Sberbank: IA resuelve el 65% de consultas de clientes en el centro de contacto

• ИИ на линии: Сбербанк автоматизировал рассмотрение более 65% клиентских обращений — CNews, 2026-06-15
• Сбер автоматизировал рассмотрение более 65% клиентских обращений — AK&M, 2026-06
• Сбер внедрил GigaChat в контактный центр — CNews, 2024-11-07
• ИИ принёс Сберу 300 млн руб. за счёт оптимизации обработки звонков — ComNews, 2024-03-01
• Сбер сэкономит более 7 тыс. часов в месяц благодаря внедрению ИИ в контакт-центре для бизнеса — PLUSworld, 2024
• GigaChat (обучение на суперкомпьютерах Christofari / Christofari Neo) — Википедия, 2026-07-10

Contexto

Sberbank es el banco más grande de Rusia con más de 110 millones de clientes minoristas y desarrollador de su propio modelo de lenguaje de gran escala, GigaChat. Esta es una configuración rara a nivel mundial: el banco no compra IA a un proveedor, sino que entrena sus propios modelos en su propia infraestructura — las supercomputadoras Christofari y Christofari Neo (Cloud.ru) con GPUs NVIDIA A100.

El centro de contacto del banco atiende tanto a clientes minoristas como corporativos a través de canales de voz y texto. A esta escala, la automatización de soporte no es un experimento sino uno de los principales apalancadores de eficiencia operativa: fracciones de punto porcentual de automatización se traducen en cientos de operadores.

El lanzamiento de IA fue escalonado y documentado en la prensa en cada paso. En 2023 el banco optimizó el enrutamiento de IA de llamadas de clientes empresariales — el escenario más medible y 'aburridó', que sin embargo produjo el primer dinero nombrado públicamente. Desde noviembre de 2024 un asistente de operador GigaChat entró en funcionamiento en el centro de contacto de clientes corporativos. Y para Q1 2026 el banco informó la proporción de consultas que IA resuelve sin participación humana en absoluto — comparado con datos del mercado Frank RG, una rareza en el mercado ruso.

Esa secuencia — enrutamiento, asistente de operador, automatización completa — hace que el caso de Sber sea una hoja de ruta útil para cualquier centro de contacto grande: las etapas van de simple a complejo, y cada una tiene su propia métrica de éxito.

Problema

A la escala del banco más grande del país, las consultas rutinarias dominan el flujo del centro de contacto, y cada minuto de manejo se multiplica por millones de diálogos. El enrutamiento de llamadas de clientes corporativos era un dolor particular: antes de la optimización tomaba 3.5 veces más tiempo que después (según ComNews, 18 segundos después de la implementación). Un cliente empresarial rebotado entre líneas no es solo irritación sino costo directo: cada transferencia adicional consume tiempo del operador.

El segmento corporativo es objetivamente más difícil que el minorista. Alexander Krushinsky, director de tecnología de voz en BSS, le dijo a ComNews que la automatización 'buena' de una línea entrante es 30–60% — y calificó el segmento corporativo como uno de los más difíciles: los temas de clientes empresariales son más amplios, la redacción es más específica, y el costo de una respuesta incorrecta es mayor.

El segundo dolor concernía a los operadores mismos: durante una conversación tenían que buscar manualmente la base de conocimiento. Mientras el operador busca una regulación, el cliente espera en la línea; la calidad de la respuesta depende de qué tan rápido navega una persona la documentación. Esa brecha — entre el conocimiento que tiene el banco y la velocidad de acceso a él durante la conversación — es exactamente lo que cierra un asistente de operador.

Finalmente, estaba el problema de medibilidad: 'desplegamos IA' no es un resultado. El banco necesitaba mostrar impacto en métricas que tanto el negocio como el mercado entiendan: la proporción de consultas manejadas sin un humano, velocidad de respuesta, horas y rubles ahorrados.

Solución

Sber construyó IA en el centro de contacto como tres capas secuenciales, cada una con su propia economía.

La primera capa es enrutamiento. El análisis predictivo enruta el 87% de llamadas de clientes corporativos, la precisión de enrutamiento subió 14 puntos porcentuales en un año al 77%, y el tiempo de enrutamiento cayó 3.5x — a 18 segundos (datos de ComNews). El análisis de voz cubre el 99% de consultas, y a principios de 2024 el asistente de IA en canales de texto empresarial ya resolvía el 23% de consultas por sí solo. Esta capa produjo el primer dinero nombrado públicamente: 300 millones de rubles ahorrados en 2023.

La segunda capa es el asistente de operador GigaChat, lanzado el 7 de noviembre de 2024 para soporte de cliente corporativo. El modelo analiza la conversación con el empresario en tiempo real, encuentra los materiales correctos en la base de conocimiento SberHelp, los resume y ofrece al operador sugerencias listas para usar. Una función separada es el control de calidad: GigaChat califica la amabilidad y profesionalismo del diálogo con una precisión del 80% y da recomendaciones cuando se violan los estándares de servicio. Al lanzamiento el 40% de operadores tenían acceso; a finales de 2024 el banco planeaba implementarlo en todo el personal de soporte empresarial en chats, luego en la línea 0321 de voz. Sergey Lekhanov, director del Centro de Soluciones Corporativas de Sber, enmarc0ó la posición del banco: la inteligencia artificial debe ayudar al negocio, y GigaChat en soporte de cliente corporativo demuestra eso claramente.

