Gradient Labs: מנהל חשבון מבוסס בינה מלאכותית לכל לקוח בנק

בבנקאות, פתרון בעיה של לקוח הוא לעיתים רחוקות עניין פשוט. מקרים כמו הונאה או תשלומים שנחסמו מחייבים כמה צוותים להקפיד על נהלים מורכבים. כשהמערכות אינן נותנות מענה מספק, הלקוחות מועברים מצוות לצוות, ממתינים בתור ונתקלים בעיכובים דווקא ברגעים הקריטיים ביותר.

Gradient Labs⁠(נפתח בחלון חדש) נועדה להתמודד עם המורכבות הזאת. החברה, שבסיסה בלונדון, מפתחת סוכני בינה מלאכותית שמעניקים לכל לקוח בנק חוויה של מנהל חשבון אישי. החברה נוסדה בידי צוות שהוביל בעבר את פעילות הבינה המלאכותית והנתונים ב-Monzo. הפלטפורמה שלה מבוססת על מודלים של OpenAI, וכעת היא מעבירה את התעבורה בסביבת הייצור ל-GPT‑5.4 mini ול-GPT‑5.4 nano.

"אנחנו רואים זמני תגובה של 500 מילישניות עם GPT‑5.4 mini ו-nano, וזה בדיוק מה שאנחנו צריכים לשיחות קוליות טבעיות", אומרת דנאי אנטוניו, מייסדת שותפה ומדענית ראשית ב-Gradient Labs. "אנחנו מעבירים אליהם חלק ניכר מעומס העבודה שלנו."

בבנקאות, האינטראקציות עם הלקוחות כפופות לנוהלי עבודה סטנדרטיים (SOPs), המגדירים מה צריך לקרות בכל שלב.

אינטראקציה טיפוסית עם לקוח עשויה להיראות כך:

1. לקוח מתקשר לדווח על כרטיס שנגנב.

2. המערכת מאמתת את זהותו ומתמודדת בזמן אמת עם תיקונים וקטיעות בשיחה.

3. לאחר האימות, היא מקפיאה את הכרטיס ומתחילה בתהליך הנפקת כרטיס חלופי.

4. היא עונה על שאלות המשך, למשל לגבי מועד הגעת הכרטיס, ומציעה צעדים להמשך.

כל שלב מתבצע לפי נוהל מוגדר. ההחלטות מתקבלות בזמן אמת על סמך קלט המשתמש, ההקשר, מנגנוני הבקרה הפעילים והתגובות של הלקוח ושל הסוכן, כדי להבטיח עמידה בדרישות.

"המודל צריך לעקוב אחר מצב ההתקדמות בנוהל גם כשהשיחה נקטעת, כשנשמעות תגובות קצרות מהמאזין וכשהנושא משתנה, ובמקביל להמשיך לייצר תגובות במהירות", אומרת אנטוניו. "רוב הספקיות אפילו לא יכלו לנסות לעשות את זה."

Gradient Labs משווה בין ביצועי הספקיות בנהלים המאתגרים ביותר שלה, ומעריכה אותן לפי מה שהיא מכנה דיוק במסלול הביצוע: האם המערכת פועלת במסלול הנכון מתחילתו ועד סופו.

באחת ההערכות הראשונות שלה, GPT‑4.1 היה המודל היחיד שהגיע ל-97% בדיוק ובעקביות של מסלול הביצוע. הספקית הבאה בדירוג הגיעה ל-88%.

"בשירותים פיננסיים, זה ההבדל בין פתרון הבעיה בשיחה לבין יצירת אירוע של הפרת דרישות ציות", אומרת אנטוניו.

התוצאה הזאת השפיעה על האופן שבו Gradient Labs תכננה את המערכת שלה. הצוות בנה ארכיטקטורה היברידית, שמשתמשת במודלים של OpenAI לשלבים הדורשים reasoning מעמיק ובמודלים קטנים יותר למשימות מהירות ודטרמיניסטיות. הניתוב ביניהם מותאם למורכבות ולמגבלות זמן התגובה.

