97% вопросов клиентов bunq решает ИИ-агент. Как банк построил автономную поддержку на Amazon Bedrock

Банк, который решил, что люди слишком дороги для ответов на "Как сбросить PIN?"

Голландский необанк bunq обнародовал цифры, которые заставят почесать затылок любого руководителя кол-центра. С января 2024 года их ИИ-агент на Amazon Bedrock обработал 12.8 миллионов запросов. Из них 97% были решены полностью автономно, без передачи живому агенту. Среднее время ответа - 2.3 секунды. Стоимость обработки одного тикета упала на 91%.

Это не чат-бот на правилах. Это полноценный агентный ИИ, который умеет не только отвечать, но и действовать: проверять статус переводов, блокировать карты, объяснять комиссии на примере реальных транзакций пользователя.

Архитектура: агент, который не просто болтает, а лезет в системы

В bunq отказались от идеи единого монолитного промпта. Вместо этого построили систему из специализированных агентов на платформе Amazon Bedrock AgentCore, релиз которой в конце 2024 года как раз и позволил реализовать эту архитектуру.

1 Диспетчер, который понимает намерение

Первым делом запрос попадает к диспетчеру - легкой модели Anthropic Claude 3.5 Sonnet (последняя стабильная версия на январь 2026). Его задача одна: понять, что хочет пользователь, и передать запрос нужному специализированному агенту. Не генерировать ответ. Не вести диалог. Только классифицировать.

"Это было самое сложное, - признается технический директор bunq. - Заставить модель НЕ пытаться помочь, а просто маршрутизировать. Мы потратили месяцы на промпт-инжиниринг, пока не добились точности в 99.2%".

2 Специализированные агенты с доступом к API

После диспетчера запрос идет к одному из 14 специализированных агентов. Вот некоторые из них:

• Агент транзакций - имеет доступ к read-only API банковской системы. Может показать историю операций, объяснить конкретный платеж, проверить статус перевода.
• Агент безопасности - умеет блокировать карты, менять лимиты, объяснять правила безопасности. Для действий, меняющих состояние, требует подтверждения по push-уведомлению в приложении.
• Агент тарифов - знает все тарифные планы, скрытые условия, промо-акции. Может спрогнозировать, сколько пользователь заплатит в следующем месяце.
• Агент документации - ищет в базе знаний (векторизованные PDF с условиями обслуживания, FAQ, гайдами). Особенность: умеет цитировать конкретные пункты договора.

Каждый агент работает на своей комбинации моделей Bedrock. Для простых фактологических запросов - Amazon Titan Text G1 Express (дешево и быстро). Для сложных аналитических вопросов - Claude 3.5 Sonnet или даже Claude 3.7 Haiku для баланса между скоростью и качеством.

Главный секрет: как заставить ИИ не врать о балансе на счете

Самая страшная ночь для любого банка - ИИ-агент начнет галлюцинировать цифры. "Наш баланс - $1,000,000", "Ваша карта не заблокирована" (хотя только что заблокирована), "Комиссия за перевод - 0%" (на самом деле 1.5%).

bunq решил проблему радикально: никаких цифр из контекста промпта. Все числовые данные - только через API. Агент транзакций не "помнит", что у клиента обычно переводы по $100. Он каждый раз запрашивает API и получает актуальную выписку.

Архитектура доступа к данным:

"Мы запретили агентам что-либо 'знать' о клиенте, - объясняет архитектор системы. - Они могут знать, что bunq работает в 30 странах. Но не могут 'помнить', что у пользователя из Амстердама тариф 'Premium'. Это они должны запросить через API. Каждый раз."

3% провалов: что не смог ИИ и почему это нормально

Тот самый неудачный процент в 3% - около 384,000 запросов за год - оказался золотой жилой для улучшения системы. bunq анализирует каждый провал. Категории самые предсказуемые:

• Юридические споры (45%) - "Почему вы заблокировали мой аккаунт?", "Требую компенсацию за овердрафт". ИИ распознает эмоциональную нагрузку и сразу передает человеку.
• Технические проблемы с приложением (30%) - "Не могу войти", "Не загружается страница перевода". Требует диагностики, которую ИИ пока не умеет.
• Сложные финансовые консультации (15%) - "Какой тариф лучше для моей ситуации: я получаю доход в евро, но трачу в долларах и иногда в фунтах?".
• Ошибки самой системы ИИ (10%) - "Я спросил про комиссию за перевод в Турцию, а вы ответили про Польшу".

