Как Platform V Flow и ИИ-агенты помогли Сберу сократить время обработки клиентских сообщений в 5 раз
Цифровая трансформация Сбера включает активное внедрение ИИ‑технологий для повышения качества клиентского сервиса. На второй линии поддержки, где ежемесячно обрабатываются сотни тысяч отложенных обращений, многие запросы требовали существенного участия сотрудников — в том числе по таким тематикам, как комиссии за дебетовые карты и задолженность по кредитным картам.
В 2025 году банк внедрил мультиагентные ИИ‑решения на базе Platform V Flow и GigaChat для автоматизации обработки этих типов обращений. Благодаря новому подходу удалось оптимизировать процессы: сократить время обработки сообщений, снизить трудозатраты и уменьшить количество ошибок за счёт снижения влияния человеческого фактора.
В кейсе рассмотрим, как с помощью мультиагентных ИИ‑систем решалась задача автоматизации обработки обращений и каких результатов удалось добиться в рамках проектов.
В 2025 году банк внедрил мультиагентные ИИ‑решения на базе Platform V Flow и GigaChat для автоматизации обработки этих типов обращений. Благодаря новому подходу удалось оптимизировать процессы: сократить время обработки сообщений, снизить трудозатраты и уменьшить количество ошибок за счёт снижения влияния человеческого фактора.
В кейсе рассмотрим, как с помощью мультиагентных ИИ‑систем решалась задача автоматизации обработки обращений и каких результатов удалось добиться в рамках проектов.
Предпосылки
Проект автоматизации обработки обращений по комиссиям по дебетовым картам
До запуска проекта значимая часть цепочки обработки обращений выполнялась сотрудниками вручную:
Требовалось решение для снижения доли ручных операций в отложенной обработке обращений при сохранении качества сервиса и соблюдении регламентных сроков.
- вычитка клиентского обращения,
- сопоставление описанной клиентом ситуации с транзакциями по карте,
- определение типа комиссии и потребности клиента,
- составление ответа на обращение.
Требовалось решение для снижения доли ручных операций в отложенной обработке обращений при сохранении качества сервиса и соблюдении регламентных сроков.
Проект консультирования клиентов по задолженности кредитных карт
Особенности данного направления:
Комбинация этих факторов не позволяла реализовать классическую детерминированную автоматизацию без участия сотрудника. Требовалось решение, которое помогло бы сотрудникам ускорить обработку клиентских обращений с сохранением высокого качества сервиса.
- широкий и неоднозначный пул вопросов клиентов,
- выраженная сезонность (пиковые нагрузки в отдельные дни месяца),
- широкая вариативность кейсов,
- обработка неструктурированной текстовой информации из различных источников.
Комбинация этих факторов не позволяла реализовать классическую детерминированную автоматизацию без участия сотрудника. Требовалось решение, которое помогло бы сотрудникам ускорить обработку клиентских обращений с сохранением высокого качества сервиса.
Ключевые задачи проектов
01
Повышение удовлетворенности клиентов
02
Сокращение трудозатрат
03
Сокращение времени обработки обращений клиентов при сохранении качества сервиса
С какими вызовами столкнулись
01
Освоение новых технологических инструментов (в т. ч. впервые использовавшейся LLM GigaChat) и их интеграция в существующую архитектуру.
02
Отсутствие накопленной экспертизы в работе с LLM усложняло проектирование процессов и настройку окружения для моделей.
03
Высокие требования к безопасности и соответствию внутренним стандартам: каждая конфигурация и новая версия сервисов с LLM проходила обязательную проверку, что увеличивало сроки вывода в эксплуатацию.
04
В результате команда не только преодолела технические сложности, но и сформировала компетенции для будущих проектов с применением LLM-технологий.
Решение
В обоих проектах для реализации целевой модели процесса использовали low‑code систему Platform V Flow, в которой:
01
описали бизнес‑логику обработки обращений
02
настроили интеграции с продуктовыми системами
03
реализовали взаимодействие с GigaChat
Проект автоматизации обработки обращений по комиссиям по дебетовым картам
Раньше основным звеном процесса обработки клиентских обращений был сотрудник. Проект трансформировал этот процесс: теперь ключевое звено в обработке запросов — группа из ИИ-агентов.
Этапы обработки:
Поступившее обращение регистрируется оператором первой линии и попадает в Platform V Flow, где создаётся экземпляр BPM-модели.
Далее вместо передачи на ручной сценарный этап BPM-модель запускает мультиагентную систему из четырёх ИИ-агентов:
Этапы обработки:
Поступившее обращение регистрируется оператором первой линии и попадает в Platform V Flow, где создаётся экземпляр BPM-модели.
Далее вместо передачи на ручной сценарный этап BPM-модель запускает мультиагентную систему из четырёх ИИ-агентов:
- Классификатор: анализирует потребность клиента, выделяет ключевые параметры и формализует обращение.
- Планировщик: составляет пошаговый план обработки обращения, выступая в роли «мозга» системы. Определяет порядок действий, необходимость интеграций и подключения сотрудника.
- Исполнитель: работает как «руки» системы. Последовательно выполняет план, вызывает интеграции, выбирает релевантные транзакции. При необходимости создаёт задачу сотруднику через Platform V Flow.
- Контроль качества: проверяет работу остальных агентов. При ошибках возвращает на доработку с уточняющим комментарием. Если всё корректно, сформированный ответ отправляется клиенту.
Проект консультирования клиентов по задолженности кредитных карт
Результат
Благодаря внедрению мультиагентных ИИ-решений на базе Platform V Flow и GigaChat значительная доля клиентских обращений теперь обрабатывается полностью автоматически, а сотрудники сосредотачиваются на нестандартных сценариях. Это позволило снизить операционную нагрузку, сократить среднее время обработки и повысить предсказуемость качества сервиса.
Проект автоматизации обработки обращений по комиссиям по дебетовым картам
- Оптимизация затрат на 20 млн в год только за счёт внедрения одного ИИ-агента
- Сокращение доли обращений, требующих участия сотрудника, на 87%
- Рост уровня автоматизации обработки обращений по тематике на 30%
- Сокращение времени обработки обращений в 5 раз
- Снижение количества ошибок благодаря исключению человеческого фактора из цепочки принятия типовых решений
Проект консультирования клиентов по задолженности кредитных карт показал результаты
- Сокращение трудозатрат на анализ обращения и подготовку ответа клиенту
- Рост уровня автоматизации обработки обращений по тематике на 15%
- Сокращение времени обработки обращений в 2 раза
Пообщайтесь с экспертом
Оставьте запрос на консультацию — свяжемся с вами и ответим на вопросы