Проект ОТП Банка и Naumen с ИИ-аналитикой диалогов вышел в финал премии Generation AI Awards
ОТП Банк стал финалистом в номинации «Лучшее GenAI-решение в области клиентской поддержки» с проектом AI-аналитики диалогов с клиентами в контакт-центре и службе взыскания. Гибридный подход на базе платформы речевой аналитики Naumen с четким разделение ролей между ML и LLM позволил банку лучше понять клиентов и получить измеримый экономический эффект. Переход к ИИ-анализу 100% звонков и чатов повысил качество сервиса, сократил время обработки обращений и снизил нагрузку на сотрудников.
ОТП Банк вошел в число финалистов премии Generation AI Awards 2026, которая освещает лучшие практики применения GenAI в. бизнесе. В рамках проекта банк выстроил двухуровневую AI-систему анализа диалогов на базе платформы речевой аналитики Naumen Conversation Intelligence. ML отвечает за массовые задачи: классификацию тематик, базовый контроль алгоритмов, автоматическую оценку всех звонков и чатов. LLM подключается там, где требуется глубокое понимание контекста и эмоций клиента. Переход от ручного анализа 1% диалогов к AI-анализу 100% коммуникаций позволил быстрее выявлять отклонения и масштабировать лучшие практики в контакт-центре, продажах и службе взыскания.
В результате, в контакт-центре банка среднее время обработки обращения (AHT) сократилось на 5 секунд, а доля вопросов, решенных с первого обращения (FCR), выросла на 1,7 п.п. Автоматизация работы с регуляторными рисками за счет ИИ-анализа и ежечасного контроля обращений снизила объем жалоб в Банк России на 25%. Благодаря LLM банк стал начислять сорри-бонусы с учетом не только формальных оснований, но и эмоций клиента, а двойной контроль повысил точность начислений с 85% до 97%
LLM-анализ продаж в период охлаждения после оформления кредита довел точность определения причины отказа клиента до 98% и помог давать сотрудникам персональные рекомендации, что привело к росту удержания клиентов на 30%. ИИ-анализ возражений клиентов на исходящем обзвоне выявил сценарии, где не срабатывают стандартные скрипты, и обеспечил дополнительный прирост конверсии: 1,54% по кредитам наличными и 2,03% по кредитным картам, суммарный эффект составил 3,3 п.п.
В службе взыскания, несмотря на сложность сегмента, уровень удовлетворенности клиентов вырос с 3,2 до 4,5 баллов. В оценке качества диалога ML-модель обеспечила корректность более 99% по 7 из 8 критериев. Для самого сложного критерия — оценки мотивации клиента к погашению задолженности — был задействован LLM, что позволило достичь точности свыше 94% и увеличить число выполненных обещаний оплаты на 5,5%. Заметно выросла скорость работы экспертов: LLM-саммаризация длинных диалогов сократила время анализа звонка в 20 раз. ML-тематизация входящих обращений позволила передать голосовому роботу 30% типовых запросов и точнее управлять нагрузкой.
