{"id": "P07-B2C-RU-P01", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2C", "tags": ["banking", "telecom_mvno", "customer_service", "agentic_interaction"], "organization": "Т-Банк (АО «Т-Банк»), включая МВНО «Т-Мобайл»", "org_type": "действующая компания", "process": "Обработка обращений клиентской поддержки банка и мобильного оператора «Т-Мобайл» ИИ-сотрудником «Афанасий Иванов»: разбор ситуации конкретного клиента и самостоятельное выполнение действий в тех же системах, где работают операторы (в отличие от чат-ботов по заранее заданным сценариям)", "period": "материал опубликован 2026-08-07; приводимые показатели охвата и эффекта — «за последний год» до публикации (т.е. ориентировочно 2025–2026)", "industry": "розничный банкинг; мобильная связь (MVNO)", "function": "клиентская поддержка / контакт-центр", "b2b_c2c_note": null, "b2b_b2c": "B2C", "country": "RU", "country_basis": "Организация и обслуживаемые клиенты — Россия. Материал CNews в ленте news/line целиком основан на сообщении пресс-службы («Об этом CNews сообщили представители «Т-Банка»»): это перепечатка корпоративного сообщения, а не независимая редакционная проверка.", "before": "Классические чат-боты автоматизируют только простые заранее описанные запросы; при отклонении от сценария диалог передаётся человеку. Ежемесячно в поддержку «Т-Банка» поступает около 19 млн обращений.", "after": "ИИ-сотрудник «Афанасий Иванов» работает в тех же информационных системах, что и сотрудники поддержки; анализирует ситуацию конкретного клиента (например, «какая у меня ставка», «куда ушли деньги с карты») и самостоятельно выполняет необходимые действия. Работает в двух режимах: автономном (ведёт обращение от начала до конца) и «второго пилота» (даёт подсказки оператору, решение принимает человек). Обучается на примерах работы специалистов поддержки.", "technologies": ["agent"], "technology_basis": "Источник не называет конкретную архитектуру (LLM/GenAI прямо не упомянуты); поведение описано как автономно-агентное: «„Афанасий“ устроен иначе. Он работает в тех же информационных системах, что и сотрудники поддержки, анализирует информацию и самостоятельно выполняет необходимые действия... „Афанасий“ работает в двух режимах» (CNews, 2026-08-07).", "human_role": "Специалисты поддержки — источник обучающих примеров («обучается на примерах работы специалистов и перенимает лучшие практики»); в режиме «второго пилота» сами решают, использовать ли подсказку; занимаются сложными эскалированными случаями.", "agent_role": "В автономном режиме ведёт обращение клиента от начала до конца без участия человека; в режиме «второго пилота» — только подсказывает, решение принимает оператор.", "authority": "В автономном режиме ведёт обращение от начала до конца, но «выполняет только безопасные и простые действия»; при сложных ситуациях передаёт управление человеку (режим «второго пилота» — подсказки, решение за оператором). Доля обращений, которые агент ведёт полностью автономно, источником не раскрыта; ~30% — это доля клиентского обслуживания Т-Банка, где «Афанасий» задействован в принципе (включая режим подсказок), а не доля самостоятельных решений.", "change_depth": "end_to_end_process", "deployment_stage": "production", "stage_marker_quote": "«Сегодня «Афанасий» задействован в процессах, охватывающих около 30% всего клиентского обслуживания «Т-Банка». В «Т-Мобайле» технология внедрена значительно глубже: с «Афанасием» работает 85% сотрудников поддержки» (CNews, 2026-08-07).", "ai_native_label": "none", "ai_native_label_basis": "Компания не использует термин «AI-native». Наша интерпретация: изменение охватывает целиком цикл обращения (end-to-end внутри функции поддержки), но не операционную модель банка в целом.", "effects": [{"metric": "доля клиентского обслуживания Т-Банка, охваченная агентом", "value": "~30", "unit": "%", "baseline": "unknown", "period": "на 