PSB mostró cómo implementa IA en el banco: chatbots, RAG y servicios para negocios

El PSB ha revelado no solo un conjunto de experimentos con IA, sino un esquema bastante rígido y pragmático para implementar IA en el ecosistema bancario. El banco enfatiza que no pretendía ser uno de los primeros en probar cada herramienta LLM, sino que construyó consistentemente soluciones donde el impacto comercial pudiera verse rápidamente: en el servicio a pequeñas y medianas empresas, automatización de consultoría y reducción de la carga de trabajo de los empleados. Como resultado, el PSB ya opera una combinación de bots basados en escenarios, un asistente generativo, búsqueda basada en RAG en su base de conocimiento y pilotos para equipos internos.

En los servicios externos, el enfoque principal está en los empresarios. El PSB utiliza modelos de recomendación en su CRM para analizar transacciones y sugerir tarifas más apropiadas, productos y razones para contactar a los clientes. La lógica es simple: la IA no debe entretener, sino ahorrar dinero y tiempo.

Por ejemplo, el sistema puede notar que un cliente paga regularmente en exceso por operaciones más allá de su límite y se beneficiaría al cambiar a una tarifa diferente. O sugerir la oportunidad de transferir una contraparte al PSB si reduce los costos de pago para ambas partes. Según el banco, aproximadamente el 98% de los servicios para empresarios están ahora disponibles de forma remota, y el 74% se someten a automatización de extremo a extremo sin intervención humana en etapas intermedias.

El producto clave aquí es el asistente de IA "Katyusha", disponible en la aplicación de banca por internet, aplicación móvil, sitio web y VK. Se utiliza no solo como un chatbot para responder preguntas, sino también como una herramienta aplicada para tareas comerciales rutinarias: preparación de textos de ventas, creación de descripciones de productos del mercado, respuestas a reseñas, redacción de publicaciones en redes sociales e incluso formulación de preguntas de entrevista para candidatos. El banco reporta aproximadamente cuatro mil solicitudes por trimestre y enfatiza que el servicio sigue siendo gratuito para clientes del segmento PYME.

Bajo el capó, opera un LLM ruso, que el PSB comenzó a probar en un piloto inicial. La idea aquí es reunir los escenarios más frecuentes en una única interfaz en lugar de enviar a los clientes a varios servicios externos. El siguiente paso es implementar RAG en el flujo de consulta de Katyusha.

Según el PSB, esta capa proporcionó el salto de calidad más notable: en el piloto, la automatización de solicitudes aumentó un 7%, el tiempo promedio de resolución de problemas se redujo ocho veces y la satisfacción del cliente en el chatbot aumentó un 21%. Al mismo tiempo, la proporción de respuestas incorrectas se redujo del 3% al 1%. Este es un resultado importante para el banco, porque en altos niveles de automatización, cada punto porcentual adicional se vuelve mucho más difícil de lograr que al inicio.

Un problema separado resultó ser el filtro ético del LLM: en las pruebas, bloqueó casi el 30% de las solicitudes debido a la formulación en la base de conocimiento. Después de reescribir textos, reemplazar palabras sensibles y agregar posprocesamiento, la proporción de tales bloqueos se redujo al 1%, lo que hizo viable el piloto. Una dirección separada es el banco en mensajeros e IA interna para empleados.

Desde 2023, Katyusha opera en VK no solo como consultora, sino también como interfaz para operaciones básicas de RCC: emisión de facturas, realización de pagos, visualización de extractos y saldos. En 2025, el número de usuarios activos de este canal creció un 35%, y más de 60 mil pagos pasaron a través de él. Después de esto, el PSB también lanzó servicios de pago en MAX.

Dentro del banco, el piloto para empleados comenzó en octubre de 2025: inicialmente con 25 personas que necesitan responder rápidamente a consultas de oficinas de ventas y gerentes de campo. El objetivo era liberar aproximadamente el 10% del tiempo de trabajo, pero durante el piloto quedó claro que la IA proporciona el mayor valor no en preguntas típicas, sino en escenarios más estrechos sin datos personales, donde las consultas precisas y la orientación de productos son importantes. De todo esto surge una estrategia bastante clara.

El PSB no intenta construir un banco de IA universal en un solo paso, sino que distribuye tareas por niveles de riesgo y beneficio: modelos en nube para escenarios de contenido y no personalizados, bots basados en escenarios para respuestas rápidas y simples, RAG para consultas escalables e LLM dentro del flujo de trabajo para datos sensibles y servicios internos. En 2026, el banco planea desplegar LLM dentro de su perímetro e incrementar la proporción de respuestas basadas en RAG en el flujo de consulta general del 4% al 16%. Para el mercado, este es un caso ejemplar de cómo un banco importante implementa IA generativa no para mostrar, sino como una herramienta de trabajo con métricas claras.