Gradient Labs 讓每位銀行客戶都能擁有 AI 客戶經理

在銀行業中，解決客戶問題通常不容易。像詐欺或付款遭攔截這類案件，需要多個團隊嚴格遵循複雜流程。當系統無法因應時，客戶就會被轉來轉去、排隊等候，並在關鍵時刻面臨延誤。

Gradient Labs⁠(在新視窗中開啟) 正是為了處理這種複雜性而打造。這家總部位於倫敦的公司正在建構 AI 智慧體，讓每位銀行客戶都能擁有專屬客戶經理般的體驗。該公司由一支曾主導 Monzo AI 與資料工作的團隊創立，公司平台建構於 OpenAI 模型之上，目前正將正式環境流量轉移至 GPT‑5.4 mini 與 nano。

「GPT‑5.4 mini 與 nano 的延遲只有 500 毫秒，正是自然語音對話需要的水準，」Gradient Labs 共同創辦人兼首席科學家 Danai Antoniou 表示。「我們正將一大部分的工作負載遷移至這兩個模型。」

在銀行業中，客戶互動受到標準作業程序（SOP）規範，定義每一步應該發生的事。

典型的客戶互動可能如下：

1. 客戶來電通報卡片遭竊。
2. 系統驗證其身分，並即時處理更正與插話。
3. 完成驗證後，系統會凍結卡片並啟動補發流程。
4. 系統會回答後續問題，例如送達時間，並建議下一步。

每一步都遵循明確程序，根據使用者輸入、執行情境、防護機制，以及客戶與智慧體的即時回應做出決策，確保全程合規。

Antoniou 表示：「模型需要在中斷、回應語與話題切換之間維持程序狀態，同時維持快速回應。多數供應商甚至無法嘗試做到這點。」

Gradient Labs 會以最具挑戰性的程序對各家供應商進行基準測試，並用所謂的「軌跡準確率」指標評估：也就是系統是否能從頭到尾走在正確路徑上。

在他們最初的一次評估中，GPT‑4.1 是唯一達到 97% 軌跡準確率與一致性的模型。最接近的下一家供應商是 88%。

Antoniou 指出：「在金融服務中，這就是解決一通來電，與引發一起合規事件之間的差距。」

這項結果形塑了 Gradient Labs 設計系統的方式。團隊打造出混合式架構：推理密集的步驟使用 OpenAI 模型，快速且確定性的任務則使用較小模型，並以路由機制靈活因應不同的複雜度與延遲限制。

在內部，系統由中央推理智慧體協調的專門技能組成，讓複雜案件能在不同工作流程間移動而不失去脈絡。 

每次互動中，都有 15+ 套防護系統並行運作，確保對話維持在既定程序與合規界線內，包括金融建議偵測、脆弱性訊號、客訴，以及試圖繞過驗證或存取敏感資料的行為。 

金融機構不會憑信念部署這類系統。他們需要一步一步看見，系統在真實世界條件下確實能正確運作。

Antoniou 表示：「你必須從最底層開始架構，目標就是零幻覺。這必須是建構過程中的指導原則。」

為了評估新舊模型，團隊會重播真實客戶對話，並將系統行為與預期程序做比較。他們也會生成合成對話，在任何部署之前測試邊緣案例與罕見情境。

Gradient Labs 也讓團隊能掌控系統的導入方式。他們分析歷史支援資料，掌握銀行處理的各類客戶問題及其發生頻率。接著，團隊可以選擇要讓 AI 處理哪些類別，從較低風險的工作流程起步，逐步擴大覆蓋範圍。

在正式上線前，客戶可以模擬對話，檢視系統在不同情境下的回應，對系統行為建立信心。

部署通常會從少量流量開始，並透過持續監控與自動檢查標記可能需要人工審查的對話。隨著系統持續展現穩定表現，覆蓋範圍也會逐步擴大。

Gradient Labs 的客戶回報，CSAT 分數最高可達 98%，在某些情況下甚至優於他們最頂尖的真人客服。多數部署在第一天就能達到超過 50% 的解決率，即使是爭議處理、帳戶驗證與詐欺等複雜流程也是如此。

這種影響力也反映在公司的成長上。過去一年，Gradient Labs 的營收成長超過 10 倍，業務已從入站支援擴展到外撥與後台流程。

放眼未來，Gradient Labs 正專注於能跨互動保有脈絡的系統：理解客戶歷程、追蹤進行中的問題，並從先前對話中斷之處接續處理。這個方向也與 Gradient Labs 和 OpenAI 長期合作的策略思考高度一致。

隨著模型持續進步，能安全自動化的程序範圍也在擴大。對 Gradient Labs 而言，目標是讓每一次客戶互動，都能達到頂尖真人客服的一致性、判斷力與延續性。