2026-08-07", "claimed_by": "Т-Банк (через CNews)", "status": "SOURCE_CLAIM", "original_number": "~30%"}, {"metric": "доля операторов поддержки Т-Мобайла, работающих с агентом", "value": "85", "unit": "%", "baseline": "unknown", "period": "на 2026-08-07", "claimed_by": "Т-Банк (через CNews)", "status": "SOURCE_CLAIM", "original_number": "85%"}, {"metric": "высвобожденное рабочее время операторов Т-Мобайла", "value": "до 16", "unit": "%", "baseline": "unknown", "period": "за последний год до 2026-08-07", "claimed_by": "Т-Банк (через CNews)", "status": "SOURCE_CLAIM", "original_number": "до 16%"}, {"metric": "удовлетворённость клиентов качеством обслуживания «Афанасия» (Т-Мобайл)", "value": "78.7", "unit": "%", "baseline": "unknown", "period": "за последний год до 2026-08-07", "claimed_by": "Т-Банк (через CNews)", "status": "SOURCE_CLAIM", "original_number": "78,7%"}, {"metric": "целевой показатель удовлетворённости на следующем этапе", "value": "84.3", "unit": "%", "baseline": "78.7", "period": "план, срок не указан", "claimed_by": "Т-Банк (через CNews)", "status": "SOURCE_CLAIM", "original_number": "84,3%"}, {"metric": "время полного запуска нового сценария (от обучения до работы с реальными обращениями)", "value": "не более 3", "unit": "недель", "baseline": "unknown", "period": "на 2026-08-07", "claimed_by": "Т-Банк (через CNews)", "status": "SOURCE_CLAIM", "original_number": "не более 3 недель"}], "outcome": "success", "uncertainty": "Единственный источник — сообщение пресс-службы «Т-Банка», перепечатанное CNews в ленте news/line; независимого (не связанного с компанией) источника по этой практике нет. Методика расчёта «доли обслуживания, охваченной агентом» и «удовлетворённости качеством обслуживания Афанасия» не раскрыта. Нет данных о влиянии на численность и структуру занятости контакт-центра. Источник прямо указывает границу полномочий агента: «выполняет только безопасные и простые действия» — это ограничение внесено в поле authority, а не только сюда.", "alternative_explanations": "Рост удовлетворённости мог быть частично связан с другими одновременными изменениями сервиса, не только с «Афанасием»; источник это не разделяет.", "costs_side_effects": "Затраты на разработку и внедрение, а также труд по подготовке обучающих примеров (разметка/отбор эталонных диалогов специалистов) не раскрыты и не оценены количественно.", "pdca": null, "transfer_limits": "Решение работает в собственных информационных системах Т-Банка и Т-Мобайла; перенос в организацию с иной ИТ-архитектурой потребует переобучения на других данных и интеграции с другими системами.", "claims": [{"text_ru": "«Т-Банк» внедрил ИИ-сотрудника «Афанасий Иванов», который решает сложные сценарии клиентского обслуживания, ранее требовавшие участия человека, и работает в тех же системах, что и операторы.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.cnews.ru/news/line/2026-08-07_t-bank_zapustil_ii-sotrudnika", "locator": "1-й-2-й абзацы"}, {"text_ru": "На момент публикации (2026-08-07) «Афанасий» задействован в процессах, охватывающих около 30% клиентского обслуживания «Т-Банка», а в «Т-Мобайле» с ним работает 85% операторов поддержки.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.cnews.ru/news/line/2026-08-07_t-bank_zapustil_ii-sotrudnika", "locator": "раздел с метриками (после описания режимов работы)"}, {"text_ru": "В «Т-Мобайле» «Афанасий» высвобождает до 16% рабочего времени операторов; удовлетворённость клиентов качеством его работы за последний год составила 78,7% при целевом показателе следующего этапа 84,3%.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.cnews.ru/news/line/2026-08-07_t-bank_zapustil_ii-sotrudnika", "locator": "раздел с метриками"}], "sources": [{"url": "https://www.cnews.ru/news/line/2026-08-07_t-bank_zapustil_ii-sotrudnika", "title": "«Т-Банк» запустил ИИ-сотрудника для решения сложных сценариев клиентского обслуживания", "publisher": "CNews", "author": "пресс-служба «Т-Банка» (материал CNews в ленте news/line, без признаков независимой редакционной проверки)", "date": "2026-08-07", "type": "media", "locator": "полный текст статьи", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P07-B2C-RU-F07"}], "author_model": "claude-sonnet-5", "reviewer": null, "next_action": "Проверить методику расчёта «доли обслуживания» и «удовлетворённости Афанасия» по вторичному независимому источнику (например, отчётность/презентации Т-Банка); поискать данные о влиянии на штат контакт-центра."}
