PSB muestra cómo implanta la IA en el banco: chatbots, RAG y servicios para empresas

PSB ha mostrado no solo un conjunto de experimentos de IA, sino un esquema bastante duro y pragmático para integrar la IA en la operativa bancaria. El banco subraya que no intentó ser de los primeros en probar todas las herramientas de LLM. En cambio, construyó de forma sistemática soluciones donde el efecto de negocio se ve rápido: atención a pequeñas y medianas empresas (pymes), automatización de consultas y reducción de la carga de los empleados. Como resultado, PSB ya opera una combinación de bots por escenarios, un asistente generativo, búsqueda RAG sobre una base de conocimiento y pilotos para equipos internos.

En los servicios externos, el foco principal son los emprendedores. PSB usa modelos de recomendación en su CRM para analizar transacciones y sugerir tarifas, productos y motivos de contacto más adecuados para cada cliente. La lógica es simple: la IA no debe entretener, sino ahorrar dinero y tiempo.

Por ejemplo, el sistema puede detectar que un cliente paga de más con regularidad por operaciones que exceden un límite y que le conviene cambiar de tarifa. O sugerir que pase a un contraparte a PSB si eso reduce el coste de los pagos para ambas partes. Según el banco, cerca del 98% de los servicios para emprendedores ya están disponibles a distancia, y el 74% pasa por una automatización de extremo a extremo sin intervención humana en las etapas intermedias.

El producto clave es el asistente de IA Katyusha, disponible en la banca por internet, la banca móvil, el sitio web y VK. No se usa solo como chatbot de respuestas, sino como herramienta práctica para tareas rutinarias de las empresas: preparar textos de venta, descripciones de fichas en marketplaces, respuestas a reseñas, publicaciones para redes sociales e incluso preguntas para entrevistas con candidatos. El banco habla de unas cuatro mil solicitudes por trimestre y subraya que el servicio sigue siendo gratuito para los clientes del segmento pyme.

Funciona con un LLM ruso que PSB empezó a probar en un piloto temprano. La idea es reunir los escenarios más frecuentes en una sola ventana en lugar de enviar al cliente a distintos servicios externos.

El siguiente paso es incorporar RAG a la capa de consultas de Katyusha. Según PSB, esta capa dio el salto de calidad más notable: en el piloto, la automatización de las solicitudes subió un 7%, el tiempo medio de resolución se redujo ocho veces y la satisfacción de los clientes con el chatbot aumentó un 21%. A la vez, se logró bajar la proporción de respuestas incorrectas del 3% al 1%. Para el banco es un resultado importante, porque con un nivel alto de automatización cada punto porcentual adicional cuesta mucho más que al principio.

El filtro ético del LLM resultó ser un problema aparte: en las pruebas bloqueaba casi el 30% de las solicitudes por la redacción de la base de conocimiento. Tras reescribir los textos, sustituir palabras sensibles y añadir posprocesamiento, el banco redujo la proporción de estos bloqueos al 1%, lo que hizo viable el piloto.

Otra línea es la banca en mensajerías y la IA interna para empleados. Desde 2023, Katyusha funciona en VK no solo como asesora, sino como interfaz para operaciones básicas de RKO (servicio de caja y liquidación): emisión de facturas, pagos, y consulta de extractos y saldo. En 2025, el número de usuarios activos de este canal creció un 35% y por él pasaron más de 60 mil pagos. Después, PSB lanzó también servicios de pago en MAX.

Dentro del banco, el piloto para empleados arrancó en octubre de 2025, primero con 25 personas que deben responder rápido a las consultas de las oficinas de ventas y de los gestores de campo. El objetivo es liberar cerca del 10% del tiempo de trabajo, pero el piloto reveló que la IA aporta más valor no en las preguntas típicas, sino en escenarios más acotados sin datos personales, donde importan las consultas precisas y las sugerencias sobre productos.

De todo ello surge una estrategia bastante clara. PSB no intenta construir un banco de IA universal de una sola vez, sino que reparte las tareas según el nivel de riesgo y beneficio: modelos en la nube para escenarios de contenido y no personalizados, bots por escenarios para respuestas rápidas y sencillas, RAG para consultas escalables y un LLM dentro del perímetro para datos sensibles y servicios internos. En 2026, el banco prevé desplegar un LLM en su propio perímetro y elevar la proporción de respuestas con RAG en el flujo total de consultas del 4% al 16%.

Para el mercado, es un ejemplo ilustrativo de cómo un gran banco implanta la IA generativa no como escaparate, sino como herramienta de trabajo con métricas claras.