La tercera capa es automatización completa: IA resuelve consultas rutinarias en canales de voz y texto por sí sola, sin participación de operador. Esta es la capa detrás de la cifra 65%+ que el banco reportó en 2026.

Todas las capas comparten la misma base tecnológica: modelos GigaChat entrenados en las propias supercomputadoras Christofari y Christofari Neo de Sber (Cloud.ru) con GPUs NVIDIA A100. Para un banco de esta escala, la infraestructura de entrenamiento interna no es sobre prestigio sino una condición estratégica: los datos de diálogo del cliente nunca salen del perímetro, y el modelo puede ajustarse a especificidades bancarias sin dependencias externas.

Resultado

A partir de Q1 2026, IA resuelve más del 65% de consultas de clientes: 66% en canales de voz y 71% en chats. La comparación del mercado establece el marco: según la estimación de Frank RG para 2026, el promedio de la industria es 23% automatización en voz y 67% en chats. En voz, Sber está casi tres veces por delante del mercado; en chats, ligeramente por encima. El 95% de llamadas se contestan inmediatamente, durante la conversación; el 5% restante requiere análisis adicional (típicamente 2–3 días). El centro de contacto del banco recibió dos premios Frank RG — por el equipo de operadores más estable y el mejor servicio robótico en una línea entrante.

Efectos nombrados públicamente por capa: el enrutamiento de IA de llamadas corporativas ahorró al banco 300 millones de rubles en 2023; IA en el centro de contacto empresarial ahorra más de 7,000 horas de operador por mes. El asistente GigaChat agregó +7% a la productividad del operador y +2 pp al índice de satisfacción CSI; los operadores usan hasta el 20% de las sugerencias del modelo (hasta 45% en algunas áreas), y la puntuación de calidad de diálogo alcanza 80% de precisión. Los resultados fueron discutidos públicamente por Elena Levina, Vicepresidenta y Directora del Departamento de Atención al Cliente de Sberbank.

Enmarcar los números correctamente. Este es reporte del propio banco, no una auditoría independiente; expertos de la industria en ComNews explícitamente advirtieron que las métricas de enrutamiento mejoradas pueden tener múltiples explicaciones (Evgeny Surkov, Innostage) y que los indicadores cuantitativos sin evaluación de calidad del cliente dan un panorama incompleto (Evgenia Gilenyuk, SKB Kontur). La fortaleza del reporte de Sber es su anclaje al punto de referencia externo Frank RG: la comparación del mercado hace que el número titular sea verificable.

En nuestra opinión, el caso de Sber es valioso sobre todo como plantilla arquitectónica: tres capas con diferentes métricas (enrutamiento — segundos y rubles; el asistente — productividad y CSI; automatización — la proporción de consultas sin un humano) no se mezclan en un 'efecto de IA' sino que se miden por separado. Eso se transfiere a cualquier centro de contacto grande — no menos porque la primera capa (enrutamiento) se paga sola antes de que aparezca ningún LLM. Una observación separada: la proporción de sugerencias que los operadores realmente usan (20–45%) es un ejemplo raro de una métrica honesta de utilidad del asistente; la mayoría de despliegues reportan que las sugerencias existen, no si la gente las toma.

Lecciones aprendidas

1. La proporción de consultas resueltas sin un humano es la métrica de automatización del centro de contacto clave. Sber reporta exactamente esto (65%) con un punto de referencia del mercado (Frank RG 23%/67%), haciendo el número verificable.
2. Un asistente de operador y automatización completa son capas diferentes con métricas diferentes: productividad (+7%) e índice CSI (+2 pp) para el primero, proporción de automatización para el segundo.
3. Comenzar con un escenario estrecho y medible vale la pena: el enrutamiento de IA de llamadas corporativas ahorró 300M RUB antes de que existiera ningún asistente LLM — e hizo posible la confianza en las siguientes etapas.
4. La proporción de sugerencias que los operadores realmente usan (hasta 20%, hasta 45% en algunas áreas) es una medida honesta de utilidad — no el mero hecho del despliegue.
5. El segmento corporativo es uno de los más difíciles de automatizar (la norma de la industria para automatización 'buena' es 30–60%): comienza allí con enrutamiento y un asistente, no automatización completa.
6. IA puede controlar calidad, no solo responder: calificar amabilidad y profesionalismo del diálogo con 80% de precisión convierte QA basada en muestras en QA de cobertura completa.
7. La infraestructura de entrenamiento interna (Christofari, A100) es un requisito estratégico a esta escala: los datos de diálogo nunca salen del perímetro, y el modelo se ajusta a especificidades bancarias.

Preguntas frecuentes