{"id": "P07-B2C-RU-P02", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2C", "tags": ["marketplace", "trust_and_safety", "fraud_detection", "fulfilment"], "organization": "Яндекс Маркет", "org_type": "действующая компания", "process": "Проверка заказов с постоплатой (оплата при получении) в пунктах выдачи заказов (ПВЗ) на риск мошенничества (заказ и хищение товара без оплаты, убытки несут владелец ПВЗ и продавец)", "period": "объявлено 2025-12-25 (пресс-служба маркетплейса через ТАСС; перепечатано Ведомостями и Expert.ru в тот же день)", "industry": "e-commerce / маркетплейс", "function": "доверие и безопасность (trust & safety); фулфилмент / ПВЗ", "b2b_b2c": "B2B2C", "country": "RU", "country_basis": "организация и сеть ПВЗ — Россия; независимые российские издания «Ведомости» и Expert.ru", "before": "Заказы с постоплатой в ПВЗ оформлялись без автоматической оценки риска; мошенники заказывали товары с оплатой при получении и забирали их без оплаты, убытки несли владелец ПВЗ и продавец.", "after": "Обучена ML-модель на данных о прошлых покупках и аномалиях в поведении покупателей; модель анализирует новые заказы в ПВЗ и присваивает им уровень риска; при подозрительной операции автоматически уведомляет специалиста службы контроля качества, который изучает информацию и принимает решение о возможности оформления заказа и способе оплаты.", "technologies": ["predictive_ML"], "technology_basis": "«...маркетплейс обучил ML-модель на информации о прошлых покупках и аномалиях в поведении покупателей. Система анализирует новые заказы в ПВЗ и присваивает им уровень риска» (Ведомости/Expert.ru, 2025-12-25).", "human_role": "Специалист службы контроля качества изучает информацию по заказам с высоким уровнем риска и принимает финальное решение об оформлении заказа и способе его оплаты.", "agent_role": "Скоринговая ML-модель оценивает риск каждого нового заказа с постоплатой и маршрутизирует подозрительные случаи к человеку; самостоятельно решения об отказе не принимает (по тексту источников).", "authority": "Модель не блокирует и не отменяет заказ самостоятельно — только присваивает уровень риска и уведомляет специалиста; решение остаётся за человеком.", "change_depth": "operation", "deployment_stage": "production", "stage_marker_quote": "«„Яндекс Маркет“ начал использовать искусственный интеллект (ИИ) для выявления подозрительных заказов, которые оформлены с постоплатой» (Ведомости, 2025-12-25); «„Яндекс маркет“ внедрил искусственный интеллект (ИИ) для обнаружения подозрительных заказов с постоплатой» (Expert.ru, 2025-12-25).", "ai_native_label": "none", "ai_native_label_basis": "Термин источниками не используется; наша интерпретация — точечная операция контроля риска в рамках существующего процесса оформления заказа, не сквозной процесс и не изменение операционной модели.", "effects": [{"metric": "масштаб проблемы мошенничества до внедрения (число случаев/сумма убытков)", "value": "unknown", "unit": "unknown", "baseline": "unknown", "period": "unknown", "claimed_by": "unknown", "status": "UNKNOWN", "original_number": "unknown"}, {"metric": "снижение потерь / точность модели после внедрения", "value": "unknown", "unit": "unknown", "baseline": "unknown", "period": "unknown", "claimed_by": "unknown", "status": "UNKNOWN", "original_number": "unknown"}], "outcome": "uncertain", "uncertainty": "Не