Sber redujo de siete días a una hora la aprobación de contenido bancario
Sber sustituyó una larga cadena de aprobaciones por tres controles de IA: editorial, reputacional y jurídico. Las reglas se elaboraron a partir de observaciones anteriores de especialistas y mapas de riesgos, mientras que las personas quedaron a cargo de los casos controvertidos. Según el equipo, el recorrido desde el briefing hasta la carga en el CRM pasó de siete días a una hora, aunque por ahora el sistema solo cubre el 30% de los SMS y las notificaciones push.
Procesado por IA desde Habr AI; editado por Hamidun News
La generación de texto no suele ser el principal cuello de botella. El borrador de una notificación push puede obtenerse en segundos y después pasar varios días circulando entre un editor, un abogado, el equipo de riesgos reputacionales, cumplimiento normativo y el responsable del producto. Sber decidió automatizar precisamente esta cola: convirtió las observaciones habituales de los especialistas en controles automáticos y reservó la intervención humana para los casos en que el riesgo es realmente elevado.
Según el equipo del proyecto, el recorrido desde el briefing hasta la carga de la comunicación terminada en el CRM se redujo de siete días a una hora. No es una solución universal: por ahora, el proceso completo funciona para alrededor del 30% de los SMS y las notificaciones push. Aun así, el caso resulta útil porque muestra una arquitectura práctica de automatización en una empresa regulada.
Tres controles en lugar de ocho responsables de aprobación
El sistema divide el control en tres capas. La primera, AI-Boost, comprueba la ortografía, las normas editoriales y la terminología de los productos. El equipo estudió las observaciones acumuladas de editores y correctores y condensó los requisitos recurrentes en unas 50–60 reglas. A ellas añadió diccionarios, guías de producto y límites de longitud para los mensajes.
La segunda capa, Smart ToV, busca riesgos reputacionales: humor inapropiado, temas tóxicos, jerga dudosa y un tono inadecuado durante situaciones de emergencia. Aquí se utiliza un sistema de semáforo. Un resultado verde se aprueba automáticamente; uno rojo envía el material a una persona.
La tercera capa es un abogado de IA. Para cinco productos financieros, el equipo creó mapas de riesgos con expresiones peligrosas, posibles responsabilidades y formas de corregirlas. El modelo no se limita a marcar el contenido: muestra el riesgo detectado y propone una alternativa más segura. Según los autores del proyecto, una revisión cuyo SLA antes llegaba hasta cinco días ahora se completa en unos tres minutos.
Un ejemplo sencillo: el banco prepara una notificación push sobre un producto financiero. El modelo debe detectar una promesa de rentabilidad no garantizada, comprobar el aviso obligatorio y determinar si un tono animado encaja con el contexto informativo del momento. Si la infracción es inequívoca, el texto vuelve para su corrección. Si el riesgo está en una zona gris, decide un especialista.
De dónde salen las reglas
La parte más valiosa del enfoque no es el LLM elegido, sino los datos utilizados para la revisión. El equipo exportó varios años de contenido aprobado, analizó los comentarios de editores, abogados y gestores de riesgos y después agrupó las observaciones recurrentes. De otro modo, habría que pedir al modelo de forma abstracta que “compruebe si el texto es bueno”, una petición imposible de medir y actualizar de manera estable.
Las reglas se dividieron en rígidas y contextuales. Un error en el nombre de un producto siempre bloquea la publicación. La jerga o los emojis pueden ser aceptables para un público joven, pero inadecuados en otra campaña. Esta separación permite modificar un filtro concreto cuando aparece una nueva ley o una situación de crisis sin rehacer todo el sistema de generación.
Según las evaluaciones internas de Sber, la precisión del abogado de IA y de Smart ToV supera el 90%. Los controles generan falsas alarmas con más frecuencia de la que dejan pasar un riesgo real. Para un banco, este sesgo es deliberado, pero el indicador no puede considerarse un benchmark independiente: el artículo no revela la metodología de las pruebas ni el tamaño de la muestra de control.
Qué llevar a la práctica
Un equipo de producto debería empezar no por un agente, sino por el registro de correcciones anteriores. Primero debe identificar las decisiones recurrentes, definir las infracciones críticas y reunir un conjunto de ejemplos etiquetados. Después conviene ejecutar el control en modo sombra, comparar sus decisiones con las de los expertos y solo entonces permitir la aprobación automática de materiales de bajo riesgo.
También existen limitaciones. El caso fue descrito por el propio equipo de Sber, por lo que las cifras de ahorro de tiempo y precisión requieren una verificación independiente. El proceso completo se lanzó hace poco, no cubre todo el contenido y por ahora funciona mejor con formatos breves. Además, la automatización no elimina a editores y abogados: cambia su función, que pasa de leer cada texto de forma secuencial a configurar reglas, analizar excepciones y controlar la calidad.
La conclusión práctica es sencilla: en el contenido corporativo, resulta más rentable colocar el LLM no solo al principio del proceso, donde redacta un borrador, sino también después, como un conjunto de filtros específicos y medibles. La principal ventaja procede de eliminar la cola de aprobaciones, no de la velocidad de generación.
- 30 abr 2026Sber, Yandex y red_mad_robot muestran cómo la inteligencia artificial cambia el papel del desarrollador
- 12 oct 2026Sber bloqueó 11,4 millones de llamadas fraudulentas y evitó pérdidas a sus clientes por 220 mil millones de rublos
- 29 abr 2026Sber lanza Kandinsky 6 Image: el generador de imágenes es más rápido y aprende a restaurar fotos
- 12 oct 2026Google presenta el Fitbit Edge, con una semana de autonomía y GPS integrado por $180
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Tres controles en lugar de ocho responsables de aprobación?
El sistema divide el control en tres capas. La primera, AI-Boost, comprueba la ortografía, las normas editoriales y la terminología de los productos. El equipo estudió las observaciones acumuladas de editores y correctores y condensó los requisitos recurrentes en unas 50–60 reglas. A ellas añadió diccionarios, guías de producto y límites de longitud para los mensajes.
¿Qué se sabe sobre De dónde salen las reglas?
La parte más valiosa del enfoque no es el LLM elegido, sino los datos utilizados para la revisión. El equipo exportó varios años de contenido aprobado, analizó los comentarios de editores, abogados y gestores de riesgos y después agrupó las observaciones recurrentes. De otro modo, habría que pedir al modelo de forma abstracta que “compruebe si el texto es bueno”, una petición imposible de medir y actualizar de manera estable. Las reglas se dividieron en rígidas y contextuales.
¿Qué se sabe sobre Qué llevar a la práctica?
Un equipo de producto debería empezar no por un agente, sino por el registro de correcciones anteriores. Primero debe identificar las decisiones recurrentes, definir las infracciones críticas y reunir un conjunto de ejemplos etiquetados. Después conviene ejecutar el control en modo sombra, comparar sus decisiones con las de los expertos y solo entonces permitir la aprobación automática de materiales de bajo riesgo. También existen limitaciones.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.