PSB Showed How It Implements AI in Banking: Chatbots, RAG and Business Services

ПСБ раскрыл не просто набор AI-экспериментов, а довольно жёсткую и прагматичную схему внедрения ИИ в банковский контур. Банк подчёркивает, что не стремился тестировать все LLM-инструменты одним из первых, зато последовательно строил решения там, где можно быстро увидеть бизнес-эффект: в обслуживании малого и среднего бизнеса, автоматизации консультаций и снижении нагрузки на сотрудников. В результате у ПСБ уже работает связка из сценарных ботов, генеративного помощника, RAG-поиска по базе знаний и пилотов для внутренних команд.

Во внешних сервисах основной упор сделан на предпринимателей. ПСБ использует рекомендательные модели в CRM, чтобы анализировать транзакции и подсказывать более подходящие тарифы, продукты и поводы для контакта с клиентом. Логика простая: ИИ должен не развлекать, а экономить деньги и время.

Например, система может заметить, что клиент регулярно переплачивает за операции сверх лимита и ему выгоднее перейти на другой тариф. Или подсказать возможность перевести контрагента в ПСБ, если это снизит стоимость платежей для обеих сторон. По данным банка, уже около 98% сервисов для предпринимателей доступны дистанционно, а 74% проходят сквозную автоматизацию без участия человека на промежуточных этапах.

Ключевой продукт здесь — AI-ассистент «Катюша», доступный в интернет-банке, мобильном банке, на сайте и в VK. Его используют не только как чат-бот для ответов, но и как прикладной инструмент для рутинных задач бизнеса: подготовки текстов для продаж, описаний карточек на маркетплейсах, ответов на отзывы, постов для соцсетей и даже вопросов для интервью с кандидатами. Банк говорит примерно о четырёх тысячах запросов в квартал и подчёркивает, что сервис остаётся бесплатным для клиентов сегмента МСБ.

Под капотом работает российская LLM, которую ПСБ начал тестировать ещё на раннем пилоте. Идея здесь в том, чтобы собрать самые частые сценарии в одном окне вместо того, чтобы отправлять клиента по разным внешним сервисам. Следующий шаг — внедрение RAG в консультационный контур «Катюши».

По словам ПСБ, именно этот слой дал самый заметный качественный скачок: в пилоте автоматизация обращений выросла на 7%, среднее время решения вопроса сократилось в восемь раз, а удовлетворённость клиентов в чат-боте выросла на 21%. Одновременно долю неверных ответов удалось снизить с 3% до 1%. Для банка это важный результат, потому что на высоком уровне автоматизации каждый дополнительный процент даётся гораздо труднее, чем на старте.

Отдельной проблемой оказался этический фильтр LLM: на тестах он блокировал почти 30% запросов из-за формулировок в базе знаний. После переработки текстов, замены чувствительных слов и добавления постобработки долю таких блокировок сократили до 1%, что сделало пилот жизнеспособным. Отдельное направление — банк в мессенджерах и внутренний ИИ для сотрудников.

Ещё с 2023 года «Катюша» работает в VK не только как консультант, но и как интерфейс для базовых операций РКО: выставления счетов, платежей, просмотра выписок и баланса. В 2025 году число активных пользователей этого канала выросло на 35%, а через него прошло более 60 тысяч платежей. После этого ПСБ запустил платёжные сервисы и в MAX.

Внутри банка пилот для сотрудников стартовал в октябре 2025 года: сначала на 25 человек, которым нужно быстро отвечать на обращения из офисов продаж и от выездных менеджеров. Цель — высвободить около 10% рабочего времени, но в ходе пилота выяснилось, что наибольшую ценность ИИ даёт не на типовых вопросах, а в более узких сценариях без персональных данных, где важны точные консультации и подсказки по продуктам. Из всего этого складывается довольно понятная стратегия.

ПСБ не пытается построить универсальный AI-банк за один шаг, а разводит задачи по уровням риска и пользы: облачные модели — для контентных и неперсонализированных сценариев, сценарные боты — для быстрых простых ответов, RAG — для масштабируемых консультаций, а LLM внутри контура — для чувствительных данных и внутренних сервисов. В 2026 году банк собирается развернуть LLM в своём периметре и увеличить долю RAG-ответов в общем потоке консультаций с 4% до 16%. Для рынка это показательный пример того, как крупный банк внедряет генеративный ИИ не ради витрины, а как рабочий инструмент с понятными метриками.