раскрыты ни масштаб проблемы (число случаев мошенничества, суммы потерь), ни результат после внедрения (снижение потерь, точность модели, доля ложных срабатываний). Оба прочитанных материала ссылаются на один и тот же первоисточник — сообщение ТАСС со слов пресс-службы маркетплейса; ТАСС напрямую не читан.", "alternative_explanations": "unknown", "costs_side_effects": "Возможные ложные срабатывания могут задерживать оформление легитимных заказов с постоплатой; этот риск в материалах не обсуждается — открытый вопрос, источниками не описанный.", "pdca": null, "transfer_limits": "Модель обучена на собственных данных Яндекс Маркета о покупках и поведении покупателей; перенос в другую площадку потребует переобучения на её собственных данных о мошенничестве.", "claims": [{"text_ru": "«Яндекс Маркет» начал использовать ИИ (ML-модель, обученную на истории покупок и аномалиях поведения) для выявления подозрительных заказов с постоплатой в ПВЗ; при высоком риске система автоматически уведомляет специалиста службы контроля качества, который принимает решение по заказу.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.vedomosti.ru/business/news/2025/12/25/1166266-yandeks-market", "locator": "абзацы 2-4"}], "sources": [{"url": "https://www.vedomosti.ru/business/news/2025/12/25/1166266-yandeks-market", "title": "«Яндекс Маркет» стал использовать ИИ для выявления подозрительных заказов", "publisher": "Ведомости", "author": "редакция Ведомостей, со ссылкой на ТАСС", "date": "2025-12-25", "type": "media", "locator": "полный текст новости", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P07-B2C-RU-F05"}, {"url": "https://expert.ru/news/yandeks-market-vnedril-ii-dlya-zashchity-ot-podozritelnykh-zakazov/", "title": "«Яндекс маркет» внедрил ИИ для защиты от подозрительных заказов", "publisher": "Expert.ru", "author": "редакция Expert.ru, со ссылкой на ТАСС", "date": "2025-12-25", "type": "media", "locator": "полный текст новости", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P07-B2C-RU-F06"}], "author_model": "claude-sonnet-5", "reviewer": null, "next_action": "Найти данные о результатах внедрения (снижение потерь, точность модели) в последующих публикациях или отчётности; при возможности прочитать первоисточник ТАСС."}
{"id": "P07-B2C-RU-P03", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2C", "tags": ["telecom", "personalization", "cvm", "import_substitution"], "organization": "МегаФон (ПАО «МегаФон»)", "org_type": "действующая компания", "process": "Подбор и мгновенная отправка персональных маркетинговых предложений абонентам через собственную платформу принятия решений в реальном времени для CVM (Customer Value Management) — MegaRITM; свыше 100 сценариев-триггеров (например, предложение роуминга при обнаружении абонента в аэропорту или новый пакет минут при исчерпании текущего)", "period": "материал опубликован 2026-04-15; платформа заменила ранее использовавшиеся зарубежные решения (точная дата перехода не указана)", "industry": "телеком", "function": "маркетинг / персонализация предложений / управление клиентской ценностью", "b2b_b2c": "B2C", "country": "RU", "country_basis": "оператор и абоненты — Россия; независимое российское трейд-издание Sostav.ru", "before": "Оператор ранее работал на зарубежных решениях для управления клиентской ценностью (CVM); собственной платформы с интегрированным ИИ не было.", "after": "Создана собственная платформа принятия решений в реальном времени MegaRITM с интегрированной генеративной нейросетью GenAI (в роли помощника-консультанта для маркетологов — пользователей платформы). Платформа обрабатывает данные о клиенте (услуги, подписки, использование приложения, пополнение баланса) и формирует цифровой профиль; подбирает подходящие предложения (в т.