Sberbank : l'IA résout 65 % des demandes de renseignements des clients au centre de contact

• 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

Contexte

Sberbank est la plus grande banque de Russie avec plus de 110 millions de clients de détail et développeur de son propre grand modèle de langage, GigaChat. Il s'agit d'une configuration rare au niveau mondial : la banque n'achète pas l'IA à un fournisseur mais forme ses propres modèles sur sa propre infrastructure — les supercalculateurs Christofari et Christofari Neo (Cloud.ru) avec des GPU NVIDIA A100.

Le centre de contact de la banque dessert à la fois les clients de détail et les clients professionnels sur les canaux voix et texte. À cette échelle, l'automatisation du support n'est pas une expérience mais l'un des principaux leviers de l'efficacité opérationnelle : des fractions de point de pourcentage d'automatisation se traduisent par des centaines d'opérateurs.

Le déploiement de l'IA a été échelonné et documenté dans la presse à chaque étape. En 2023, la banque a optimisé l'acheminement par IA des appels de clients professionnels — le scénario le plus mesurable et le plus « ennuyeux », qui a néanmoins produit le premier argent nommé publiquement. À partir de novembre 2024, un assistant opérateur GigaChat s'est lancé dans le centre de contact des clients professionnels. Et pour Q1 2026, la banque a signalé la part des demandes que l'IA résout sans aucune implication humaine — étalonnée par rapport aux données du marché Frank RG, une rareté pour le marché russe.

Cette séquence — acheminement, assistant opérateur, automatisation complète — fait du cas Sberbank une feuille de route utile pour tout grand centre de contact : les étapes vont du simple au complexe, et chacune a sa propre mesure de succès.

Problème

À l'échelle de la plus grande banque du pays, les demandes de routine dominent le flux du centre de contact, et chaque minute de traitement est multipliée par des millions de dialogues. L'acheminement des appels de clients professionnels était une douleur particulière : avant l'optimisation, il fallait 3,5 fois plus de temps qu'après (selon ComNews, 18 secondes après la mise en œuvre). Un client professionnel qui rebondit entre les lignes ne cause pas seulement de l'irritation mais un coût direct : chaque transfert supplémentaire consomme du temps d'opérateur.

Le segment professionnel est objectivement plus difficile que le commerce de détail. Alexander Krushinsky, directeur de la technologie vocale chez BSS, a déclaré à ComNews que l'automatisation « bonne » d'une ligne entrante est de 30–60 % — et a appelé le segment professionnel l'un des plus difficiles : les sujets des clients professionnels sont plus larges, la formulation est plus spécifique, et le coût d'une mauvaise réponse est plus élevé.

La deuxième douleur concernait les opérateurs eux-mêmes : pendant une conversation, ils devaient rechercher manuellement dans la base de connaissances. Pendant que l'opérateur recherche un règlement, le client attend en ligne ; la qualité de la réponse dépend de la rapidité avec laquelle une personne navigue dans la documentation. Cet écart — entre la connaissance que possède la banque et la rapidité d'y accéder au milieu d'une conversation — est exactement ce qu'un assistant opérateur comble.

Enfin, il y avait le problème de mesurabilité : « nous avons déployé l'IA » n'est pas un résultat. La banque devait montrer un impact dans les mesures que l'entreprise et le marché comprennent : la part des demandes traitées sans humain, la vitesse de réponse, les heures et les roubles économisés.

Solution

Sberbank a construit l'IA dans le centre de contact comme trois couches séquentielles, chacune avec ses propres économies.

La première couche est l'acheminement. L'analyse prédictive achemine 87 % des appels de clients professionnels, la précision de l'acheminement a augmenté de 14 points de pourcentage en un an pour atteindre 77 %, et le temps d'acheminement a diminué de 3,5x — à 18 secondes (données ComNews). L'analyse vocale couvre 99 % des consultations, et au début 2024, l'assistant IA dans les canaux texte professionnels résolvait déjà 23 % des demandes seul. Cette couche a produit le premier argent nommé publiquement : 300 millions de roubles économisés en 2023.

La deuxième couche est l'assistant opérateur GigaChat, lancé le 7 novembre 2024 pour le support des clients professionnels. Le modèle analyse la conversation avec l'entrepreneur en temps réel, trouve les bons matériels dans la base de connaissances SberHelp, les résume et propose à l'opérateur des suggestions prêtes à l'emploi. Une fonction distincte est le contrôle de la qualité : GigaChat note la politesse et le professionnalisme du dialogue avec une précision de 80 % et donne des recommandations lorsque les normes de service sont violées. Au lancement, 40 % des opérateurs avaient accès ; à la fin de 2024, la banque prévoyait de le déployer à tout le personnel de support commercial dans les chats, puis à la ligne voix 0321. Sergey Lekhanov, directeur du Centre des solutions professionnelles de Sberbank, a encadré la position de la banque : l'intelligence artificielle devrait aider les entreprises, et GigaChat dans le support des clients professionnels le démontre clairement.

