Gradient Labs ofereix a cada client bancari un gestor amb IA

En banca, resoldre una incidència d’un client poques vegades és senzill. Casos com el frau o els pagaments bloquejats requereixen seguir estrictament procediments complexos entre diversos equips. Quan els sistemes no hi arriben, els clients van passant d’un equip a un altre, esperen cues i pateixen retards just quan hi ha més en joc.

Gradient Labs⁠(s'obre en una finestra nova) està dissenyada per gestionar aquesta complexitat. L’empresa, amb seu a Londres, està creant agents d’IA que ofereixen a cada client bancari l’experiència d’un gestor de comptes dedicat. Fundada per un equip que abans va liderar iniciatives d’IA i dades a Monzo, la plataforma de l’empresa es basa en els models d’OpenAI i ara està traslladant trànsit de producció a GPT‑5.4 mini i nano.

«Estem veient una latència de 500 mil·lisegons amb GPT‑5.4 mini i nano, que és exactament el que necessitem per a converses de veu naturals», diu Danai Antoniou, cofundadora i directora científica de Gradient Labs. «Hi estem traslladant una part significativa de la nostra càrrega de treball.»

En banca, les interaccions amb els clients es regeixen per procediments operatius estàndard (SOP) que defineixen què ha de passar en cada pas.

Una interacció típica amb un client podria ser així:

1. Un client truca per informar del robatori de la seva targeta.
2. El sistema en verifica la identitat, gestionant correccions i interrupcions en temps real.
3. Un cop verificada, bloqueja la targeta i n’inicia la substitució.
4. Respon preguntes de seguiment, com ara el termini de lliurament, i suggereix els passos següents.

Cada pas segueix un procediment definit, amb decisions preses en temps real segons l’entrada de l’usuari, el context, les salvaguardes actives i les respostes tant del client com de l’agent per garantir el compliment normatiu.

«El model ha de mantenir l’estat del procediment entre interrupcions, senyals de continuïtat i canvis de tema mentre manté una generació de respostes ràpida», diu Antoniou. «La majoria de proveïdors ni tan sols ho podien intentar.»

Gradient Labs compara proveïdors segons els seus procediments més difícils i els avalua segons el que anomenen precisió de trajectòria: si el sistema segueix el camí correcte de principi a fi.

En una de les seves avaluacions inicials, GPT‑4.1 va ser l’únic model que va arribar al 97% de precisió i consistència de trajectòria. El proveïdor següent més proper es va quedar en el 88%.

«En serveis financers, aquesta és la diferència entre resoldre una trucada i crear un incident de compliment normatiu», diu Antoniou.

Aquest resultat va definir com Gradient Labs va dissenyar el seu sistema. L’equip va construir una arquitectura híbrida que utilitza models d’OpenAI per als passos amb molta exigència de raonament i models més petits per a tasques més ràpides i deterministes, amb un encaminament que s’adapta segons la complexitat i les limitacions de latència.

Internament, el sistema es compon d’habilitats especialitzades orquestrades per un agent central de raonament, cosa que permet que els casos complexos es moguin entre fluxos de treball sense perdre el context. 

En cada interacció, més de 15 sistemes de salvaguarda s’executen en paral·lel per garantir que les converses es mantinguin dins dels procediments definits i dels límits de compliment normatiu, inclosa la detecció d’assessorament financer, senyals de vulnerabilitat, queixes i intents d’eludir la verificació o d’accedir a dades sensibles. 

Les institucions financeres no despleguen sistemes com aquest per fe. Han de veure, pas a pas, que es comporta correctament en condicions del món real.

«Cal dissenyar des de la base perquè no hi hagi al·lucinacions», diu Antoniou. «Aquest ha de ser el principi rector mentre construeixes.»

Per avaluar tant els models nous com els existents, l’equip reprodueix converses reals amb clients i compara el comportament del sistema amb el procediment esperat. També generen converses sintètiques per provar casos límit i escenaris poc freqüents abans de desplegar res.

Gradient Labs també dona als equips control sobre com s’introdueix el sistema. Analitzen dades històriques de suport per traçar els tipus d’incidències de clients que gestiona un banc i amb quina freqüència es produeixen. Després, els equips poden triar quines categories ha de gestionar la IA, començant pels fluxos de treball de menys risc i ampliant-los amb el temps.

Abans d’entrar en funcionament, els clients poden simular converses per revisar com respon el sistema en diferents escenaris, generant confiança que es comporta com s’espera. 

El desplegament acostuma a començar amb un percentatge petit del trànsit, amb monitoratge continu i comprovacions automatitzades que marquen les converses que poden requerir revisió humana. Amb el temps, la cobertura s’amplia a mesura que el sistema demostra un rendiment constant.

Els clients de Gradient Labs informen de puntuacions de CSAT de fins al 98% i, en alguns casos, superen els seus millors agents humans. La majoria dels desplegaments comencen amb taxes de resolució de més del 50% des del primer dia, fins i tot per a fluxos de treball complexos com disputes, verificació de comptes i frau. 

Aquest impacte es reflecteix en el creixement de l’empresa. Gradient Labs ha augmentat els ingressos més de 10 vegades durant l’últim any, expandint-se del suport d’entrada cap a processos de sortida i de back office.

Mirant endavant, Gradient Labs se centra en sistemes que poden mantenir el context entre interaccions: entendre l’historial d’un client, fer seguiment d’incidències en curs i reprendre on van quedar converses anteriors. Aquesta direcció està molt alineada amb com Gradient Labs concep la seva col·laboració a llarg termini amb OpenAI.

A mesura que els models continuen millorant, s’amplia el ventall de procediments que es poden automatitzar de manera segura. Per a Gradient Labs, això significa acostar-se a un sistema en què cada interacció amb el client es gestiona amb la mateixa consistència, criteri i continuïtat que un agent humà d’alt nivell.