ч. партнёрские сервисы); направляет коммуникации в удобный канал (SMS, голосовой робот, чат-бот, личный кабинет); маркетологи сразу видят эффект изменений и могут донастраивать сценарии.", "technologies": ["GenAI", "predictive_ML", "recsys"], "technology_basis": "«Интегрированная генеративная нейросеть GenAI кардинально отличает сервис от зарубежных решений... ИИ выступает в роли помощника-консультанта для пользователей платформы» (GenAI); «Платформа в режиме реального времени обрабатывает массивы данных о клиентах, чтобы сформировать его цифровой профиль» (predictive_ML); «сервис помогает подобрать для клиента наиболее подходящие ему уникальные предложения, среди которых и партнерские сервисы» (recsys). Sostav.ru, 2026-04-15.", "human_role": "Маркетологи «МегаФона» — пользователи платформы: настраивают сценарии-триггеры, анализируют эффект изменений и донастраивают систему; GenAI выступает их помощником-консультантом, а не работает напрямую с абонентом от своего лица.", "agent_role": "Платформа в реальном времени формирует профиль клиента и автоматически инициирует персональные предложения по заданным триггерам без запроса подтверждения на каждую отправку.", "authority": "Платформа самостоятельно формирует и рассылает предложения по заданным сценариям-триггерам (свыше 100) без утверждения человеком каждой отправки; параметры сценариев задают люди.", "change_depth": "end_to_end_process", "deployment_stage": "production", "stage_marker_quote": "«Ежемесячно сервис формирует порядка 500 млн персональных маркетинговых предложений... Инструмент обрабатывает до 1,5 тыс. запросов в секунду» (Sostav.ru, 2026-04-15).", "ai_native_label": "none", "ai_native_label_basis": "Термин источником не используется; наша интерпретация — сквозной процесс CVM (профилирование → выбор предложения → выбор канала → отправка) внутри функции маркетинга, но не полная трансформация операционной модели компании.", "effects": [{"metric": "число персональных предложений", "value": "~500", "unit": "млн/мес", "baseline": "unknown", "period": "на 2026-04-15", "claimed_by": "МегаФон (через Sostav.ru)", "status": "SOURCE_CLAIM", "original_number": "порядка 500 млн персональных маркетинговых предложений (в месяц)"}, {"metric": "пропускная способность платформы", "value": "до 1500", "unit": "запросов/сек", "baseline": "unknown", "period": "на 2026-04-15", "claimed_by": "МегаФон (через Sostav.ru)", "status": "SOURCE_CLAIM", "original_number": "до 1,5 тыс. запросов в секунду"}, {"metric": "число сценариев-триггеров", "value": "более 100", "unit": "шт.", "baseline": "unknown", "period": "на 2026-04-15", "claimed_by": "МегаФон (через Sostav.ru)", "status": "SOURCE_CLAIM", "original_number": "более 100 таких сценариев-триггеров"}], "outcome": "uncertain", "uncertainty": "Нет данных о влиянии платформы на отток абонентов, ARPU, конверсию предложений или удовлетворённость клиентов; раскрыты только объёмные показатели работы платформы (число предложений, пропускная способность), а не бизнес-эффект.", "alternative_explanations": "unknown", "costs_side_effects": "Переход с зарубежного решения на собственную платформу («мы с нуля разработали и запустили инфраструктуру») подразумевает существенные затраты на разработку, которые не раскрыты; вероятная причина перехода — уход зарубежных вендоров/импортозамещение прямо источником не названа.", "pdca": null, "transfer_limits": "Платформа создана под собственную архитектуру и данные «МегаФона»; компания заявляет о намерении предложить решение внешнему рынку после регистрации в реестре российского ПО — на момент публикации тиражируемым продуктом не является.", "claims": [{"text_ru": "«МегаФон» разработал и запустил собственную real-time платформу CVM MegaRITM с интегрированной генеративной нейросетью, которая ежемесячно формирует порядка 500 млн персональных предложений абонентам, используя более 100 сценариев-триггеров.