Gradient Labs da a cada cliente un administrador de cuenta con IA

En la banca, resolver un problema de un cliente rara vez es simple. Casos como fraude o pagos bloqueados exigen seguir procesos complejos entre varios equipos. Cuando los sistemas no dan abasto, los clientes pasan de un equipo a otro, esperan en filas y enfrentan demoras justo cuando más importa.

Gradient Labs⁠(se abre en una nueva ventana) está diseñado para manejar esta complejidad. La empresa, con sede en Londres, desarrolla agentes de IA que ofrecen a cada cliente bancario la experiencia de un administrador de cuenta dedicado. Fundada por un equipo que antes lideró iniciativas de IA y datos en Monzo, su plataforma se basa en modelos de OpenAI y ahora está migrando tráfico de producción a GPT‑5.4 mini y nano.

"Estamos viendo una latencia de 500 milisegundos con GPT‑5.4 mini y nano, que es exactamente lo que necesitamos para conversaciones de voz naturales», dice Danai Antoniou, cofundadora y científica principal de Gradient Labs. "Estamos trasladando una parte significativa de nuestra carga de trabajo".

En la banca, las interacciones con los clientes se rigen por procedimientos operativos estándar (SOP) que definen lo que debe ocurrir en cada paso.

Una interacción típica con un cliente podría verse así:

1. Un cliente llama para reportar una tarjeta robada.
2. El sistema verifica su identidad, gestionando correcciones e interrupciones en tiempo real.
3. Una vez verificada, bloquea la tarjeta e inicia un reemplazo.
4. Responde preguntas de seguimiento, como los tiempos de entrega, y sugiere los siguientes pasos.

Cada paso sigue un procedimiento definido, con decisiones tomadas en tiempo real según la información del usuario, el contexto, las barreras de protección activas y las respuestas tanto del cliente como del agente para garantizar el cumplimiento.

"El modelo necesita mantener el estado del proceso pese a interrupciones, interjecciones y cambios de tema, sin perder velocidad en la generación de respuestas", dice Antoniou. "La mayoría de los proveedores ni siquiera podía hacerlo".

Gradient Labs compara proveedores en sus procedimientos más desafiantes y los evalúa con lo que llaman precisión de trayectoria: la capacidad del sistema para seguir la ruta correcta de principio a fin.

En una de sus evaluaciones iniciales, GPT‑4.1 fue el único modelo que alcanzó 97 % de precisión y consistencia de trayectoria. El proveedor más cercano llegó a 88 %.

"En servicios financieros, esa es la diferencia entre resolver una llamada y crear un incidente de cumplimiento", dice Antoniou.

Este resultado definió cómo Gradient Labs diseñó su sistema. El equipo creó una arquitectura híbrida que usa modelos de OpenAI para tareas que requieren mayor razonamiento y modelos más pequeños para procesos más rápidos y deterministas, con un enrutamiento que se ajusta según la complejidad y los requisitos de latencia.

Internamente, el sistema está compuesto por habilidades especializadas orquestadas por un agente central de razonamiento, lo que permite que los casos complejos avancen entre flujos de trabajo sin perder contexto. 

En cada interacción, más de 15 sistemas de control operan en paralelo para asegurar que las conversaciones se mantengan dentro de los procesos definidos y los requisitos de cumplimiento, incluida la detección de asesoría financiera, señales de vulnerabilidad, quejas e intentos de omitir verificaciones o acceder a datos sensibles. 

Las instituciones financieras no implementan sistemas como este por fe. Necesitan ver, paso a paso, que funcionen correctamente en condiciones reales.

“Hay que diseñar desde cero para evitar alucinaciones”, dice Antoniou. “Ese debe ser el principio rector durante todo el desarrollo.”

Para evaluar modelos nuevos y existentes, el equipo reproduce conversaciones reales con clientes y compara el comportamiento del sistema con el procedimiento esperado. También generan conversaciones sintéticas para probar casos límite y escenarios poco frecuentes antes de implementar cualquier cosa.

Gradient Labs también da a los equipos control sobre cómo implementar el sistema. Estos analizan datos históricos de soporte para identificar los tipos de problemas que atiende un banco y con qué frecuencia ocurren. Luego, pueden decidir qué categorías debe gestionar la IA, empezando por flujos de trabajo de menor riesgo y ampliando gradualmente.

Antes de entrar en operación, los clientes pueden simular conversaciones para revisar cómo responde el sistema en diferentes escenarios, generando confianza en que se comporta como se espera. 

La implementación normalmente comienza con un pequeño porcentaje del tráfico, con monitoreo continuo y verificaciones automatizadas que señalan conversaciones que pueden requerir revisión humana.Con el tiempo, la cobertura se amplía a medida que el sistema demuestra un desempeño consistente.

Los clientes de Gradient Labs reportan niveles de CSAT de hasta 98 %, superando en algunos casos a sus mejores agentes humanos. La mayoría de las implementaciones arrancan con tasas de resolución superiores al 50 % desde el primer día, incluso en flujos de trabajo complejos como disputas, verificación de cuentas y fraude. 

Ese impacto se refleja en el crecimiento de la empresa. Gradient Labs ha aumentado sus ingresos más de 10 veces en el último año, expandiéndose del soporte entrante hacia procesos salientes y de back office.

Gradient Labs se enfocará en sistemas capaces de mantener el contexto entre interacciones: entender el historial de cada cliente, dar seguimiento a problemas en curso y retomar conversaciones donde quedaron. Esta dirección está estrechamente alineada con cómo Gradient Labs concibe su relación a largo plazo con OpenAI.

A medida que los modelos siguen mejorando, se amplía el rango de procedimientos que pueden automatizarse de forma segura. Para Gradient Labs, eso significa acercarse a un sistema donde cada interacción con el cliente se maneje con la misma consistencia, criterio y continuidad que un agente humano de primer nivel.