعمليات تحقق آلية تضع علامة على المحادثات التي قد تتطلب مراجعة بشرية. ومع مرور الوقت، يتوسع نطاق التغطية مع إثبات النظام أداءً متسقًا.

يُفيد عملاء Gradient Labs بتحقيق درجات رضا عملاء تصل إلى 98%، وفي بعض الحالات تتفوق على أفضل وكلائهم البشريين. وتبدأ معظم عمليات النشر بمعدلات حل تتجاوز 50% من اليوم الأول، حتى في مسارات العمل المعقدة مثل النزاعات، والتحقق من الحساب، والاحتيال. 

وينعكس هذا الأثر في نمو الشركة. فقد زادت Gradient Labs إيراداتها بأكثر من 10 أضعاف خلال العام الماضي، متوسعة من الدعم الوارد إلى العمليات الصادرة وعمليات المكاتب الخلفية.

وبالنظر إلى المستقبل، تركز Gradient Labs على الأنظمة التي يمكنها حمل السياق عبر التفاعلات: فهم سجل العميل، وتتبع المشكلات الجارية، ومتابعة ما انتهت إليه المحادثات السابقة. ويتوافق هذا التوجه بشكل وثيق مع طريقة تفكير Gradient Labs في شراكتها طويلة الأمد مع OpenAI.

ومع استمرار تحسن النماذج، يتوسع نطاق الإجراءات التي يمكن أتمتتها بأمان. وبالنسبة إلى Gradient Labs، يعني ذلك الاقتراب أكثر من نظام تُدار فيه كل تفاعلات العملاء بالاتساق ذاته، والحكم السليم ذاته، والاستمرارية ذاتها التي يقدمها وكيل بشري من الطراز الأول.