La troisième couche est l'automatisation complète : l'IA résout les demandes de routine sur les canaux voix et texte d'elle-même, sans implication d'opérateur. C'est la couche derrière le chiffre de 65 %+ que la banque a signalé en 2026.

Toutes les couches partagent la même base technologique : les modèles GigaChat entraînés sur les supercalculateurs Christofari et Christofari Neo de Sberbank (Cloud.ru) avec des GPU NVIDIA A100. Pour une banque de cette envergure, l'infrastructure d'entraînement interne n'est pas une question de prestige mais une condition stratégique : les données de dialogue des clients ne quittent jamais le périmètre, et le modèle peut être affiné aux spécificités bancaires sans dépendances externes.

Résultat

Au Q1 2026, l'IA résout plus de 65 % des demandes de renseignements des clients : 66 % sur les canaux voix et 71 % dans les chats. La comparaison de marché encadre la situation : selon l'estimation de Frank RG pour 2026, la moyenne de l'industrie est de 23 % d'automatisation en voix et 67 % dans les chats. En voix, Sberbank est près de trois fois en avance sur le marché ; dans les chats, légèrement au-dessus. 95 % des appels sont traités immédiatement, pendant la conversation ; les 5 % restants nécessitent une analyse supplémentaire (généralement 2–3 jours). Le centre de contact de la banque a reçu deux prix Frank RG — pour l'équipe d'opérateurs la plus stable et le meilleur service robotique sur une ligne entrante.

Effets nommés publiquement par couche : l'acheminement par IA des appels professionnels a économisé 300 millions de roubles à la banque en 2023 ; l'IA dans le centre de contact professionnel économise plus de 7 000 heures d'opérateurs par mois. L'assistant GigaChat a ajouté +7 % à la productivité des opérateurs et +2 pp à l'indice de satisfaction CSI ; les opérateurs utilisent jusqu'à 20 % des suggestions du modèle (jusqu'à 45 % dans certains domaines), et le score de qualité des dialogues atteint 80 % de précision. Les résultats ont été discutés publiquement par Elena Levina, Vice-présidente et Directrice du Département du Service à la Clientèle de Sberbank.

Encadrer les chiffres correctement. Ceci est le propre rapport de la banque, pas un audit indépendant ; les experts de l'industrie chez ComNews ont explicitement mis en garde contre le fait que les mesures d'acheminement améliorées peuvent avoir plusieurs explications (Evgeny Surkov, Innostage) et que les indicateurs quantitatifs sans évaluation de la qualité client donnent une image incomplète (Evgenia Gilenyuk, SKB Kontur). La force du rapport de Sberbank est son ancrage au benchmark externe Frank RG : la comparaison de marché rend le chiffre de titre vérifiable.

À notre avis, le cas de Sberbank est précieux avant tout comme un modèle architectural : trois couches avec des mesures différentes (acheminement — secondes et roubles ; l'assistant — productivité et CSI ; automatisation — la part des demandes sans humain) ne sont pas mélangées en un seul « effet IA » mais mesurées séparément. Cela s'applique à tout grand centre de contact — non pas moins parce que la première couche (acheminement) s'autofinance avant que tout LLM n'apparaisse. Une observation distincte : la part des suggestions que les opérateurs utilisent réellement (20–45 %) est un exemple rare d'une mesure honnête de l'utilité de l'assistant ; la plupart des déploiements rapportent que les suggestions existent, pas si les gens les prennent.

Leçons

1. La part des demandes résolues sans humain est la mesure clé d'automatisation du centre de contact. Sberbank rapporte exactement ceci (65 %) avec un repère de marché (Frank RG 23 %/67 %), rendant le chiffre vérifiable.
2. Un assistant opérateur et une automatisation complète sont des couches différentes avec des mesures différentes : productivité (+7 %) et CSI (+2 pp) pour le premier, part d'automatisation pour le second.
3. Commencer par un scénario étroit et mesurable paie : l'acheminement par IA des appels professionnels a économisé 300 M RUB avant qu'aucun assistant LLM n'existe — et a financé la confiance dans les étapes suivantes.
4. La part des suggestions que les opérateurs utilisent réellement (jusqu'à 20 %, jusqu'à 45 % dans certains domaines) est une mesure honnête d'utilité — pas le simple fait du déploiement.
5. Le segment professionnel est parmi les plus difficiles à automatiser (la norme de l'industrie pour une automatisation « bonne » est 30–60 %) : commencez par là avec l'acheminement et un assistant, pas l'automatisation complète.
6. L'IA peut contrôler la qualité, pas seulement répondre : noter la politesse et le professionnalisme du dialogue avec une précision de 80 % transforme l'AQ basée sur l'échantillon en AQ de couverture complète.
7. L'infrastructure d'entraînement interne (Christofari, A100) est une exigence stratégique à cette échelle : les données de dialogue ne quittent jamais le périmètre, et le modèle est accordé aux spécificités bancaires.

Questions fréquentes