По мере роста крупные банки неизбежно сталкиваются с проблемой, когда массовая коммуникация с клиентом начинает носить общий характер. Базовая сегментация работает достаточно просто — пенсионерам предлагают вклады, молодежи кредитки, всем остальным кэшбек на продукты.

Клиенты получают сообщения, которые «примерно про них», но не попадают точно в потребность. Система приносит результат в деньгах, но команда понимает, что метрики можно и нужно улучшить.

Команда Альфа-банка решила создать автоматизированное решение для генерации персонализированных sales-аргументов с целью роста ключевых показателей продаж:

Soft-эффект от решения заключался в снижении операционных расходов за счет автоматизации самого процесса.

Первая идея казалась очевидной — подключить LLM для более точной разметки базы клиентов. Банк запустил A/B-тест: сравнили текущее решение с подходом внешнего вендора, который использовал промпт без дообучения модели.

Для теста создали защищенный шлюз для обмена данными: выгрузка уходила партнеру, он обрабатывал данные на своей стороне и возвращал результат.

Оценку релевантности полученного результата проводили сотрудники банка, которые согласились поучаствовать в тесте. Плюс такого подхода — возможность оценить персонализацию напрямую у людей, спросив, насколько им релевантна предложенная разметка.

Результат разочаровал. Партнер использовал промпт без дообучения модели, и это привело к провалу по всем параметрам:

• Средняя индивидуальная оценка осталась на уровне «плюс-минус про меня»
• Количество атрибутов клиента (тегов вроде «бегун», «заправляется на Газпроме», «покупает в Пятерочке») снизилось в 2 раза
• Решение партнера было дороже и тяжеловеснее существующего

Результат:

Команда Альфа-Банка разработала собственное решение, которое комбинирует несколько технологий.

Пилот запустили в телемаркетинге — операторы озвучивали персонализированные аргументы в прямом разговоре с клиентом вместо универсальных.

Классические ML-модели (бустинг) выделяют пользователей, готовых к приобретению конкретного продукта. LLM здесь не используется — его задача не в том, чтобы определять склонность к покупке, а в том, чтобы сгенерировать текст для аргумента, соответствующий описанию клиента и конкретного продукта.

Три подхода работают параллельно:

• Бизнес-правила присваивают базовые теги
• LLM выделяет высокочастотные паттерны в транзакционной активности
• Нейросети дополняют разметку

Почему не использовать только LLM? Потому что комбинация технологий дает нужную точность при разумных затратах.

LLM анализирует теги, которые описывают транзакционную активность пользователя, и находит неявные корреляции между поведением клиента и преимуществами конкретного продукта. Для каждого клиента формируется три уникальных sales-аргумента.

Скрипт назначает релевантные аргументы каждому клиенту из целевой выборки. В целевом решении здесь стоит использовать ML-модель, но для тестирования бизнес-гипотезы и быстрого запуска подходят скрипты.

Для пилота разделили аудиторию на две группы и сравнили подходы:

Клиент часто посещал медицинские учреждения → оператор не предлагал кэшбэк, а рассказывал про медицинского консьержа, который поможет записаться ко врачу или организовать онлайн-консультацию.

Клиент купил билеты или оформил поездку → акцент также на консьерж-сервис, который возьмет на себя все хлопоты в поездке: от оформления виз и бронирования билетов до регистрации на рейс и аренды жилья.

Тестовых вариаций было множество, потому что три sales-аргумента комбинировались для каждого пользователя по-разному с учетом транзакционной активности.

Тестовая группа с персонализированными аргументами показала прирост +16% по двум ключевым показателям. Выросла конверсия в согласие — клиенты чаще соглашались подключить продукт. А также конверсия в подключение после триала — больше клиентов завершали оформление, что напрямую влияет на доходность продукта.

Результат:

Важное условие: тест запускали на активной транзакционной базе. Без данных о поведении клиента персонализировать коммуникацию невозможно.

Команда выбрала окно в две недели: люди быстро забывают, что делали, поэтому более старые данные снижали релевантность аргументов.

Для успешного решения задач автоматизации важно понимать принципиальную разницу между классической автоматизацией (RPA) и интеллектуальными агентами на базе AI.

RPA имитирует четко определенные действия человека, а AI-агенты — само мышление для анализа, интерпретации и принятия решений.

RPA подходит для:

• Процессов с четкой, неизменной последовательностью шагов
• Работы со структурированными входными данными: информация в предсказуемом формате (поля в форме, таблицы, шаблонные документы)
• Когда отсутствует необходимость в интерпретации: задача решается по заранее заданному алгоритму без принятия субъективных решений
• Когда требуется обеспечить высокую стабильность и точность: процесс должен выполняться без отклонений 24/7

Например, заполнение пользовательских данных: есть четкие графы (имя, фамилия, дата рождения, прописка), технология извлекает данные и вставляет в нужные поля программы, где работает операционный менеджер.

AI-агент нужен для:

• Работы с неструктурированными данные: тексты документов, электронные письма, изображения, расшифровки диалогов
• Задач анализа и интерпретации: понимание смысла, извлечение сути, определение тональности, классификация
• Принятия решений на основе множества факторов: оценка риска, выбор оптимального варианта из многих, прогнозирование
• Творческой генерация: создание текстов, кода, ответов на запросы в свободной форме

Например, обработка договоров банковской гарантии. AI должен не просто найти данные, а понять сложные юридические формулировки, выявить скрытые условия и потенциальные риски, которые человек может пропустить.

Наиболее эффективные решения возникают, если комбинировать технологий.

Пример: процесс обработки заявок на ипотеку.

• RPA забирает заявление из почты и вносит клиентские данные в систему.
• AI-агент анализирует приложенные справки о доходах (неструктурированные PDF), извлекает ключевые цифры и оценивает надежность заемщика.
• RPA на основе решения AI формирует договор и отправляет его на подпись.

Итог: выбирайте RPA, если процесс предсказуем и повторяем. Подключайте AI-агентов, когда задача требует интерпретации и гибкости в выборе решения. Часто их совместное использование открывает путь к автоматизации действительно сложных бизнес-процессов, позволяя вам снизить опер кост.