Sberbank: IA resolve 65% das consultas de clientes no contact center

• 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 é o maior banco da Rússia com mais de 110 milhões de clientes no varejo e desenvolvedora do seu próprio grande modelo de linguagem, GigaChat. Esta é uma configuração rara globalmente: o banco não compra IA de um fornecedor, mas treina seus próprios modelos em sua própria infraestrutura — os supercomputadores Christofari e Christofari Neo (Cloud.ru) com GPUs NVIDIA A100.

O contact center do banco atende clientes varejistas e corporativos em canais de voz e texto. Nesta escala, a automação de suporte não é um experimento, mas uma das principais alavancas de eficiência operacional: frações de ponto percentual de automação se traduzem em centenas de operadores.

O lançamento de IA foi encenado e documentado na imprensa a cada passo. Em 2023, o banco otimizou o roteamento de IA de chamadas de clientes corporativos — o cenário mais mensurável e 'entediante', que mesmo assim produziu o primeiro dinheiro nomeado publicamente. A partir de novembro de 2024, um assistente de operador GigaChat entrou em operação no contact center de clientes corporativos. E para o Q1 2026, o banco reportou a parcela de consultas que IA resolve sem envolvimento humano — comparada com dados de mercado Frank RG, uma raridade para o mercado russo.

Essa sequência — roteamento, assistente de operador, automação completa — torna o caso Sber um mapa útil para qualquer contact center grande: os estágios vão de simples a complexo, e cada um tem sua própria métrica de sucesso.

Problema

Na escala do maior banco do país, as consultas rotineiras dominam o fluxo do contact center, e cada minuto de atendimento é multiplicado por milhões de diálogos. O roteamento de chamadas de clientes corporativos era uma dor particular: antes da otimização levava 3,5 vezes mais tempo que depois (segundo ComNews, 18 segundos pós-implementação). Um cliente corporativo que passa entre linhas não é apenas irritação, mas custo direto: cada transferência extra consome tempo do operador.

O segmento corporativo é objetivamente mais difícil que o varejo. Alexander Krushinsky, diretor de tecnologia de voz no BSS, disse à ComNews que a automação 'boa' de uma linha de entrada é de 30–60% — e chamou o segmento corporativo de um dos mais difíceis: os tópicos dos clientes corporativos são mais amplos, a linguagem é mais específica, e o custo de uma resposta errada é maior.

A segunda dor diz respeito aos próprios operadores: durante uma conversa, eles precisavam pesquisar manualmente na base de conhecimento. Enquanto o operador procura por uma regulamentação, o cliente espera na linha; a qualidade da resposta depende da velocidade com que uma pessoa navega na documentação. Essa lacuna — entre o conhecimento que o banco tem e a velocidade de acesso a ele durante a conversa — é exatamente o que um assistente de operador preenche.

Finalmente, havia o problema de mensuração: 'implementamos IA' não é um resultado. O banco precisava mostrar impacto em métricas que tanto o negócio quanto o mercado entendem: a parcela de consultas atendidas sem um humano, velocidade de resposta, horas e reais economizados.

Solução

Sber construiu IA no contact center como três camadas sequenciais, cada uma com sua própria economia.

A primeira camada é roteamento. A análise preditiva roteia 87% das chamadas de clientes corporativos, a precisão de roteamento subiu 14 pontos percentuais em um ano para 77%, e o tempo de roteamento caiu 3,5x — para 18 segundos (dados ComNews). A análise de fala cobre 99% das consultas, e no início de 2024 o assistente de IA em canais de texto comercial já resolvia 23% das consultas por conta própria. Esta camada produziu o primeiro dinheiro nomeado publicamente: 300 milhões de reais economizados em 2023.

A segunda camada é o assistente de operador GigaChat, lançado em 7 de novembro de 2024 para suporte a clientes corporativos. O modelo analisa a conversa com o empresário em tempo real, encontra os materiais certos na base de conhecimento SberHelp, os resume e oferece ao operador sugestões prontas. Uma função separada é o controle de qualidade: GigaChat pontua a educação e profissionalismo do diálogo com 80% de precisão e dá recomendações quando os padrões de serviço são violados. No lançamento 40% dos operadores tinham acesso; até o final de 2024 o banco planejava fazer o rollout para toda a equipe de suporte comercial em chats, depois para a linha de voz 0321. Sergey Lekhanov, diretor do Centro de Soluções Corporativas do Sber, moldou a posição do banco: a inteligência artificial deve ajudar o negócio, e GigaChat no suporte a clientes corporativos demonstra isso claramente.

