PSB mostrou como implementa IA no banco: chatbots, RAG e serviços para negócios

O PSB revelou não apenas um conjunto de experimentos com IA, mas um esquema bastante rígido e pragmático para implementar IA no ecossistema bancário. O banco enfatiza que não visava ser um dos primeiros a testar cada ferramenta LLM, mas sim construiu consistentemente soluções onde o impacto comercial poderia ser visto rapidamente: no atendimento a pequenas e médias empresas, automação de consultorias e redução da carga de trabalho dos funcionários. Como resultado, o PSB já opera uma combinação de bots baseados em cenários, um assistente generativo, busca baseada em RAG em sua base de conhecimento e pilotos para equipes internas.

Nos serviços externos, o foco principal está nos empresários. O PSB usa modelos de recomendação em seu CRM para analisar transações e sugerir tarifas mais adequadas, produtos e razões para entrar em contato com clientes. A lógica é simples: a IA não deve entreter, mas economizar dinheiro e tempo.

Por exemplo, o sistema pode perceber que um cliente paga regularmente a mais por operações além de seu limite e se beneficiaria ao mudar para uma tarifa diferente. Ou sugerir a oportunidade de transferir uma contraparte para o PSB se isso reduzir os custos de pagamento para ambas as partes. De acordo com o banco, aproximadamente 98% dos serviços para empresários estão agora disponíveis remotamente, e 74% passam por automação de ponta a ponta sem intervenção humana em estágios intermediários.

O produto principal aqui é o assistente de IA "Katyusha", disponível no aplicativo de internet banking, aplicativo móvel, site e VK. É usado não apenas como um chatbot para responder perguntas, mas também como uma ferramenta aplicada para tarefas comerciais rotineiras: preparação de textos de vendas, criação de descrições de produtos do marketplace, resposta a avaliações, redação de posts em redes sociais e até formulação de perguntas de entrevista para candidatos. O banco relata aproximadamente quatro mil solicitações por trimestre e enfatiza que o serviço permanece gratuito para clientes do segmento PME.

Por baixo, um LLM russo opera, que o PSB começou a testar em um piloto inicial. A ideia aqui é reunir os cenários mais frequentes em uma única interface em vez de enviar clientes para vários serviços externos. O próximo passo é implementar RAG no fluxo de consulta da Katyusha.

De acordo com o PSB, esta camada entregou o salto de qualidade mais notável: no piloto, a automação de solicitações aumentou 7%, o tempo médio de resolução de problemas foi reduzido oito vezes e a satisfação do cliente no chatbot aumentou 21%. Ao mesmo tempo, a proporção de respostas incorretas foi reduzida de 3% para 1%. Este é um resultado importante para o banco, porque em altos níveis de automação, cada ponto percentual adicional se torna muito mais difícil de alcançar do que no início.

Um problema separado foi o filtro ético do LLM: em testes, bloqueou quase 30% das solicitações devido a frases na base de conhecimento. Após reescrever textos, substituir palavras sensíveis e adicionar pós-processamento, a proporção de tais bloqueios foi reduzida para 1%, o que tornou o piloto viável. Uma direção separada é o banco em mensageiros e IA interna para funcionários.

Desde 2023, Katyusha opera no VK não apenas como consultora, mas também como interface para operações básicas de RCC: emissão de faturas, realização de pagamentos, visualização de extratos e saldos. Em 2025, o número de usuários ativos deste canal cresceu 35%, e mais de 60 mil pagamentos passaram por ele. Após isso, o PSB também lançou serviços de pagamento no MAX.

Dentro do banco, o piloto para funcionários começou em outubro de 2025: inicialmente com 25 pessoas que precisam responder rapidamente a consultas de escritórios de vendas e gerentes de campo. O objetivo era liberar cerca de 10% do tempo de trabalho, mas durante o piloto ficou claro que a IA fornece o maior valor não em perguntas típicas, mas em cenários mais estreitos sem dados pessoais, onde consultorías precisas e orientação de produtos são importantes. De tudo isso emerge uma estratégia bastante clara.

O PSB não está tentando construir um banco de IA universal em uma única etapa, mas distribui tarefas por níveis de risco e benefício: modelos em nuvem para cenários de conteúdo e não personalizados, bots baseados em cenários para respostas rápidas e simples, RAG para consultorías escaláveis e LLM dentro do fluxo de trabalho para dados sensíveis e serviços internos. Em 2026, o banco planeja implantar LLM dentro de seu perímetro e aumentar a proporção de respostas baseadas em RAG no fluxo geral de consulta de 4% para 16%. Para o mercado, este é um caso exemplar de como um grande banco implementa IA generativa não para exibição, mas como uma ferramenta de trabalho com métricas claras.