A Gradient Labs minden banki ügyfélnek MI-számlamenedzsert ad

A banki ügyintézésben egy ügyfélprobléma megoldása ritkán egyszerű. Az olyan esetek, mint a csalás vagy a letiltott fizetések, több csapaton átívelő, összetett eljárások szigorú betartását igénylik. Amikor a rendszerek nem működnek megfelelően, az ügyfeleket egyik csapattól a másikhoz irányítják, sorban várakoznak, és késedelmekkel szembesülnek épp akkor, amikor a legnagyobb a tét.

A Gradient Labs⁠(új ablakban nyílik meg) azért jött létre, hogy kezelje ezt az összetettséget. A londoni cég olyan MI-ügynököket hoz létre, amelyek minden banki ügyfélnek egy dedikált számlamenedzser élményét nyújtják. A vállalatot egy olyan csapat alapította, amely korábban a Monzónál vezette a mesterséges intelligenciával és adattal kapcsolatos munkát; platformja OpenAI modellekre épül, és most az éles forgalmat fokozatosan a GPT‑5.4 mini és nano modellekre tereli.

„A GPT‑5.4 mini és nano esetében 500 milliszekundumos késleltetést látunk, és pontosan erre van szükségünk a természetes hangalapú beszélgetésekhez” – mondja Danai Antoniou, a Gradient Labs társalapítója és vezető kutatója. „A munkaterhelésünk jelentős részét tereljük át ezekre.”

A banki ügyfélkapcsolatokat szabványos működési eljárások (SOP-ok) szabályozzák, amelyek meghatározzák, hogy az egyes lépéseknél minek kell történnie.

Egy tipikus ügyfélinterakció így nézhet ki:

1. Egy ügyfél telefonál, hogy bejelentse ellopott bankkártyáját.
2. A rendszer ellenőrzi a személyazonosságát, miközben valós időben kezeli a korrekciókat és a félbeszakításokat.
3. Az ellenőrzés után letiltja a kártyát, és elindítja a cserét.
4. Megválaszolja a követő kérdéseket, például a kézbesítés időzítéséről, és javasolja a következő lépéseket.

Minden lépés egy meghatározott eljárást követ, a döntések pedig valós időben születnek a felhasználói input, a kontextus, a folyamatosan működő biztonsági és megfelelőségi kontrollok, valamint az ügyfél és az ügynök válaszai alapján a megfelelőség biztosítása érdekében.

„A modellnek megszakítások, háttérjelzések és témaváltások közben is észben kell tartania, hol tart az eljárás, és közben továbbra is gyorsan kell válaszokat generálnia” – mondja Antoniou. „A legtöbb szolgáltató ezt még meg sem tudta kísérelni.”

A Gradient Labs a legnagyobb kihívást jelentő eljárásain méri össze a szolgáltatókat, és az általuk folyamatkövetési pontosságnak nevezett mutató alapján értékeli őket: vagyis hogy a rendszer a megfelelő útvonalat követi-e az elejétől a végéig.

Egyik kezdeti értékelésükben a GPT‑4.1 volt az egyetlen modell, amely elérte a 97%-os folyamatkövetési pontosságot és következetességet. A következő legközelebbi szolgáltató 88%-ot ért el.

„A pénzügyi szolgáltatásokban ez a különbség aközött, hogy megoldanak egy hívást, vagy megfelelőségi incidenst okoznak” – mondja Antoniou.

Ez az eredmény meghatározta, hogyan tervezte meg a Gradient Labs a rendszerét. A csapat hibrid architektúrát épített, amely OpenAI modelleket használ az érvelésigényes lépésekhez, kisebb modelleket pedig a gyorsabb, determinisztikus feladatokhoz, olyan útválasztással, amely az összetettséghez és a késleltetési korlátokhoz igazodik.

Belül a rendszer speciális készségekből áll, amelyeket egy központi érvelési ügynök hangol össze, így az összetett esetek a kontextus elvesztése nélkül haladhatnak át a munkafolyamatokon. 