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.sostav.ru/publication/megafon-razrabotal-platformu-83154.html", "locator": "текст статьи; цитата С. Федорченко, директора по управлению корпоративными данными «МегаФона»"}], "sources": [{"url": "https://www.sostav.ru/publication/megafon-razrabotal-platformu-83154.html", "title": "«МегаФон» разработал платформу для подбора персональных предложений абонентам", "publisher": "Sostav.ru", "author": "редакция Sostav.ru, со слов представителей «МегаФона»", "date": "2026-04-15", "type": "media", "locator": "полный текст статьи", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P07-B2C-RU-F11"}], "author_model": "claude-sonnet-5", "reviewer": null, "next_action": "Найти данные о влиянии платформы на отток/ARPU/конверсию в других источниках (годовой отчёт «МегаФона», интервью руководства)."}
{"id": "P07-B2C-RU-P04", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2C", "tags": ["banking", "contact_center", "copilot", "customer_service"], "organization": "Альфа-Банк (АО «Альфа-Банк»)", "org_type": "действующая компания", "process": "Генерация и рекомендация операторам контакт-центра релевантных подсказок (шаблонов ответов, прошлых ответов экспертов, ссылок на нужные интерфейсы, а в пилоте — RAG-ответов «на лету» по базе знаний) на основе онлайн-контекста диалога с клиентом («Альфа-помощник: оператор»)", "period": "vc.ru — материал от 2024-12-25 (запуск, база подсказок к моменту публикации выросла с 200 до 600); osp.ru — интервью от 2025-04-10 (охват 90% операторов тремя базовыми моделями, RAG в пилоте на 15% потока). Оба материала — о том же продукте «Альфа-помощник: оператор» в разные моменты его развития; часть чисел двух источников описывает разные показатели (см. effects), а не последовательные снимки одной метрики.", "industry": "розничный банкинг", "function": "контакт-центр / клиентская поддержка", "b2b_b2c": "B2C", "country": "RU", "country_basis": "организация и обслуживаемые клиенты — Россия; независимое издание «Открытые системы» (osp.ru) и корпоративный блог банка на vc.ru", "before": "Операторы контакт-центра выбирали из сотен шаблонных ответов, разрозненно хранившихся в электронных таблицах и текстовых документах, искали подходящий по ключевым словам вручную; у каждого сотрудника были личные шаблоны, что приводило к дублированию и потенциальным ошибкам; поиск релевантной информации о клиенте в объёмной базе знаний занимал время (по vc.ru — время ожидания клиента затягивалось, разговор мог закончиться до получения ответа).", "after": "Департамент продвинутой аналитики / Лаборатория машинного обучения разработали ИИ-помощника «Альфа-помощник: оператор», который генерирует релевантные подсказки прямо в рабочем интерфейсе оператора: три модели-BERT-биэнкодера — рекомендация шаблона, рекомендация прошлых ответов экспертов, рекомендация нужного интерфейса (охват 90% операторов по osp.ru); четвёртая модель на RAG+LLM генерирует консультации «на лету» по базе знаний (по osp.ru — пилот, 15% потока; по vc.ru — тестирование этого компонента к моменту публикации завершено). База подсказок выросла с 200 до 600 (vc.ru).", "technologies": ["NLP", "GenAI"], "technology_basis": "«Три из них... являются BERT-биэнкодерами (Bidirectional Encoder Representations from Transformers)» (NLP); «Четвертая модель, основанная на технологиях RAG (Retrieval Augmented Generation) и использующая LLM» (GenAI) — osp.ru, 2025-04-10. «Для обучения модели использовали нейронные сети TinyBERT и LSTM» — vc.ru, 2024-12-25.", "human_role": "Оператор контакт-центра получает подсказку (шаблон / прошлый ответ / ссылку на интерфейс / RAG-консультацию) в рабочем окне и сам решает, использовать её как есть или переформулировать; финальный ответ клиенту формирует человек.", "agent_role": "Модели генерируют и рекомендуют текстовые подсказки по контексту диалога в реальном времени; самостоятельно ответ клиенту не отправляют.", "authority": "Система только