Совкомбанк ежемесячно анализирует более 300 тыс. диалогов с помощью ИИ

Российские банки, включая Совкомбанк, начали глубже анализировать звонки клиентов: нейросети переводят записи в текст, находят причины отказов или жалоб и выдают операторам подсказки прямо во время диалога. У Совкомбанка автоматическая система оценки по чек-листам ежемесячно разбирает более 300 тысяч диалогов — такие данные приводятся за июль 2026 года. Материал опубликован на Ferra.ru как экспертное мнение; его автор — Дмитрий Мацера, управляющий директор по ИТ Совкомбанка.

Качество моделей проверяет совместная команда бизнес- и ИТ-подразделений раз в две недели, сверяя результаты алгоритма с экспертной оценкой сотрудников. Минимальный проходной порог по отдельному пункту чек-листа держится на уровне 70%, а по большинству категорий точность превышает 85%. На входящей линии модели на базе больших языковых моделей определяют продукт и суть клиентской проблемы, формируют краткое содержание звонка и указывают предполагаемую зону ответственности в спорных ситуациях.

Точность работы моделей варьируется от 65% до 90% в зависимости от сложности задачи, а в самых требовательных сценариях многоклассовой классификации опускается до 65–70%. Качество проверяется ежемесячно на контрольной выборке звонков; по состоянию на март 2026 года решение позволяло обрабатывать до 25 тысяч звонков в сутки. При этом модели не принимают окончательных решений по спорным ситуациям и не устанавливают виновных — их задача направить обращение в профильное подразделение с подготовленными материалами.

Автоматизация постобработки разговоров высвободила в Совкомбанке около 9500 человеко-часов ручного труда в месяц; речь идёт о производственном ресурсе, а денежный эффект появляется позже. В пилотных проектах среднее время выдачи живой подсказки оператору составляет около 3,5 секунды, но для промышленного запуска этого недостаточно — инженеры контролируют задержку на сложных запросах и частоту использования подсказок; другой сценарий — краткая сводка предыдущих контактов клиента, которая помогает сотруднику быстрее войти в контекст при повторном звонке. В будущем роботы будут контролировать даже обещания электронных помощников в гибридной модели, где типовые обращения принимают на себя цифровые помощники: важно, не даёт ли цифровой помощник необоснованных обещаний, использует ли корректные формулировки и передаёт ли обращение живому сотруднику в обязательных по регламенту случаях; транскрибация выходит за рамки локального инструмента службы качества и становится частью общей инфраструктуры управления клиентскими коммуникациями, а голосовой канал — источником управленческой информации для настройки сервиса, контроля рисков и стратегических решений.