Gradient Labs हर बैंक कस्टमर को एक AI अकाउंट मैनेजर देता है

बैंकिंग में, किसी कस्टमर की समस्या का समाधान करना शायद ही कभी आसान होता है. धोखाधड़ी या ब्लॉक किए गए पेमेंट जैसे मामलों में कई टीमों के बीच मुश्किल प्रक्रियाओं का सख्ती से पालन करना पड़ता है. जब सिस्टम कम पड़ जाते हैं, तो कस्टमर्स को टीमों के बीच भेजा जाता है, वे लाइनों में इंतज़ार करते हैं, और ऐसे समय में देरी का सामना करते हैं जब जोखिम सबसे ज़्यादा होता है.

Gradient Labs⁠(एक नई विंडो में खुलेगा) को यही मुश्किल संभालने के लिए बनाया गया है. लंदन में स्थित यह कंपनी ऐसे AI एजेंट बना रही है जो हर बैंक कस्टमर को एक समर्पित अकाउंट मैनेजर जैसा अनुभव देते हैं. Monzo में पहले AI और डेटा प्रयासों को लीड कर चुकी टीम द्वारा स्थापित, कंपनी का प्लैटफ़ॉर्म OpenAI मॉडल्स पर बना है और अब प्रोडक्शन ट्रैफ़िक को GPT‑5.4 mini और nano पर शिफ्ट किया जा रहा है.

“हम GPT‑5.4 mini और nano में 500-मिलीसेकंड लेटेंसी देख रहे हैं, जो कि ठीक वैसा ही है जो हमें नैचुरल वॉइस कन्वर्सेशन्स के लिए चाहिए,” Gradient Labs में को-फ़ाउंडर और चीफ़ साइंटिस्ट Danai Antoniou कहते हैं. “हम अपने वर्कलोड का एक महत्वपूर्ण हिस्सा वहाँ ले जा रहे हैं.”

बैंकिंग में कस्टमर इंटरैक्शन्स, स्टैंडर्ड ऑपरेटिंग प्रोसीजर्स (SOPs) द्वारा चलते हैं, जो यह तय करते हैं कि हर स्टेप पर क्या होना चाहिए.

एक सामान्य कस्टमर इंटरैक्शन कुछ ऐसा दिख सकता है:

1. एक कस्टमर चोरी हुए कार्ड की रिपोर्ट करने के लिए कॉल करता है.
2. सिस्टम उनकी पहचान की पुष्टि करता है और रीयल टाइम में सुधारों और रुकावटों को संभालता है.
3. पुष्टि होने के बाद, वह कार्ड को फ़्रीज़ करता है और उसे बदलने की प्रक्रिया शुरू करता है.
4. वह आगे के सवालों के जवाब देता है, जैसे कि डिलीवरी का समय, और अगले स्टेप सुझाता है.

हर स्टेप एक तय की गई प्रक्रिया का पालन करता है, जिसमें फैसले रीयल टाइम में यूज़र इनपुट, कॉन्टेक्स्ट, चल रहे गार्डरेल्स, और कंप्लायंस सुनिश्चित करने के लिए कस्टमर तथा एजेंट, दोनों के जवाबों के आधार पर लिए जाते हैं.

“मॉडल को रुकावटों, बैकचैनल्स, और टॉपिक बदलने के दौरान प्रक्रिया की स्थिति बनाए रखनी होती है, और साथ ही जवाब जनरेट करने की प्रक्रिया को तेज़ रखना होता है,” Antoniou कहते हैं. “ज़्यादातर प्रोवाइडर इसकी कोशिश भी नहीं कर सके.”

Gradient Labs, प्रोवाइडर्स को उनकी सबसे चुनौतीपूर्ण प्रक्रियाओं पर बेंचमार्क करता है और उन्हें उस चीज़ पर परखता है जिसे वे ट्रैजेक्टरी एक्यूरेसी कहते हैं: क्या सिस्टम शुरुआत से अंत तक सही प्रक्रिया का पालन करता है.

उनके शुरुआती इवैल्यूएशन्स में से एक में, GPT‑4.1 ही एक ऐसा मॉडल था जिसने 97% ट्रैजेक्टरी एक्यूरेसी और कंसिस्टेंसी हासिल की. अगला सबसे नज़दीकी प्रोवाइडर 88% पर था.

“फाइनेंशियल सर्विसेज में, यही अंतर है किसी कॉल को हल करने और कंप्लायंस की घटना पैदा करने के बीच,” Antoniou कहते हैं.

इस नतीजे ने तय किया कि Gradient Labs ने अपना सिस्टम कैसे डिज़ाइन किया. टीम ने एक हाइब्रिड आर्किटेक्चर बनाया जो रीज़निंग-इंटेंसिव स्टेप्स के लिए OpenAI मॉडल्स और तेज़, डिटर्मिनिस्टिक टास्क के लिए छोटे मॉडल्स का इस्तेमाल करता है, साथ ही ऐसी रूटिंग के साथ जो मुश्किल और लेटेंसी की सीमाओं के आधार पर तय होती है.

इंटरनल रूप से, सिस्टम एक सेंट्रल रीज़निंग एजेंट द्वारा ऑर्केस्ट्रेटेड विशेष क्षमताओं से बना है, जिससे मुश्किल मामले कॉन्टेक्स्ट खोए बिना वर्कफ़्लोज़ के बीच आगे बढ़ सकते हैं. 

