Ao vivo 18/11 · Turma 318 nov às 19:00 MSK — aula prática gratuita de agentes de IA · Turma 3 ao vivo começa 23/11Aula 18/11 →Turma 3 (23/11)
LançamentoAnálise · No radarHabr AI→ original

Sber reduziu de sete dias para uma hora a aprovação de conteúdo bancário

O Sber substituiu uma longa cadeia de aprovações por três verificações de IA: editorial, reputacional e jurídica. As regras foram compiladas a partir de observações anteriores de especialistas e mapas de riscos, enquanto as pessoas ficaram responsáveis pelos casos controversos. Segundo a equipe, o percurso do briefing até o carregamento no CRM caiu de sete dias para uma hora, embora o sistema ainda cubra apenas 30% dos SMS e das notificações push.

Processado por IA de Habr AI; editado por Hamidun News
Sber reduziu de sete dias para uma hora a aprovação de conteúdo bancário
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHabr AI ↗
Editor-chefe
Dado-chave #1O advogado de IA e a verificação de tom apresentam precisão superior a 90%.
Dado-chave #2Em dois anos, a produção de conteúdo cresceu aproximadamente de 11.000 para 22.000 peças.
Princípio práticoautomatizar decisões rotineiras, e não apenas o processo de aprovação.

A geração de texto normalmente não é o principal gargalo. O rascunho de uma notificação push pode ser produzido em segundos e depois passar vários dias circulando entre um editor, um advogado, a equipe de riscos reputacionais, compliance e o responsável pelo produto. O Sber decidiu automatizar justamente essa fila: transformou observações recorrentes dos especialistas em verificações automáticas e reservou a intervenção humana para os casos em que o risco é realmente alto.

Segundo a equipe do projeto, o percurso do briefing até o carregamento da comunicação finalizada no CRM caiu de sete dias para uma hora. Não se trata de uma solução universal: o processo completo ainda funciona para cerca de 30% dos SMS e das notificações push. Mesmo assim, o caso é útil por mostrar uma arquitetura prática de automação em uma empresa regulada.

Três verificações em vez de oito responsáveis pela aprovação

O sistema divide o controle em três camadas. A primeira, AI-Boost, verifica ortografia, regras editoriais e a terminologia dos produtos. A equipe estudou as observações acumuladas de editores e revisores e condensou os requisitos recorrentes em cerca de 50–60 regras. A elas foram acrescentados dicionários, guias de produtos e limites de tamanho das mensagens.

A segunda camada, Smart ToV, procura riscos reputacionais: humor inadequado, temas tóxicos, gírias questionáveis e o tom errado durante situações de emergência. Aqui funciona um sistema de semáforo. Um resultado verde é aprovado automaticamente; um resultado vermelho encaminha o material para uma pessoa.

A terceira camada é um advogado de IA. Para cinco produtos financeiros, a equipe elaborou mapas de riscos com formulações perigosas, possíveis responsabilidades e formas de correção. O modelo não se limita a sinalizar o conteúdo: ele mostra o risco encontrado e sugere uma alternativa mais segura. Segundo os autores do projeto, uma verificação cujo SLA antes chegava a cinco dias agora é concluída em aproximadamente três minutos.

Um exemplo simples: o banco prepara uma notificação push sobre um produto financeiro. O modelo precisa detectar uma promessa de rentabilidade não garantida, verificar o aviso obrigatório e determinar se um tom animado é adequado ao contexto atual das notícias. Se a infração for inequívoca, o texto volta para correção. Se o risco estiver em uma zona cinzenta, um especialista toma a decisão.

De onde vêm as regras

A parte mais valiosa da abordagem não é o LLM escolhido, mas os dados usados na verificação. A equipe exportou vários anos de conteúdo aprovado, analisou comentários de editores, advogados e gestores de riscos e depois agrupou as observações recorrentes. Caso contrário, seria necessário pedir ao modelo, de forma abstrata, que “verificasse se o texto é bom”, algo impossível de medir e atualizar de maneira consistente.

As regras foram divididas em rígidas e contextuais. Um erro no nome de um produto sempre bloqueia a publicação. Gírias ou emojis podem ser aceitáveis para um público jovem, mas inadequados em outra campanha. Essa separação permite alterar um filtro específico quando surge uma nova lei ou uma situação de crise sem refazer todo o sistema de geração.

Segundo as avaliações internas do Sber, a precisão do advogado de IA e do Smart ToV supera 90%. As verificações geram alarmes falsos com mais frequência do que deixam passar um risco real. Para um banco, esse é um viés deliberado, mas o indicador não pode ser considerado um benchmark independente: o artigo não revela a metodologia dos testes nem o tamanho da amostra de controle.

O que levar para a prática

Uma equipe de produto deve começar não por um agente, mas pelo histórico de revisões anteriores. Primeiro, é preciso identificar decisões recorrentes, definir infrações críticas e reunir um conjunto de exemplos rotulados. Em seguida, é útil executar a verificação em modo sombra, comparar suas decisões com as dos especialistas e só então permitir a aprovação automática de materiais de baixo risco.

Também há limitações. O caso foi descrito pela própria equipe do Sber, por isso os números de economia de tempo e precisão precisam de verificação independente. O processo completo foi lançado recentemente, não cobre todo o conteúdo e, por enquanto, funciona melhor com formatos curtos. Além disso, a automação não elimina editores e advogados: ela muda o papel desses profissionais, que deixam de ler cada texto sequencialmente e passam a configurar regras, analisar exceções e controlar a qualidade.

A conclusão prática é simples: no conteúdo corporativo, é mais vantajoso posicionar o LLM não apenas no início do fluxo, onde ele escreve um rascunho, mas também depois dele, como um conjunto de filtros específicos e mensuráveis. O principal ganho vem da eliminação da fila de aprovações, e não da velocidade de geração.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Três verificações em vez de oito responsáveis pela aprovação?

O sistema divide o controle em três camadas. A primeira, AI-Boost, verifica ortografia, regras editoriais e a terminologia dos produtos. A equipe estudou as observações acumuladas de editores e revisores e condensou os requisitos recorrentes em cerca de 50–60 regras. A elas foram acrescentados dicionários, guias de produtos e limites de tamanho das mensagens.

O que se sabe sobre De onde vêm as regras?

A parte mais valiosa da abordagem não é o LLM escolhido, mas os dados usados na verificação. A equipe exportou vários anos de conteúdo aprovado, analisou comentários de editores, advogados e gestores de riscos e depois agrupou as observações recorrentes. Caso contrário, seria necessário pedir ao modelo, de forma abstrata, que “verificasse se o texto é bom”, algo impossível de medir e atualizar de maneira consistente. As regras foram divididas em rígidas e contextuais.

O que levar para a prática?

Uma equipe de produto deve começar não por um agente, mas pelo histórico de revisões anteriores. Primeiro, é preciso identificar decisões recorrentes, definir infrações críticas e reunir um conjunto de exemplos rotulados. Em seguida, é útil executar a verificação em modo sombra, comparar suas decisões com as dos especialistas e só então permitir a aprovação automática de materiais de baixo risco. Também há limitações.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…