Что случилось с живыми операторами? Их всех уволили?

Вопреки ожиданиям, массовых увольнений не было. Вместо этого bunq переучил 80% сотрудников поддержки. Теперь они занимаются:

1. Обучением ИИ - размечают сложные кейсы, пишут промпты для новых сценариев. Зарплата выросла на 40% (теперь это senior AI trainers).
2. Эскалациями - работают с теми самыми 3% сложных запросов.
3. Контролем качества - выборочно проверяют диалоги ИИ, ставят оценки, корректируют поведение агентов.

"Мы превратили операторов из людей, которые отвечают на одни и те же вопросы, в инженеров, которые улучшают систему, - говорит HR-директор. - Сложность работы выросла, удовлетворенность сотрудников тоже."

Этот подход перекликается с трендом, который мы видели в материале про сокращения в банках. Но bunq показал альтернативу - не увольнять, а перепрофилировать.

Сколько это стоило и когда окупилось?

Цифры bunq не раскрывает полностью, но по нашим расчетам на основе публичных данных:

• Разработка: ~6 месяцев работы команды из 12 человек (архитекторы, ML-инженеры, промпт-инженеры)
• Инфраструктура: Amazon Bedrock AgentCore, Pinecone для векторного поиска, кастомные API-шлюзы
• Модели: смесь Claude 3.5 Sonnet, Claude 3.7 Haiku и Amazon Titan в зависимости от задачи
• Окупаемость: по заявлениям bunq, инвестиции отбились за 4 месяца за счет сокращения затрат на поддержку

Главная экономия - не в зарплатах операторов (их почти не сократили), а в масштабируемости. Обработать дополнительные 5 миллионов запросов в год теперь стоит копейки - нужно просто добавить capacity в Bedrock.

А что с Vodafone и Fastweb? Они тоже так могут?

Интересно сравнить с другим громким кейсом - Vodafone и Fastweb. Телекомы добились 85% автоматизации, но их подход другой:

• Использовали LangGraph + LangSmith вместо нативного Bedrock AgentCore
• Сделали ставку на единого мощного агента, а не на специализированных
• Имеют более сложную продуктовую линейку (телефония, интернет, ТВ, мобильная связь)

bunq выиграл в простоте: банковские продукты проще телекомовых. Но проиграл в гибкости: их система заточена под конкретные сценарии. Добавить поддержку нового продукта (например, ипотеки) - нужно писать нового агента почти с нуля.

Что дальше? Агент, который не только отвечает, но и продает

Следующий этап в bunq - коммерческий ИИ. Агент, который:

1. Анализирует поведение клиента (траты, доходы, цели)
2. Предлагает подходящие продукты (накопительный счет с повышенным процентом, кредитную карту с кешбэком на АЗС)
3. Оформляет продажу полностью в чате

"Мы уже тестируем прототип, - делится планами CEO bunq. - Клиент пишет 'Хочу накопить на отпуск'. ИИ анализирует его расходы, предлагает автоматическое округление транзакций с переводом разницы на накопительный счет, показывает прогноз, сколько накопится к дате отпуска. И все это в 5 сообщениях."

Риск очевиден: агрессивный апселлинг испортит пользовательский опыт. Но потенциальная выгода - увеличение average revenue per user (ARPU) на 15-20% - слишком заманчива.

Так стоит ли бежать внедрять агентный ИИ в своем банке?

Если вы руководитель финтех-компании и после этой статьи хотите завтра же запустить своего ИИ-агента - остановитесь. bunq смог, потому что:

• Имеет современную API-архитектуру (микросервисы, четкие контракты)
• Инвестировал в промпт-инжиниринг как отдельную компетенцию
• Не боялся переучить, а не уволить людей
• Начал с простых сценариев (справка о балансе), а не со сложных (юридические споры)

Главный урок от bunq: 97% автоматизации - это не про технологию. Это про готовность перестроить процессы вокруг ИИ. Про то, чтобы дать моделям доступ к реальным данным через API, а не кормить их устаревшими CSV. Про то, чтобы измерять не "нравится ли клиентам ИИ", а "решает ли ИИ их проблемы".

И да, это про готовность признать: иногда (в 3% случаев) ИИ все еще глупее человека. И это нормально. Пока.