PSB mostra como implanta IA no banco: chatbots, RAG e serviços para empresas

O PSB mostrou não apenas um conjunto de experimentos com IA, mas um esquema bastante rígido e pragmático para levar a IA à operação bancária. O banco ressalta que não buscou ser um dos primeiros a testar todas as ferramentas de LLM. Em vez disso, construiu soluções de forma consistente onde o efeito no negócio aparece rápido: atendimento a pequenas e médias empresas (PMEs), automação de consultas e redução da carga sobre os funcionários. Como resultado, o PSB já opera um conjunto formado por bots de cenário, um assistente generativo, busca RAG na base de conhecimento e pilotos para equipes internas.

Nos serviços externos, o foco principal são os empreendedores. O PSB usa modelos de recomendação no CRM para analisar transações e sugerir tarifas, produtos e motivos de contato mais adequados a cada cliente. A lógica é simples: a IA não deve entreter, e sim economizar dinheiro e tempo.

Por exemplo, o sistema pode perceber que o cliente paga a mais com frequência por operações acima do limite e que lhe compensa mudar de tarifa. Ou sugerir levar uma contraparte para o PSB, se isso reduzir o custo dos pagamentos para os dois lados. Segundo o banco, cerca de 98% dos serviços para empreendedores já estão disponíveis remotamente, e 74% passam por automação ponta a ponta, sem participação humana nas etapas intermediárias.

O produto central é o assistente de IA Katyusha, disponível no internet banking, no app, no site e no VK. Ele é usado não só como chatbot de respostas, mas como ferramenta prática para tarefas rotineiras das empresas: preparar textos de vendas, descrições de fichas em marketplaces, respostas a avaliações, posts para redes sociais e até perguntas para entrevistas com candidatos. O banco fala em cerca de quatro mil solicitações por trimestre e ressalta que o serviço continua gratuito para clientes do segmento de PMEs.

Por baixo, roda um LLM russo que o PSB começou a testar em um piloto inicial. A ideia é reunir os cenários mais frequentes em uma única janela, em vez de mandar o cliente para vários serviços externos.

O passo seguinte é incorporar RAG à camada de consultas da Katyusha. Segundo o PSB, essa camada trouxe o salto de qualidade mais visível: no piloto, a automação das solicitações subiu 7%, o tempo médio de resolução caiu oito vezes e a satisfação dos clientes com o chatbot aumentou 21%. Ao mesmo tempo, a fatia de respostas incorretas foi reduzida de 3% para 1%. Para o banco, é um resultado importante, porque, com alto nível de automação, cada ponto percentual adicional custa muito mais do que no início.

O filtro ético do LLM se mostrou um problema à parte: nos testes, ele bloqueava quase 30% das solicitações por causa da redação da base de conhecimento. Depois de reescrever os textos, trocar palavras sensíveis e adicionar pós-processamento, o banco reduziu a fatia desses bloqueios para 1%, o que tornou o piloto viável.

Outra frente é o banco em mensageiros e a IA interna para funcionários. Desde 2023, a Katyusha atua no VK não só como consultora, mas como interface para operações básicas de RKO (serviços de caixa e liquidação): emissão de faturas, pagamentos, consulta de extratos e saldo. Em 2025, o número de usuários ativos desse canal cresceu 35%, e mais de 60 mil pagamentos passaram por ele. Depois disso, o PSB lançou serviços de pagamento também no MAX.

Dentro do banco, o piloto para funcionários começou em outubro de 2025, primeiro com 25 pessoas que precisam responder rapidamente a demandas de escritórios de vendas e de gerentes externos. O objetivo é liberar cerca de 10% do tempo de trabalho, mas o piloto mostrou que a IA entrega mais valor não nas perguntas padrão, e sim em cenários mais restritos, sem dados pessoais, em que importam consultas precisas e dicas sobre produtos.

Disso resulta uma estratégia bastante clara. O PSB não tenta construir um banco de IA universal de uma só vez, mas divide as tarefas por nível de risco e benefício: modelos em nuvem para cenários de conteúdo e não personalizados, bots de cenário para respostas rápidas e simples, RAG para consultas escaláveis e um LLM dentro do perímetro para dados sensíveis e serviços internos. Em 2026, o banco planeja implantar um LLM no próprio perímetro e elevar a fatia de respostas com RAG no fluxo total de consultas de 4% para 16%.

Para o mercado, é um exemplo revelador de como um grande banco implanta IA generativa não para vitrine, mas como ferramenta de trabalho com métricas claras.