Как мы обучили чат-бота вести диалог с помощью искусственного интеллекта

Искусственный интеллект (ИИ) — важный элемент бизнес-стратегии. В разных отраслях, особенно в банках, он помогает улучшить процессы: ускорить обслуживание, снизить нагрузку на операторов, сделать сервисы удобнее для пользователей. ИИ способен значительно изменять бизнес-модели, он становится не просто «поддержкой», а полноценным участником рабочих процессов.

В ВТБ мы внедряем искусственный интеллект на разных уровнях, чтобы повышать уровень сервиса. Это важно в цифровых продуктах, где качество и скорость ответа играет ключевую роль. Один из таких кейсов — чат-бот клиентской поддержки.

Чат-бот ВТБ — масштабный продукт с миллионной аудиторией, который вот уже несколько лет помогает клиентам решать проблемы. Бот опирается на сценарии, построенные на правилах распознавания, и показывает высокие результаты даже без использования ИИ. Именно поэтому внедрение искусственного интеллекта в такой зрелый продукт оказалось для нас вызовом. В этой статье расскажем, с какими трудностями мы столкнулись, когда стали внедрять ИИ в продукт с полноценным функционалом и к каким результатам нам удалось прийти.

Количество обращений к чат-боту постоянно растёт — а значит, важно не просто отвечать быстро, но и точно понимать, что именно хотят клиенты, и вести диалог так, чтобы им было удобно.

Мы сосредоточились на двух ключевых точках внедрения ИИ: распознавание намерений клиента и ведение диалога. Для более качественного распознавания мы внедрили:

А для более гладкого ведения диалога между ботом и пользователем и сокращения шагов интегрировали в чат:

Сейчас расскажем подробнее, как мы внедряли технологии.

Чтобы бот действительно помогал, нужно научить ИИ разбираться в потребностях человека. Мы начали с самого важного — понимания, что именно нужно пользователям. Изучали обращения, анализировали сессии, общались с клиентам и наполняли базу ML-модели примерами пользовательских запросов, чтобы пользователь точнее попадал в нужный сценарий.

Прежде чем внедрить в пользовательские сценарии бота на машинном обучении, мы решили проверить: а точно ли такой бот лучше закрывает реальные потребности клиента. Для этого параллельно запустили два бота — один работал на правилах распознавания, которые писали вручную, а второй — на алгоритмах ML.

Чтобы избежать ошибок в консультировании со стороны ИИ, для чат-бота с ML мы установили штраф — он мог отвечать только в случае высокой уверенности. По итогам теста результаты ботов были равнозначны. Тогда мы постепенно стали снижать штраф — и бот с ML начал справляться лучше благодаря постоянному обучению и регулировке модели.

После тестов и наблюдения за реальным пользовательским опытом мы решили масштабировать ML-модель на все сценарии бота и всех клиентов.

Перед каждым релизом нового сценария на клиентов мы проводим автоматические тесты, пополняем базу ML-модели примерами и работаем с записями всех пользовательских вопросов.

Благодаря этому бот сильно прогрессировал. Раньше Помощник ВТБ понимал только один запрос в сообщении клиента. Теперь он может распознать сразу два вопроса и ответить на них. А если клиент переспрашивает, бот отвечает другими словами, а не повторяет то же самое. Это делает общение с ботом более живым и повышает к нему доверие.

Кроме того, мы научили бота распознавать изображения. Теперь, когда клиенты направляют в чат скриншот, бот может определить, что клиент столкнулся с ошибками в работе приложения или задает вопрос по операции. И дать более точные рекомендации, а значит — решить проблему пользователя. Это помогает делать отдельная модель: она была обучена на наборе данных изображений, которые пользователи присылают в чат.

Параллельно мы прорабатывали возможности для оптимизации ведения диалога с клиентом. Добавили умные подсказки, которые ИИ генерирует на основе частых запросов клиентов. Такие подсказки, которые появляются при вводе запроса, помогают быстрее его формулировать.

Но особенно оптимизировать клиентский путь позволила NER — инновационная технология распознавания данных.

Named Entity Recognition (NER) вычленяет нужную информацию из текста и помогает боту быстрее и точнее отвечать на вопрос клиента. Благодаря внедрению этой технологии сокращается количество шагов в диалоге — клиенту не нужно повторно вводить свои данные.

Бот автоматически определяет в сообщении важные детали, такие как имена, даты, суммы, номера счетов и адреса. Например, если клиент напишет: «За что списали вчера 350 рублей?», «Передать номер мошенника +79101772742» или «Хочу пополнить сотовую связь +7917473435 на двести рублей», бот сразу распознает даты, номера и суммы и предоставит информацию без лишних уточнений. Планируем в ближайшее время внедрить технологию NER в сценарии заказа наличных в отделениях и переводы через СБП.

Внедрение машинного обучения помогает нам не только улучшать клиентский опыт, но и снижать нагрузку на контактный центр — рутинные вопросы обрабатываются автоматически, а сотрудники на линии поддержки могут сосредоточиться на сложных запросах.

Мы достигли очень высокого уровня автоматизации чат-бота — 85%. То есть 8 запросов из 10 закрываются ботом без переключения на оператора.

Благодаря развитию чат-бота и внедрению ИИ-технологий в чате в 2024 году банк сэкономил 3,5 млрд рублей. Это еще один важный эффект от автоматизации сервиса поддержки.

Клиенты тоже увидели пользу от изменений: доля удовлетворенности клиентов высокая — 75%. Этот показатель рассчитывается по количеству «пятерок» в оценках.

Что еще у нас получилось сделать:

А еще наш чат-бот ВТБ получает регулярное признание в индустрии. Например, в 2024 году он стал лидером рейтинга Naumen Bank CC Rank. Также бот ежегодно попадает в тройку лидеров рейтинга мобильных банков Markswebb. В марте 2025 года чат-бот занял первое место в премии «Хрустальная гарнитура» за лучший клиентский опыт автоматизированного и роботизированного взаимодействия.

Мы ориентируемся на потребности клиентов и продолжаем развивать «Помощника ВТБ». В ближайшем будущем планируем: