Gradient Labs menehi saben nasabah bank manajer akun AI
Gradient Labs nggunakke GPT‑4.1 lan GPT‑5.4 mini lan nano kanggo mbukak alur kerja dhukungan keuangan sing kompleks kanthi akurasi dhuwur lan latensi endhek.
Asil
10x
Pertumbuhan revenue
Asil
98%
Kepuasan pelanggan karo pengalaman agen AI
Asil
+11%
Akurasi luwih dhuwur nganggo GPT-4.1 tinimbang panyedhiya paling apik sabanjure
Ing perbankan, ngrampungake masalah pelanggan meh ora tau prasaja. Kasus kaya penipuan utawa pembayaran sing kablokir mbutuhake netepi prosedur kompleks sing ketat ing pirang-pirang tim. Nalika sistem ora nyukupi, pelanggan dipindhah saka siji tim menyang tim liyane, ngenteni ing antrean, lan ngalami tundha nalika taruhane lagi paling dhuwur.
Gradient Labs(mbukak ing jendhela anyar) dibangun kanggo nangani kerumitan iki. Perusahaan sing adhedhasar ing London iki lagi mbangun agen AI sing menehi saben nasabah bank pengalaman kaya duwe manajer akun khusus. Didegake dening tim sing sadurunge mimpin upaya AI lan data ing Monzo, platform perusahaan iki dibangun ing ndhuwur model OpenAI lan saiki lagi nggeser lalu lintas produksi menyang GPT‑5.4 mini lan nano.
“Kita ndeleng latensi 500 milidetik nganggo GPT‑5.4 mini lan nano, lan kuwi pas kaya sing kita butuhake kanggo obrolan swara alami,” ujare Danai Antoniou, Co-Founder lan Chief Scientist ing Gradient Labs. “Kita lagi mindhah bagean gedhe saka beban kerja kita menyang kana.”
“Kita butuh telung prekara sekaligus: akurasi ing manut instruksi, tingkat halusinasi sing endhek, lan keandalan function-calling, kabeh ing sangisore watesan latensi swara. OpenAI mung siji-sijine panyedhiya sing lolos ing telune.”
Ing perbankan, interaksi pelanggan diatur dening standard operating procedures (SOPs) sing nemtokake apa sing kudu kedadeyan ing saben langkah.
Interaksi pelanggan sing khas bisa kaya mangkene:
- Pelanggan nelpon kanggo nglaporake kertu sing dicolong.
- Sistem verifikasi identitase, nangani koreksi lan gangguan kanthi wektu nyata.
- Sawise diverifikasi, sistem mblokir kertu kasebut lan miwiti pengganti.
- Sistem mangsuli pitakon tindak lanjut, kayata wektu pangiriman, lan menehi saran langkah sabanjure.
Saben langkah ngetutake prosedur sing wis ditemtokake, kanthi keputusan sing digawe kanthi wektu nyata adhedhasar input pangguna, konteks, guardrail sing mlaku, lan tanggapan saka pelanggan lan agen kanggo njamin kepatuhan.
“Model kudu njaga status prosedur sajrone gangguan, backchannel, lan perpindahan topik, nalika tetep njaga generasi tanggapan supaya cepet,” ujare Antoniou. “Akèh panyedhiya malah ora bisa nyoba.”
Gradient Labs mbandhingake panyedhiya adhedhasar prosedur sing paling nantang lan ngevaluasi nganggo sing diarani akurasi trajektori: apa sistem ngetutake jalur sing bener saka wiwitan nganti rampung.
Ing salah siji eval awal, GPT‑4.1 dadi siji-sijine model sing tekan akurasi trajektori lan konsistensi 97%. Panyedhiya paling cedhak sabanjure ana ing 88%.
“Ing layanan keuangan, kuwi bedane antarane ngrampungake telpon lan nggawe insiden kepatuhan,” ujare Antoniou.