हर इंटरैक्शन के लिए, 15 से ज़्यादा गार्डरेल सिस्टम साथ-साथ चलते हैं, ताकि यह सुनिश्चित हो सके कि बातचीत तय की गई प्रक्रियाओं और कंप्लायंस की सीमाओं के अंदर रहे, जिनमें फाइनेंशियल सलाह का पता लगाना, संवेदनशीलता के संकेत, शिकायतें, और पुष्टि की प्रक्रिया को बायपास करने या संवेदनशील डेटा को एक्सेस करने की कोशिशें शामिल हैं. 

फाइनेंशियल इंस्टीट्यूशंस ऐसे सिस्टम्स को सिर्फ भरोसे पर डिप्लॉय नहीं करते. उन्हें हर स्टेप पर यह देखना होता है कि यह वास्तविक परिस्थितियों में सही ढंग से व्यवहार करता है.

“आपको शुरुआत से ही बिना किसी हैलुसिनेशन के लिए आर्किटेक्ट करना पड़ता है,” Antoniou कहते हैं. “जब आप बना रहे होते हैं, तो यही गाइडिंग प्रिंसिपल होना चाहिए.”

नए और मौजूदा, दोनों मॉडल्स का इवैल्यूएशन करने के लिए, टीम वास्तविक कस्टमर कन्वर्सेशन्स को फिर से चलाती है और सिस्टम के व्यवहार की तुलना अपेक्षित प्रक्रिया से करती है. वे एज केसेस और कम सामने आने वाले सिनैरियो को टेस्ट करने के लिए सिंथेटिक कन्वर्सेशन्स भी बनाते हैं, इससे पहले कि कुछ भी डिप्लॉय किया जाए.

Gradient Labs, टीमों को इस बात पर भी कंट्रोल देता है कि सिस्टम को कैसे पेश किया जाए. वे हिस्टोरिकल सपोर्ट डेटा को एनालाइज़ करते हैं, ताकि यह मैप किया जा सके कि बैंक किस प्रकार की ग्राहक समस्याओं को संभालता है और वे कितनी बार होती हैं. इसके बाद, टीमें चुन सकती हैं कि AI को किन कैटेगरीज़ को संभालना चाहिए, कम-जोखिम वाले वर्कफ़्लोज़ से शुरू करके और समय के साथ विस्तार करते हुए.

लाइव होने से पहले, कस्टमर यह रिव्यु करने के लिए बातचीत का सिमुलेशन कर सकते हैं कि सिस्टम अलग-अलग सिनैरियो में कैसे जवाब देता है, जिससे यह भरोसा बनता है कि यह उम्मीद के अनुसार व्यवहार करता है. 

डिप्लॉयमेंट आमतौर पर ट्रैफ़िक के एक छोटे प्रतिशत से शुरू होता है, जहाँ लगातार मॉनिटरिंग और ऑटोमेटेड चेक्स उन बातचीतों को फ़्लैग करते हैं जिन्हें मानवीय समीक्षा की ज़रूरत हो सकती है. समय के साथ, जब सिस्टम लगातार परफ़ॉर्मेंस दिखाता है, तो कवरेज बढ़ती जाती है.

Gradient Labs के कस्टमर 98% तक के CSAT स्कोर रिपोर्ट करते हैं, और कुछ मामलों में अपने सबसे अच्छे मानव एजेंट्स से भी बेहतर प्रदर्शन करते हैं. ज़्यादातर डिप्लॉयमेंट पहले ही दिन 50% से ज़्यादा रेजोल्यूशन रेट्स के साथ शुरू होते हैं, यहाँ तक कि विवादों, खाते की पुष्टि, और धोखाधड़ी जैसे मुश्किल वर्कफ़्लोज़ के लिए भी. 

यह प्रभाव कंपनी की ग्रोथ में भी दिखता है. Gradient Labs ने पिछले साल में रेवेन्यू को 10x से ज़्यादा बढ़ाया है, और इनबाउंड सपोर्ट से बढ़कर आउटबाउंड तथा बैक-ऑफ़िस प्रक्रियाओं तक विस्तार किया है.

आगे देखते हुए, Gradient Labs ऐसे सिस्टम्स पर फोकस कर रहा है जो इंटरैक्शन्स के बीच कॉन्टेक्स्ट बनाए रख सकें: कस्टमर की हिस्ट्री समझना, चल रहे मुद्दों को ट्रैक करना, और वहीं से शुरू करना जहाँ पिछली बातचीत खत्म हुई थी. यह दिशा इस बात से गहराई से मेल खाती है कि Gradient Labs, OpenAI के साथ अपनी लंबी साझेदारी के बारे में कैसे सोचता है.

जैसे-जैसे मॉडल्स बेहतर होते जा रहे हैं, उन प्रक्रियाओं की सीमा बढ़ रही है जिन्हें सुरक्षित रूप से ऑटोमेट किया जा सकता है. Gradient Labs के लिए, इसका मतलब ऐसे सिस्टम के और करीब पहुँचना है जहाँ हर कस्टमर इंटरैक्शन को उसी स्थिरता, समझदारी, और निरंतरता के साथ संभाला जाए जैसा एक टॉप-टियर मानव एजेंट करता है.