Сбербанк: ИИ решает 65% клиентских обращений в контакт-центре

• 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

Контекст

Сбербанк — крупнейший банк России с более чем 110 миллионами розничных клиентов и разработчик собственной большой языковой модели GigaChat. Это редкая для мирового рынка конфигурация: банк не покупает ИИ у вендора, а обучает собственные модели на собственной инфраструктуре — суперкомпьютерах Christofari и Christofari Neo (Cloud.ru) на GPU NVIDIA A100.

Контакт-центр банка обслуживает и розничных, и корпоративных клиентов в голосовых и текстовых каналах. На таком масштабе автоматизация поддержки — не эксперимент, а один из главных рычагов операционной эффективности: доли процента автоматизации измеряются сотнями операторов.

Внедрение ИИ шло поэтапно и задокументировано в прессе на каждом шаге. В 2023 году банк оптимизировал ИИ-маршрутизацию звонков бизнес-клиентов — самый измеримый и «скучный» сценарий, который, тем не менее, принёс первые публично названные деньги. С ноября 2024 года в контакт-центре для корпоративных клиентов заработал GigaChat-ассистент оператора. А по итогам первого квартала 2026 года банк отчитался о доле обращений, которые ИИ решает вообще без участия человека, — и сделал это в сравнении с рыночным бенчмарком Frank RG, что для российского рынка редкость.

Эта последовательность — маршрутизация, ассистент оператора, полная автоматизация — делает кейс Сбера полезной картой маршрута для любого крупного контакт-центра: этапы идут от простого к сложному, и каждый имеет собственную метрику успеха.

Проблема

На масштабе крупнейшего банка страны типовые обращения занимают основную часть потока контакт-центра, и каждая минута обработки умножается на миллионы диалогов. Отдельной болью была маршрутизация звонков юридических лиц: до оптимизации она занимала в 3,5 раза больше времени, чем после (по данным ComNews, после внедрения — 18 секунд). Клиент-предприниматель, которого перекидывают между линиями, — это не только раздражение, но и прямые расходы: каждый лишний перевод занимает время оператора.

Корпоративный сегмент при этом объективно сложнее розницы. Александр Крушинский, директор направления голосовых технологий BSS, в комментарии ComNews оценивал «хорошую» автоматизацию входящей линии в 30–60% — и называл корпоративный сегмент одним из самых сложных: тематика запросов юрлиц шире, формулировки специфичнее, а цена неверного ответа выше.

Вторая боль касалась самих операторов: во время разговора им приходилось вручную искать ответы в базе знаний. Пока оператор ищет регламент, клиент ждёт на линии; качество ответа зависит от того, насколько быстро человек ориентируется в документации. Именно этот разрыв — между знанием, которое у банка есть, и скоростью доступа к нему в момент разговора — и закрывает ассистент оператора.

Наконец, стояла задача измеримости: «внедрили ИИ» — не результат. Банку нужно было показать эффект в метриках, которые понимает и бизнес, и рынок: доля обращений без участия человека, скорость ответа, экономия часов и рублей.

Решение

Сбер выстроил ИИ в контакт-центре как три последовательных контура, каждый со своей экономикой.

Первый контур — маршрутизация. Предиктивная аналитика направляет 87% звонков корпоративных клиентов, точность маршрутизации за год выросла на 14 процентных пунктов до 77%, а время маршрутизации сократилось в 3,5 раза — до 18 секунд (данные ComNews). Речевая аналитика при этом покрывает 99% консультаций, а ИИ-ассистент в текстовых каналах для бизнеса уже к началу 2024 года самостоятельно решал 23% обращений. Этот контур принёс первые публично названные деньги: 300 млн рублей экономии за 2023 год.

Второй контур — GigaChat-ассистент оператора, запущенный 7 ноября 2024 года для поддержки корпоративных клиентов. Модель в реальном времени анализирует разговор с предпринимателем, находит нужные материалы в базе знаний SberHelp, суммирует их и предлагает оператору готовые подсказки. Отдельная функция — контроль качества: GigaChat оценивает вежливость и профессионализм диалога с точностью 80% и даёт рекомендации, если стандарты сервиса нарушены. На старте доступ к ассистенту имели 40% операторов; до конца 2024 года банк планировал раскатать его на всех сотрудников поддержки бизнеса в чатах, затем — на голосовую линию 0321. Позицию банка сформулировал Сергей Леханов, директор «Центра корпоративных решений» Сбера: искусственный интеллект должен помогать бизнесу, и GigaChat в поддержке корпоративных клиентов демонстрирует это наглядно.