A terceira camada é automação completa: IA resolve consultas rotineiras em canais de voz e texto por conta própria, sem envolvimento de operador. Esta é a camada por trás do número 65%+ que o banco reportou em 2026.

Todas as camadas compartilham a mesma fundação tecnológica: modelos GigaChat treinados nos próprios supercomputadores Christofari e Christofari Neo do Sber (Cloud.ru) com GPUs NVIDIA A100. Para um banco desta escala, a infraestrutura de treinamento interna não é sobre prestígio, mas uma condição estratégica: dados de diálogo do cliente nunca deixam o perímetro, e o modelo pode ser ajustado para especificidades bancárias sem dependências externas.

Resultado

A partir do Q1 2026, IA resolve mais de 65% das consultas de clientes: 66% em canais de voz e 71% em chats. A comparação de mercado estabelece o marco: segundo a estimativa Frank RG de 2026, a média do setor é 23% de automação em voz e 67% em chats. Em voz, Sber está quase três vezes à frente do mercado; em chats, ligeiramente acima. 95% das chamadas são respondidas imediatamente, durante a conversa; os 5% restantes requerem análise adicional (tipicamente 2–3 dias). O contact center do banco recebeu dois prêmios Frank RG — pela equipe de operadores mais estável e pelo melhor serviço robótico em uma linha de entrada.

Efeitos publicamente nomeados por camada: o roteamento de IA de chamadas corporativas economizou 300 milhões de reais para o banco em 2023; a IA no contact center comercial economiza mais de 7.000 horas de operador por mês. O assistente GigaChat adicionou +7% à produtividade do operador e +2 pp ao índice de satisfação CSI; operadores usam até 20% das sugestões do modelo (até 45% em algumas áreas), e a pontuação de qualidade do diálogo atinge 80% de precisão. Os resultados foram publicamente discutidos por Elena Levina, Vice Presidente e Diretora do Departamento de Atendimento ao Cliente do Sberbank.

Enquadre os números corretamente. Este é o relato do próprio banco, não uma auditoria independente; especialistas do setor na ComNews explicitamente alertaram que métricas de roteamento melhoradas podem ter múltiplas explicações (Evgeny Surkov, Innostage) e que indicadores quantitativos sem avaliação de qualidade do cliente dão uma imagem incompleta (Evgenia Gilenyuk, SKB Kontur). A força do relato do Sber é sua ancoragem no benchmark externo Frank RG: a comparação de mercado torna o número da manchete verificável.

Em nossa visão, o caso Sber é valioso acima de tudo como um template arquitetônico: três camadas com métricas diferentes (roteamento — segundos e reais; o assistente — produtividade e CSI; automação — a parcela de consultas sem humano) não são misturadas em um 'efeito IA' único, mas medidas separadamente. Isso se transfere para qualquer contact center grande — não menos porque a primeira camada (roteamento) se paga antes de qualquer LLM aparecer. Uma observação separada: a parcela de sugestões que operadores realmente usam (20–45%) é um exemplo raro de uma métrica honesta de utilidade do assistente; a maioria dos deployments relata que sugestões existem, não se as pessoas as usam.

Lições aprendidas

1. A parcela de consultas resolvidas sem um humano é a métrica-chave de automação de contact center. Sber reporta exatamente isso (65%) com um benchmark de mercado (Frank RG 23%/67%), tornando o número verificável.
2. Um assistente de operador e automação completa são camadas diferentes com métricas diferentes: produtividade (+7%) e CSI (+2 pp) para o primeiro, parcela de automação para o segundo.
3. Começar com um cenário estreito e mensurável compensa: o roteamento de IA de chamadas corporativas economizou 300M RUB antes de qualquer assistente LLM existir — e financiou confiança nos próximos estágios.
4. A parcela de sugestões que operadores realmente usam (até 20%, até 45% em algumas áreas) é uma medida honesta de utilidade — não o mero fato de deployment.
5. O segmento corporativo é um dos mais difíceis de automatizar (a norma do setor para automação 'boa' é 30–60%): comece lá com roteamento e um assistente, não automação completa.
6. IA pode controlar qualidade, não apenas responder: pontuação de educação e profissionalismo do diálogo com 80% de precisão transforma QA baseado em amostra em QA de cobertura total.
7. Infraestrutura de treinamento interna (Christofari, A100) é um requisito estratégico nesta escala: dados de diálogo nunca deixam o perímetro, e o modelo é ajustado para especificidades bancárias.

Perguntas frequentes