Asil iki mbentuk cara Gradient Labs ngrancang sisteme. Tim kasebut mbangun arsitektur hibrida sing nggunakake model OpenAI kanggo langkah-langkah sing mbutuhake nalar intensif lan model sing luwih cilik kanggo tugas sing luwih cepet lan deterministik, kanthi routing sing adaptasi adhedhasar kerumitan lan watesan latensi.
Ing njero, sistem iki kasusun saka skill khusus sing diorkestrasi dening agen nalar pusat, saengga kasus kompleks bisa pindhah ing antarane alur kerja tanpa kelangan konteks.
Kanggo saben interaksi, luwih saka 15 sistem guardrail mlaku bebarengan kanggo mesthekake obrolan tetep ana ing njero prosedur lan wates kepatuhan sing wis ditemtokake, kalebu deteksi nasihat keuangan, sinyal kerentanan, komplain, lan upaya kanggo ngliwati verifikasi utawa ngakses data sensitif.
Lembaga keuangan ora masang sistem kaya iki mung adhedhasar percaya. Dheweke kudu ndeleng langkah demi langkah yen sistem tumindak kanthi bener ing kondisi donya nyata.
“Sampeyan kudu ngrancang saka dhasar supaya ora ana halusinasi,” ujare Antoniou. “Kuwi kudu dadi prinsip pandhuan nalika sampeyan mbangun.”
Kanggo ngevaluasi model anyar lan sing wis ana, tim muter maneh obrolan pelanggan nyata lan mbandhingake prilaku sistem karo prosedur sing dikarepake. Dheweke uga nggawe obrolan sintetis kanggo nguji kasus pinggiran lan skenario langka sadurunge ana apa wae sing dipasang.
Gradient Labs uga menehi kontrol marang tim babagan carane sistem iki diperkenalake. Dheweke nganalisis data dhukungan historis kanggo nggambarake jinis masalah pelanggan sing ditangani bank lan sepira kerepe kedadeyan. Banjur tim bisa milih kategori endi sing kudu ditangani AI, diwiwiti saka alur kerja berisiko luwih endhek lan ngembang saka wektu ke wektu.
Sadurunge tayang langsung, pelanggan bisa nyimulasikake obrolan kanggo mriksa carane sistem nanggapi ing macem-macem skenario, mbangun kapercayan yen sistem tumindak kaya sing dikarepake.
Pamasangan biasane diwiwiti karo persentase cilik saka lalu lintas, kanthi pemantauan terus-terusan lan pamriksa otomatis sing nandhani obrolan sing bisa uga mbutuhake tinjauan manungsa. Saka wektu ke wektu, cakupan bakal ngembang nalika sistem nuduhake kinerja sing konsisten.
Pelanggan Gradient Labs nglaporake skor CSAT nganti 98%, ing sawetara kasus ngluwihi agen manungsa paling apik sing diduweni. Akèh pamasangan diwiwiti kanthi tingkat resolusi luwih saka 50% ing dina kapisan, malah kanggo alur kerja kompleks kaya sengketa, verifikasi akun, lan penipuan.
Dampak kasebut katon ing pertumbuhan perusahaan. Gradient Labs wis nambah revenue luwih saka 10x sajrone setaun kepungkur, ngembang saka dhukungan mlebu menyang proses outbound lan back-office.
Ndelok menyang ngarep, Gradient Labs fokus marang sistem sing bisa nggawa konteks ing antarane interaksi: mangerteni riwayat pelanggan, nglacak masalah sing isih lumaku, lan nerusake saka titik obrolan sadurunge mandheg. Arah iki raket selaras karo cara Gradient Labs mikir babagan kemitraan jangka panjang karo OpenAI.
“Kita ora mung milih model kanggo dina iki. Kita lagi mbangun ing platform sing nuduhake arah model nalar mlaku ing arah sing padha karo produk kita.”
Nalika model terus saya apik, jangkauan prosedur sing bisa diotomatisasi kanthi aman uga saya amba. Kanggo Gradient Labs, kuwi ateges saya cedhak menyang sistem sing saben interaksi pelanggan ditangani kanthi konsistensi, pertimbangan, lan kesinambungan sing padha karo agen manungsa kelas paling dhuwur.