המערכת מורכבת מיכולות ייעודיות, שסוכן reasoning מרכזי מתזמר ביניהן. כך ניתן להעביר מקרים מורכבים בין תהליכי עבודה בלי לאבד את ההקשר. 

בכל אינטראקציה פועלות במקביל יותר מ-15 מערכות בקרה, כדי להבטיח שהשיחות יישארו בגבולות הנהלים ודרישות הציות שהוגדרו. הן מזהות בין היתר מתן ייעוץ פיננסי, סימנים לפגיעוּת של לקוחות, תלונות וניסיונות לעקוף אימות או לגשת לנתונים רגישים. 

מוסדות פיננסיים לא מטמיעים מערכות כאלה על סמך אמון בלבד. הם צריכים לראות, שלב אחר שלב, שהמערכת פועלת כראוי בתנאי אמת.

"צריך לתכנן את הארכיטקטורה מהיסוד כך שלא יהיו הזיות", אומרת אנטוניו. "זה צריך להיות העיקרון המנחה לאורך הפיתוח."

כדי להעריך מודלים חדשים וקיימים כאחד, הצוות מריץ מחדש שיחות אמיתיות עם לקוחות ומשווה את התנהגות המערכת לנוהל הצפוי. הצוות גם מייצר שיחות סינתטיות לבדיקת מקרי קצה ותרחישים נדירים, לפני העלאה כלשהי לסביבת הייצור.

Gradient Labs גם מעניקה לצוותים שליטה על אופן הכנסת המערכת לשימוש. החברה מנתחת נתוני תמיכה מהעבר כדי למפות את סוגי הבעיות שהבנק מטפל בהן ואת תדירותן. לאחר מכן הצוותים יכולים לבחור באילו קטגוריות תטפל הבינה המלאכותית, להתחיל בתהליכי עבודה בסיכון נמוך יותר ולהרחיב את השימוש בה עם הזמן.

לפני תחילת השימוש בפועל, לקוחות החברה יכולים לדמות שיחות ולבחון כיצד המערכת מגיבה בתרחישים שונים, כדי לבסס את הביטחון שהיא פועלת כמצופה. 

ההטמעה מתחילה בדרך כלל באחוז קטן מהתעבורה, עם ניטור רציף ובדיקות אוטומטיות שמסמנות שיחות שעשויות לדרוש בדיקה אנושית. עם הזמן, ככל שהמערכת מפגינה ביצועים עקביים, היקף הטיפול שלה מתרחב.

לקוחות Gradient Labs מדווחים על ציוני שביעות רצון לקוחות (CSAT) של עד 98%, ובמקרים מסוימים אף גבוהים מאלה של הנציגים האנושיים הטובים ביותר שלהם. ברוב ההטמעות, שיעור פתרון הפניות עולה על 50% כבר ביום הראשון, אפילו בתהליכים מורכבים כמו מחלוקות על חיובים, אימות חשבונות והונאות. 

ההשפעה הזאת משתקפת בצמיחת החברה. Gradient Labs הגדילה את הכנסותיה ביותר מפי עשרה בשנה האחרונה, והרחיבה את פעילותה מתמיכה בפניות נכנסות גם לפניות יזומות ולתהליכים תפעוליים פנימיים.

במבט קדימה, Gradient Labs מתמקדת במערכות שיכולות לשמר הקשר בין אינטראקציות: להבין את היסטוריית הלקוח, לעקוב אחר בעיות שטרם נפתרו ולהמשיך מהנקודה שבה הסתיימו השיחות הקודמות. הכיוון הזה תואם היטב את תפיסתה של Gradient Labs לגבי השותפות ארוכת הטווח שלה עם OpenAI.

ככל שהמודלים ממשיכים להשתפר, מתרחב מגוון הנהלים שאפשר לבצע באופן אוטומטי ובטוח. מבחינת Gradient Labs, זו התקרבות למערכת שבה כל אינטראקציה עם לקוח מתנהלת באותה עקביות, באותו שיקול דעת ובאותה רציפות שמאפיינים נציג אנושי מהשורה הראשונה.