Royal Finance

Задача по обработке входящих обращений с помощью ИИ чат-бота

Royal Finance обратились в Ксентра с задачей, типичной для финтех-компаний: автоматизировать обработку входящих обращений без потери качества консультаций. Royal Finance — кредитный брокер, подбирающий физическим и юридическим лицам кредитные продукты из пула партнёров. Каталог: 30+ продуктов от 14 партнёров (банки, МФО, лизинговые компании) по 15 категориям — ипотека, потребительские кредиты, автокредиты, кредитные карты, бизнес-кредиты, лизинг, факторинг.

Операторы тратили большую часть рабочего времени на повторяющиеся вопросы, которые следовали одному и тому же дереву решений. Чтобы подобрать клиенту нужный продукт, нужно собрать информацию в строгом порядке:

• Физлицо или юрлицо?
• Какой продукт нужен?
• На какую сумму?
• Какова кредитная история?
• Каков статус занятости?

Пропустите любой из этих шагов — подбор будет неверным. Это не задача для стандартного чат-бота.

Результат кейса: 60-70% снижение нагрузки на операторов, 85% обращений обрабатываются без вызова ИИ, полный контроль над данными на инфраструктуре клиента.

Почему SaaS-платформы не подошли

Мы изучили рынок: Jivo, Aimylogic, BotHelp, Bitrix24 и международные платформы. Проблема не в цене — в функциональности:

• Невозможно обеспечить строгую последовательность вопросов. Бот на базе языковой модели будет пропускать шаги, спрашивать в неправильном порядке или уверенно предлагать продукт, под который клиент не подходит
• Подбор из 30+ продуктов по множеству параметров — ни одна визуальная платформа не поддерживает такую логику «из коробки»
• Данные клиентов не могут уходить на чужие серверы — 152-ФЗ о персональных данных, финансовая информация, кредитная история
• Каталог продуктов меняется ежемесячно — ставки, условия, новые партнёры. Ручное обновление бота при каждом изменении — не решает задачу

Почему «промпт-бот за 3 000 ₽» — не вариант

Рынок фриланса предлагает «ИИ чат-ботов» за 500–10 000 ₽: системный промпт + Chatbase или аналог. Для простого FAQ это работает. Для финансовых консультаций — нет:

• Галлюцинации. Языковая модель не знает, чего она не знает. Для финансовых услуг это означает выдуманные ставки, несуществующие условия или нарушение требований к раскрытию информации
• Ограничения промпта не абсолютны. По различным оценкам, инструкции системного промпта соблюдаются в 90–95% случаев. При 10 000 разговоров в месяц это 500–1 000 нарушений
• Невозможность обеспечить бизнес-логику. Нет способа через промпт заставить языковую модель всегда задавать вопросы в определённом порядке

Решение: гибридная архитектура

Команда Ксентра спроектировала гибридного ИИ чат-бота, объединяющего детерминированную логику с возможностями языковых моделей. Основная идея: используй код там, где код надёжен; используй ИИ там, где кода недостаточно.

Детерминированное ядро

Основа — граф разговора: дерево узлов, где каждый узел имеет тип (вопрос, информация, сбор контактов, подбор продукта). Каждая кнопка быстрого ответа ведёт к конкретному дочернему узлу. Дерево кодирует бизнес-логику: сначала тип продукта → сумма → кредитная история → подбор.

Этот путь всегда соблюдается. ИИ не может пропускать шаги или импровизировать поток.

В реальном трафике 85% вводов пользователей обрабатываются детерминированными правилами с нулевыми затратами на языковую модель.

Три специализированных агента

Когда пользователь пишет что-то, что механизм сопоставления не может обработать, три ИИ-агента работают вместе:

Оркестратор классифицирует намерение пользователя: отвечает ли он на текущий вопрос, задаёт свой, или делает и то и другое? На основе классификации направляет к нужному специализированному агенту.

Парсер занимается семантическим сопоставлением. Пользователь написал «три миллиона» вместо того, чтобы нажать «2–5 млн ₽» — парсер сопоставляет свободный текст с правильным вариантом. Результаты кешируются — повторный запрос не требует повторного вызова модели.

Инфо-агент отвечает на информационные вопросы через RAG-пайплайн по 130+ статьям блога компании. «Какие документы нужны для ипотеки?» — поиск по базе знаний, затем синтез ответа на основе реального контента. Никаких выдуманных деталей. Подробнее о том, как ИИ меняет бизнес-процессы — в нашей стратегии ИИ для бизнеса.

Почему три агента, а не один: у каждого своя стратегия кеширования, свои точки отказа и возможность использовать наиболее подходящую модель. Сбой парсера не блокирует инфо-агента. Они могут работать параллельно.

Синхронизация продуктов

Ежедневная задача читает каталог из CMS компании (NetCat на MySQL), преобразует продукты в нормализованную схему, обновляет по ID и деактивирует удалённые записи. Когда компания добавляет партнёра или меняется ставка — чат-бот подхватывает изменения утром. Без ручной работы.

Подбор продуктов полностью детерминирован: фильтрация по типу, сумме, кредитной истории, занятости. ИИ не участвует. Ставки и условия гарантированно точны — берутся из базы данных.

Мультиканальность

Тот же движок работает и для веб-виджета, и для Telegram-бота. Пользователь может начать разговор на сайте и продолжить в Telegram — сессия переносится с сохранением всех данных.

Технологический стек

Результаты

• 60–70% снижение нагрузки на операторов — бот обрабатывает большинство рутинных обращений автономно
• Точность подбора продуктов — ставки и условия берутся из базы данных, не генерируются языковой моделью
• Полный контроль над данными — система работает на инфраструктуре клиента, никакие данные не уходят на сторонние серверы
• Автоматическая актуализация каталога — ежедневная синхронизация из CMS, без ручного обновления
• Мультиканальность — единый бот для сайта и Telegram с переносом сессии

Хотите похожий результат для вашего бизнеса? Обсудить автоматизацию

Гибридный подход применим не только в финтехе — аналогичная архитектура работает для e-commerce, логистики, B2B-продаж и любого бизнеса со сложным каталогом продуктов или услуг. Больше кейсов Ксентра — в разделе проекты.

Ключевое преимущество гибридного подхода

Гибридная архитектура решила задачу, которую ни SaaS-платформы, ни чистый ИИ чат-бот решить не могут: обеспечила точность там, где ошибки недопустимы, и естественный разговор там, где он важен для клиентского опыта.

Подбор продуктов и квалификация клиентов — детерминированы и проверяемы. Ответы на вопросы — основаны на реальных публикациях компании. Затраты на API — оптимизированы через кеширование и специализацию агентов.