Gradient Labs geeft elke bankklant een AI-accountmanager

In het bankwezen is het oplossen van een klantprobleem zelden eenvoudig. Situaties zoals fraude of geblokkeerde betalingen vereisen strikte naleving van complexe procedures waarbij meerdere teams betrokken zijn. Als systemen tekortschieten, worden klanten van het ene naar het andere team doorgestuurd, belanden ze in wachtrijen en lopen ze vertraging op juist op momenten dat het er het meest toe doet.

Gradient Labs⁠(opent in een nieuw venster) is gebouwd om deze complexiteit aan te kunnen. Het in Londen gevestigde bedrijf bouwt AI-agents die elke bankklant de ervaring van een toegewijde accountmanager geven. Het bedrijf is opgericht door een team dat eerder leiding gaf aan AI- en data-initiatieven bij Monzo. Het platform is gebouwd op OpenAI-modellen en verschuift productie-verkeer nu naar GPT‑5.4 mini en nano.

"We zien een latentie van 500 milliseconden met GPT‑5.4 mini en nano, en dat is precies wat we nodig hebben voor natuurlijke spraakgesprekken," zegt Danai Antoniou, medeoprichter en Chief Scientist bij Gradient Labs. "We brengen een aanzienlijk deel van onze workloads hiernaartoe over."

In het bankwezen worden klantinteracties gestuurd door standard operating procedures (SOP's) die bepalen wat er bij elke stap moet gebeuren.

Een typische klantinteractie kan er als volgt uitzien:

1. Een klant belt om een gestolen kaart te melden.
2. Het systeem verifieert de identiteit en verwerkt correcties en onderbrekingen in realtime.
3. Zodra de identiteit is geverifieerd, blokkeert het de kaart en start het een vervanging.
4. Het beantwoordt vervolgvraagstukken, zoals het bezorgmoment, en stelt vervolgstappen voor.

Elke stap volgt een vaste procedure, waarbij beslissingen in realtime worden genomen op basis van gebruikersinput, context, actieve waarborgen en reacties van zowel de klant als de agent, om compliance te waarborgen.

"Het model moet de status van de procedure behouden, ook bij onderbrekingen, backchannels en wisselingen van onderwerp, terwijl de reactiesnelheid hoog blijft," zegt Antoniou. "De meeste aanbieders kwamen niet eens in de buurt."

Gradient Labs benchmarkt aanbieders op hun meest uitdagende procedures en beoordeelt ze op wat zij trajectory accuracy noemen: of het systeem van begin tot eind het juiste pad volgt.

In een van hun eerste evals was GPT‑4.1 het enige model dat 97% trajectory accuracy en consistentie haalde. De eerstvolgende aanbieder kwam uit op 88%.

"In de financiële dienstverlening is dat het verschil tussen een gesprek oplossen en een compliance-incident veroorzaken," zegt Antoniou.

Dit resultaat bepaalde hoe Gradient Labs zijn systeem ontwierp. Het team bouwde een hybride architectuur die OpenAI-modellen gebruikt voor stappen die veel redenering vereisen en kleinere modellen voor snellere, deterministische taken, met routing die zich aanpast op basis van complexiteit en latentiebeperkingen.

Intern bestaat het systeem uit gespecialiseerde vaardigheden die worden georkestreerd door een centrale redenerende agent, waardoor complexe cases tussen workflows kunnen bewegen zonder context te verliezen. 

Bij elke interactie draaien meer dan 15 waarborgen parallel om ervoor te zorgen dat gesprekken binnen vastgestelde procedures en compliancekaders blijven, waaronder het detecteren van financieel advies, signalen van kwetsbaarheid, klachten en pogingen om verificatie te omzeilen of toegang te krijgen tot gevoelige gegevens. 

Financiële instellingen implementeren dit soort systemen niet op basis van vertrouwen alleen. Ze moeten stap voor stap zien dat het zich onder realistische omstandigheden correct gedraagt.

"Je moet de architectuur vanaf de basis zo opzetten dat hallucinaties worden voorkomen," zegt Antoniou. "Dat moet het leidende principe zijn tijdens de ontwikkeling."

Om zowel nieuwe als bestaande modellen te evalueren, speelt het team echte klantgesprekken opnieuw af en vergelijkt het het gedrag van het systeem met de verwachte procedure. Ze genereren ook synthetische gesprekken om edge cases en zeldzame scenario's te testen voordat iets wordt uitgerold.

Gradient Labs geeft teams ook controle over hoe het systeem wordt geïntroduceerd. Ze analyseren historische supportdata om in kaart te brengen welke soorten klantproblemen een bank afhandelt en hoe vaak die voorkomen. Teams kunnen vervolgens kiezen welke categorieën de AI moet afhandelen, beginnend met workflows met lager risico en dit in de loop van de tijd uitbreiden.

Voordat klanten live gaan, kunnen ze gesprekken simuleren om te beoordelen hoe het systeem reageert in verschillende scenario's, zodat er vertrouwen ontstaat dat het zich gedraagt zoals verwacht.

De uitrol begint doorgaans met een klein percentage van het verkeer, waarbij continue monitoring en geautomatiseerde controles gesprekken markeren die mogelijk menselijke beoordeling vereisen. Na verloop van tijd breidt de dekking zich uit naarmate het systeem consistent goede prestaties laat zien.

Klanten van Gradient Labs melden CSAT-scores tot wel 98% en presteren in sommige gevallen beter dan hun beste menselijke agents. De meeste implementaties starten op dag één al met oplossingspercentages van meer dan 50%, zelfs voor complexe workflows zoals geschillen, accountverificatie en fraude.

Dit is terug te zien in de groei van het bedrijf. Gradient Labs heeft de omzet het afgelopen jaar meer dan tien keer verhoogd en breidt uit van inkomende support naar uitgaande en backoffice-processen.

Vooruitkijkend richt Gradient Labs zich op systemen die context over interacties heen kunnen meenemen: de geschiedenis van een klant begrijpen, lopende problemen volgen en verdergaan waar eerdere gesprekken waren gebleven. Deze richting sluit nauw aan bij hoe Gradient Labs zijn langetermijnpartnerschap met OpenAI ziet.

Naarmate modellen blijven verbeteren, wordt het scala aan procedures dat veilig kan worden geautomatiseerd groter. Voor Gradient Labs betekent dat dichter bij een systeem komen waarin elke klantinteractie wordt afgehandeld met dezelfde consistentie, oordeelsvorming en continuïteit als een menselijke agent van topniveau.