подсказывает — по тексту источников нет подтверждений, что модель самостоятельно отправляет ответ клиенту или совершает действия в банковских системах без оператора.", "change_depth": "operation", "deployment_stage": "production", "stage_marker_quote": "«Этими моделями охвачены 90% операторов... Решение интегрировано в работу более чем 3 тыс. сотрудников, сокращение среднего времени обработки обращений достигло 10%» (osp.ru, 2025-04-10). RAG-компонент отдельно помечен как «на данный момент находится в пилоте и тестируется на 15% потока» (osp.ru).", "ai_native_label": "none", "ai_native_label_basis": "Термин источниками не используется; наша интерпретация — точечная операция (подсказки внутри существующего процесса поддержки), не сквозной процесс и не изменение операционной модели банка.", "effects": [{"metric": "сокращение среднего времени обработки обращения (доля от общего времени)", "value": "10", "original_number": "10%", "unit": "%", "baseline": "unknown", "period": "на 2025-04-10", "claimed_by": "Альфа-Банк (через osp.ru)", "status": "SOURCE_CLAIM"}, {"metric": "сокращение среднего времени обработки запроса клиента (абсолютное)", "value": "45", "original_number": "45 секунд", "unit": "секунд", "baseline": "unknown", "period": "на 2024-12-25", "claimed_by": "Альфа-Банк (через vc.ru)", "status": "SOURCE_CLAIM"}, {"metric": "охват операторов тремя базовыми моделями подсказок", "value": "90", "original_number": "90%", "unit": "%", "baseline": "0", "period": "на 2025-04-10", "claimed_by": "Альфа-Банк (через osp.ru)", "status": "SOURCE_CLAIM"}, {"metric": "полезность подсказок исходя из фактического использования (текущая / целевая)", "value": "42 / цель 50", "original_number": "42%, стремимся к 50%", "unit": "%", "baseline": "unknown", "period": "на 2025-04-10", "claimed_by": "Альфа-Банк (через osp.ru)", "status": "SOURCE_CLAIM"}, {"metric": "доля обращений, где оператору помогает ассистент", "value": "примерно половина", "original_number": "примерно в половине случаев", "unit": "доля", "baseline": "unknown", "period": "на 2025-04-10", "claimed_by": "Альфа-Банк (через osp.ru)", "status": "SOURCE_CLAIM"}, {"metric": "оценка сотрудников (VoE, voice of employee) по продукту-помощнику", "value": "4.81", "original_number": "4,81", "unit": "балл (шкала не уточнена источником)", "baseline": "unknown", "period": "на 2025-04-10", "claimed_by": "Альфа-Банк (через osp.ru)", "status": "SOURCE_CLAIM"}, {"metric": "разница в доле сессий с положительной оценкой клиента (VoC) при использовании помощника", "value": "+1.5", "original_number": "на 1,5% выше", "unit": "% (единица — п.п. или относительные проценты — источником не уточнена)", "baseline": "сессии без помощника", "period": "на 2025-04-10", "claimed_by": "Альфа-Банк (через osp.ru)", "status": "SOURCE_CLAIM"}, {"metric": "численность колл-центра Альфа-Банка (весь колл-центр)", "value": "более 4000", "original_number": "более 4000 специалистов поддержки", "unit": "человек", "baseline": "unknown", "period": "на 2024-12-25", "claimed_by": "Альфа-Банк (через vc.ru)", "status": "SOURCE_CLAIM"}, {"metric": "число сотрудников, в чью работу интегрировано решение (подмножество колл-центра)", "value": "более 3000", "original_number": "более чем 3 тыс. сотрудников", "unit": "человек", "baseline": "unknown", "period": "на 2025-04-10", "claimed_by": "Альфа-Банк (через osp.ru)", "status": "SOURCE_CLAIM"}, {"metric": "размер базы подсказок", "value": "выросла с 200 до 600", "original_number": "с 200 до 600", "unit": "шт.", "baseline": "200", "period": "с момента запуска до 2024-12-25", "claimed_by": "Альфа-Банк (через vc.ru)", "status": "SOURCE_CLAIM"}], "outcome": "mixed", "uncertainty": "«Более 4000» (vc.ru) — численность всего колл-центра Альфа-Банка; «более 3 тыс.» (osp.ru) — число сотрудников, в чью работу интегрировано решение (подмножество, не обязательно противоречащее первому