Третий контур — полная автоматизация: ИИ самостоятельно решает типовые обращения в голосовых и текстовых каналах, без участия оператора. Именно по этому контуру банк отчитался в 2026 году цифрой 65%+.

Технологический фундамент у всех контуров общий: модели GigaChat, обученные на собственных суперкомпьютерах Сбера Christofari и Christofari Neo (Cloud.ru) на GPU NVIDIA A100. Для банка такого масштаба собственная инфраструктура обучения — не вопрос престижа, а стратегическое условие: данные клиентских диалогов не покидают периметр, а модель можно дообучать под банковскую специфику без внешних зависимостей.

Результат

По итогам первого квартала 2026 года ИИ решает более 65% клиентских обращений: 66% в голосовых каналах и 71% в чатах. Рамку задаёт сравнение с рынком: по оценке Frank RG за 2026 год, средний уровень автоматизации по отрасли — 23% в голосе и 67% в чатах. То есть в голосовом канале Сбер почти втрое опережает рынок, в чатах — идёт чуть выше рынка. 95% звонков получают ответ сразу, в ходе разговора; оставшиеся 5% — случаи, требующие дополнительного разбора (обычно 2–3 дня). Контакт-центр банка получил две премии Frank RG — за самую стабильную команду операторов и лучший роботизированный сервис на входящей линии.

Эффекты по контурам, названные публично: ИИ-маршрутизация звонков юрлиц сэкономила банку 300 млн рублей за 2023 год; ИИ в контакт-центре для бизнеса экономит более 7 000 часов времени операторов в месяц. GigaChat-ассистент дал +7% к производительности операторов и +2 п.п. к индексу удовлетворённости CSI; операторы используют до 20% подсказок модели, по отдельным направлениям — до 45%, а точность оценки качества диалога достигает 80%. Итоги внедрения публично комментировала Елена Левина, вице-президент, директор департамента «Забота о клиентах» Сбербанка.

Важно понимать рамку цифр. Это собственная отчётность банка, а не независимый аудит; отраслевые эксперты в комментариях ComNews прямо предупреждали, что у роста метрик маршрутизации может быть несколько объяснений (Евгений Сурков, Innostage) и что количественные показатели без клиентской оценки качества не дают полной картины (Евгения Гиленюк, СКБ Контур). Сильная сторона отчётности Сбера — привязка к внешнему бенчмарку Frank RG: сравнение с рынком делает главную цифру проверяемой.

На наш взгляд, кейс Сбера ценен прежде всего как архитектурный шаблон: три контура с разными метриками (маршрутизация — секунды и рубли; ассистент — производительность и CSI; автоматизация — доля обращений без человека) не смешиваются в один «эффект от ИИ», а измеряются раздельно. Это переносимо на любой крупный контакт-центр — в том числе потому, что первый контур (маршрутизация) окупается ещё до появления какой-либо LLM. И отдельное наблюдение: доля реально использованных подсказок (20–45%) — редкий пример честной метрики полезности ассистента; большинство внедрений отчитывается фактом наличия подсказок, а не тем, берут ли их люди в работу.

Уроки для индустрии

1. Доля обращений, решённых без человека, — главная метрика автоматизации контакт-центра. Сбер отчитывается именно ею (65%) и в сравнении с рынком (Frank RG 23%/67%), что делает цифру проверяемой.
2. Ассистент оператора и полная автоматизация — разные контуры с разными метриками: у первого — производительность (+7%) и CSI (+2 п.п.), у второго — доля автоматизации.
3. Начинать выгодно с узкого измеримого сценария: ИИ-маршрутизация звонков юрлиц дала 300 млн ₽ экономии ещё до появления LLM-ассистента — и профинансировала доверие к следующим этапам.
4. Доля реально использованных подсказок (до 20%, по отдельным направлениям до 45%) — честный показатель полезности ассистента, а не факт его наличия.
5. Корпоративный сегмент — один из самых сложных для автоматизации (отраслевая норма «хорошей» автоматизации — 30–60%): начинать с него стоит с маршрутизации и ассистента, а не с полной автоматизации.
6. ИИ может контролировать качество, а не только отвечать: оценка вежливости и профессионализма диалога с точностью 80% превращает выборочный контроль качества в сплошной.
7. Собственная инфраструктура обучения (Christofari, A100) — стратегическое условие для банка такого масштаба: данные диалогов не покидают периметр, а модель дообучается под банковскую специфику.

Частые вопросы