Minden interakciónál több mint 15 védőkorlát-rendszer fut párhuzamosan annak biztosítására, hogy a beszélgetések a meghatározott eljárások és megfelelőségi határok között maradjanak, beleértve a pénzügyi tanácsadás felismerését, a sérülékenységi jeleket, a panaszokat, valamint az ellenőrzés megkerülésére vagy érzékeny adatokhoz való hozzáférésre tett kísérleteket. 

A pénzügyi intézmények nem vak hit alapján vezetnek be ilyen rendszereket. Lépésről lépésre kell látniuk, hogy valós körülmények között is helyesen működnek.

„Az architektúrát a nulláról kell úgy felépíteni, hogy ne legyenek hallucinációk” – mondja Antoniou. „Ennek kell lennie az irányadó elvnek a fejlesztés során.”

Az új és a meglévő modellek értékeléséhez a csapat valós ügyfélbeszélgetéseket játszik vissza, és összeveti a rendszer viselkedését az elvárt eljárással. Emellett szintetikus beszélgetéseket is generálnak, hogy a szélsőséges eseteket és ritka forgatókönyveket még az élesítés előtt teszteljék.

A Gradient Labs azt is lehetővé teszi a csapatok számára, hogy kézben tartsák a rendszer bevezetésének módját. Elemeznek korábbi támogatási adatokat, hogy feltérképezzék, milyen típusú ügyfélproblémákat kezel egy bank, és milyen gyakran fordulnak elő ezek. A csapatok ezután kiválaszthatják, mely kategóriákat kezelje az MI, kezdetben alacsonyabb kockázatú munkafolyamatokkal, majd ezt idővel bővítve.

Az éles indulás előtt az ügyfelek szimulálhatnak beszélgetéseket, hogy áttekintsék, a rendszer hogyan reagál különböző helyzetekben, és így megbizonyosodjanak arról, hogy az elvártak szerint működik. 

A bevezetés jellemzően a forgalom kis százalékával indul, miközben a folyamatos monitorozás és az automatizált ellenőrzések megjelölik azokat a beszélgetéseket, amelyek emberi felülvizsgálatot igényelhetnek. Idővel a lefedettség bővül, ahogy a rendszer következetes teljesítményt mutat.

A Gradient Labs ügyfelei akár 98%-os CSAT-pontszámról számolnak be, egyes esetekben felülmúlva legjobb emberi ügynökeiket. A legtöbb bevezetés már az első napon 50% feletti megoldási aránnyal indul, még olyan összetett munkafolyamatok esetén is, mint a a vitás ügyek, az ügyfél-azonosítás és a csalásgyanús esetek kezelése. 

Ez a hatás a vállalat növekedésében is megmutatkozik. A Gradient Labs az elmúlt évben több mint tízszeresére növelte a bevételét, és a beérkező ügyfélmegkeresések kezelésétől az kimenő ügyfél-kommunikáció és a háttérfolyamatok felé is terjeszkedett.

Előretekintve a Gradient Labs olyan rendszerekre összpontosít, amelyek képesek megőrizni a kontextust az egymást követő interakciók között: megértik az ügyfél előzményeit, követik a folyamatban lévő ügyeket, és ott folytatják, ahol a korábbi beszélgetések abbamaradtak. Ez az irány szorosan illeszkedik ahhoz, ahogyan a Gradient Labs az OpenAI-jal való hosszú távú partnerségére tekint.

Ahogy a modellek tovább javulnak, egyre bővül azoknak az eljárásoknak a köre, amelyek biztonságosan automatizálhatók. A Gradient Labs számára ez azt jelenti, hogy közelebb kerül egy olyan rendszerhez, ahol minden ügyfélinterakciót ugyanazzal a következetességgel, ítélőképességgel és folytonossággal kezelnek, mint egy csúcskategóriás emberi ügynök.