числу). Это разные показатели, не прямое противоречие — CONFLICT здесь не ставится. Аналогично 45 секунд (vc.ru) и 10% (osp.ru) — разные единицы при нераскрытой базе (среднее время обращения не названо ни в одном материале), сопоставить напрямую нельзя, но и явного противоречия между ними нет. Малый эффект в 10% сам Андрей Сон объясняет гипотезой («Есть гипотеза, что…»), а не установленным фактом: подсказки не всегда можно использовать «в чистом виде», оператору приходится их переформулировать, что нивелирует часть экономии. Охват 90% операторов и цифра 10% сопровождаются оговорками источника: полезность подсказок по факту использования — 42% (цель 50%), ассистент реально помогает «примерно в половине случаев».", "alternative_explanations": "unknown", "costs_side_effects": "Подготовка первого пула подсказок — отдельная работа Дирекции повышения эффективности персонала, заняла не менее двух месяцев: «чтобы создать первый пул, у Дирекции повышения эффективности персонала ушло не меньше двух месяцев» — в качестве примеров отобрали ответы «отличников» с наивысшими оценками, затем провели фактчекинг и выверили базу по Tone of Voice (vc.ru). Команда разметки для будущей иерархии подсказок упоминается только в планах развития, не как уже проделанная работа. Собственные затраты на разработку моделей и оптимизацию (токенайзеры, распределение ресурсов) количественно не оценены.", "pdca": null, "transfer_limits": "Модели обучены на собственных диалогах и базе знаний Альфа-Банка (TinyBERT/LSTM, BERT-биэнкодеры); перенос в другую организацию потребует переобучения на её собственных данных поддержки.", "claims": [{"text_ru": "Альфа-Банк внедрил ИИ-помощника операторов контакт-центра на основе четырёх моделей (три BERT-биэнкодера + RAG/LLM в пилоте на 15% потока), который к апрелю 2025 охватывал 90% операторов тремя базовыми моделями и, по заявлению банка, сокращал среднее время обработки обращения на 10%.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.osp.ru/articles/2025/0410/13059429", "locator": "интервью с Андреем Соном, руководителем направления по разработке нейронных сетей Альфа-Банка"}, {"text_ru": "По материалу vc.ru от 25.12.2024 о том же продукте («Альфа-помощник: оператор»): весь колл-центр банка на тот момент насчитывал более 4000 специалистов поддержки (это показатель численности колл-центра в целом, а не пользователей решения), среднее время обработки запроса клиента сократилось на 45 секунд, база подсказок выросла с 200 до 600.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://vc.ru/alfabank/1728515-sdelali-tak-chtoby-sotrudniki-podderzhki-menshe-otvlekalis-na-rutinu-i-mogli-sosredotochitsya-na-kliente", "locator": "раздел с результатами исследования влияния моделей"}], "sources": [{"url": "https://www.osp.ru/articles/2025/0410/13059429", "title": "Альфа-Банк: ИИ в помощь контакт-центру", "publisher": "Открытые системы (osp.ru)", "author": "Николай Смирнов, интервью с Андреем Соном (Альфа-Банк)", "date": "2025-04-10", "type": "media", "locator": "полный текст интервью", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P07-B2C-RU-F13"}, {"url": "https://vc.ru/alfabank/1728515-sdelali-tak-chtoby-sotrudniki-podderzhki-menshe-otvlekalis-na-rutinu-i-mogli-sosredotochitsya-na-kliente", "title": "«Сделали так, чтобы сотрудники поддержки меньше отвлекались на рутину и могли сосредоточиться на клиенте»", "publisher": "vc.ru (корпоративный блог Альфа-Банка)", "author": "Альфа-Банк", "date": "2024-12-25", "type": "company_blog", "locator": "полный текст материала", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P07-B2C-RU-F14"}], "author_model": "claude-sonnet-5", "reviewer": null, "next_action": "Уточнить расхождение по численности контакт-центра и экономии времени во внутренней отчётности/пресс-службе Альфа-Банка; при возможности получить независимую (не корпоративную) верификацию метрик."}