Gradient Labs svakom klijentu banke daje AI menadžera računa

U bankarstvu, rješavanje problema korisnika rijetko je jednostavno. Slučajevi poput prevare ili blokiranih uplata zahtijevaju strogo pridržavanje složenih procedura kroz više timova. Kada sistemi zakažu, korisnici se prebacuju između timova, čekaju u redovima i suočavaju se s kašnjenjima baš u trenucima kada je ulog najveći.

Gradient Labs⁠(otvara se u novom prozoru) je napravljen da se nosi s ovom složenošću. Kompanija sa sjedištem u Londonu razvija AI agente koji svakom klijentu banke pružaju iskustvo posvećenog menadžera računa. Osnovao ju je tim koji je ranije vodio AI i podatkovne inicijative u Monzu, a platforma kompanije izgrađena je na OpenAI modelima i sada preusmjerava produkcijski saobraćaj na GPT‑5.4 mini i nano.

„Vidimo latenciju od 500 milisekundi s GPT‑5.4 mini i nano, što je upravo ono što nam treba za prirodne glasovne razgovore“, kaže Danai Antoniou, suosnivačica i glavna naučnica u Gradient Labsu. „Prebacujemo značajan dio našeg opterećenja.“

U bankarstvu su interakcije s korisnicima vođene standardnim operativnim procedurama (SOP) koje definišu šta se treba dogoditi u svakom koraku.

Tipična interakcija s korisnikom može izgledati ovako:

1. Korisnik zove da prijavi ukradenu karticu.
2. Sistem verifikuje njegov identitet, obrađujući ispravke i prekide u realnom vremenu.
3. Nakon verifikacije, blokira karticu i pokreće izdavanje zamjene.
4. Odgovara na dodatna pitanja, poput vremena isporuke, i predlaže sljedeće korake.

Svaki korak prati definisanu proceduru, a odluke se donose u realnom vremenu na osnovu korisničkog unosa, konteksta, aktivnih zaštitnih ograda te odgovora korisnika i agenta kako bi se osigurala usklađenost.

„model mora održavati stanje procedure kroz prekide, usputne potvrde i promjene teme, a istovremeno zadržati brzo generisanje odgovora“, kaže Antoniou. „Većina provajdera to nije mogla ni pokušati.“

Gradient Labs upoređuje provajdere prema njihovim najzahtjevnijim procedurama i ocjenjuje ih po onome što nazivaju preciznost putanje: da li sistem prati ispravan put od početka do kraja.

U jednoj od njihovih početnih evaluacija, GPT‑4.1 je bio jedini model koji je dostigao 97% preciznosti i dosljednosti putanje. Sljedeći najbliži provajder bio je na 88%.

„U finansijskim uslugama, to je razlika između rješavanja poziva i stvaranja incidenta usklađenosti“, kaže Antoniou.

Ovaj rezultat oblikovao je način na koji je Gradient Labs dizajnirao svoj sistem. Tim je izgradio hibridnu arhitekturu koja koristi OpenAI modele za korake intenzivne po rezonovanje i manje modele za brže, determinističke zadatke, uz usmjeravanje koje se prilagođava na osnovu složenosti i ograničenja latencije.

Interno, sistem se sastoji od specijalizovanih vještina kojima orkestrira centralni agent rezonovanja, što omogućava da se složeni slučajevi kreću kroz tokove rada bez gubitka konteksta. 

Za svaku interakciju, paralelno radi više od 15 sistema zaštitnih ograda kako bi se osiguralo da razgovori ostanu unutar definisanih procedura i granica usklađenosti, uključujući otkrivanje finansijskih savjeta, signale ranjivosti, pritužbe i pokušaje zaobilaženja verifikacije ili pristupa osjetljivim podacima. 

Finansijske institucije ne uvode ovakve sisteme na osnovu vjere. Moraju korak po korak vidjeti da se ponaša ispravno u uslovima stvarnog svijeta.

„Morate arhitekturu graditi od temelja tako da nema halucinacija“, kaže Antoniou. „To mora biti vodeći princip tokom izgradnje.“

Da bi procijenio i nove i postojeće modele, tim ponavlja stvarne razgovore s korisnicima i poredi ponašanje sistema s očekivanom procedurom. Također generišu sintetičke razgovore kako bi testirali rubne slučajeve i rijetke scenarije prije nego što se bilo šta uvede.

Gradient Labs timovima također daje kontrolu nad načinom uvođenja sistema. Analiziraju historijske podatke podrške kako bi mapirali vrste korisničkih problema koje banka rješava i koliko se često javljaju. Timovi zatim mogu odabrati koje kategorije AI treba obrađivati, počevši od tokova rada nižeg rizika i šireći se s vremenom.

Prije puštanja u rad, korisnici mogu simulirati razgovore kako bi pregledali kako sistem odgovara u različitim scenarijima, čime grade povjerenje da se ponaša očekivano. 

Implementacija obično počinje s malim procentom saobraćaja, uz kontinuirani nadzor i automatizovane provjere koje označavaju razgovore koji mogu zahtijevati ljudski pregled. S vremenom se obuhvat širi kako sistem pokazuje dosljedne performanse.

Klijenti Gradient Labsa prijavljuju CSAT ocjene i do 98%, a u nekim slučajevima nadmašuju njihove najbolje ljudske agente. Većina implementacija počinje sa stopama rješavanja većim od 50% prvog dana, čak i za složene tokove rada poput sporova, verifikacije računa i prevare. 

Taj uticaj odražava se i u rastu kompanije. Gradient Labs je povećao prihod više od 10 puta tokom protekle godine, šireći se s dolazne podrške na odlazne i back-office procese.

Gledajući unaprijed, Gradient Labs je fokusiran na sisteme koji mogu nositi kontekst kroz interakcije: razumjeti historiju korisnika, pratiti tekuće probleme i nastaviti tamo gdje su prethodni razgovori stali. Ovaj smjer je usko usklađen s tim kako Gradient Labs razmišlja o svom dugoročnom partnerstvu s OpenAI.

Kako se modeli nastavljaju poboljšavati, širi se raspon procedura koje se mogu sigurno automatizovati. Za Gradient Labs to znači približavanje sistemu u kojem se svaka interakcija s korisnikom vodi s istom dosljednošću, prosudbom i kontinuitetom kao kod vrhunskog ljudskog agenta.