Эфир 18.11 · Поток 318 ноября в 19:00 МСК — бесплатный практический эфир по ИИ-агентам · Живой Поток 3 стартует 23.11Эфир 18 ноября →Поток 3 (23.11)
Безопасность и правоРазбор · На радарHabr AI→ оригинал

Сбер сократил согласование банковского контента с семи дней до одного часа

Сбер заменил длинную цепочку согласований тремя ИИ-проверками: редакторской, репутационной и юридической. Правила собрали из прошлых замечаний специалистов и карт рисков, а человека оставили для спорных случаев. По данным команды, путь от брифа до выгрузки в CRM сократился с семи дней до часа, но пока система охватывает лишь 30% SMS и пушей.

AI-обработка оригинала Habr AI; редакция Hamidun News
Сбер сократил согласование банковского контента с семи дней до одного часа
Источник: Habr AI. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникHabr AI ↗
Главный редактор
Ключевой факт #1ИИ-юрист и проверка тона показывают точность выше 90%.
Ключевой факт #2За два года выпуск контента вырос примерно с 11 000 до 22 000 единиц.
Практический принципавтоматизировать типовые решения, а не само согласование.

Обычно генерация текста — не главное узкое место. Черновик для пуша можно получить за секунды, а затем несколько дней носить его между редактором, юристом, службой репутационных рисков, комплаенсом и владельцем продукта. В Сбере решили автоматизировать именно эту очередь: типовые замечания специалистов превратили в машинные проверки, а человеку оставили случаи, где риск действительно высок.

По данным команды проекта, путь от брифа до выгрузки готовой коммуникации в CRM сократился с семи дней до одного часа. Это не универсальная кнопка: полный процесс пока работает примерно для 30% SMS и пушей. Но кейс полезен тем, что показывает практическую архитектуру автоматизации в регулируемой компании.

Три проверки вместо восьми согласующих

Система делит контроль на три слоя. Первый, AI-Boost, проверяет орфографию, редакционные правила и продуктовые формулировки. Команда изучила накопленные замечания редакторов и корректоров и свела повторяющиеся требования примерно к 50–60 правилам. К ним добавили словари, продуктовые руководства и ограничения по длине сообщений.

Второй слой, Smart ToV, ищет репутационные риски: неуместный юмор, токсичные темы, сомнительный сленг, неверный тон во время чрезвычайных ситуаций. Здесь действует «светофор». Зелёный результат пропускается автоматически, красный отправляет материал человеку.

Третий слой — ИИ-юрист. Для пяти финансовых продуктов команда составила карты рисков: опасные формулировки, возможная ответственность и способы исправления. Модель не просто ставит отметку, а показывает найденный риск и предлагает более безопасный вариант. Проверка, которая раньше занимала по SLA до пяти дней, теперь, по утверждению авторов проекта, выполняется примерно за три минуты.

Простой пример: банк готовит пуш о финансовом продукте. Модель должна заметить обещание негарантированной доходности, проверить обязательное примечание и определить, подходит ли бодрый тон для текущего новостного контекста. Если нарушение однозначно, текст возвращается на правку. Если риск пограничный, решение принимает специалист.

Откуда берутся правила

Самая ценная часть подхода — не выбранная LLM, а данные для проверки. Команда выгрузила согласованный контент за несколько лет, разобрала комментарии редакторов, юристов и риск-менеджеров, затем сгруппировала повторяющиеся замечания. Иначе модель пришлось бы просить абстрактно «проверить хороший текст», а такой запрос невозможно стабильно измерять и обновлять.

Правила разделили на жёсткие и контекстные. Ошибка в названии продукта блокирует выпуск всегда. Сленг или эмодзи могут быть допустимы для молодой аудитории, но неуместны в другой кампании. Такое разделение позволяет менять отдельный фильтр при появлении нового закона или кризисной ситуации, не переделывая всю генерацию.

По внутренним оценкам Сбера, точность ИИ-юриста и Smart ToV превышает 90%. Проверки чаще создают ложную тревогу, чем пропускают реальный риск. Для банка это осознанный перекос, но показатель нельзя считать независимым бенчмарком: методика тестирования и размер контрольной выборки в материале не раскрыты.

Что брать в работу

Продуктовой команде стоит начинать не с агента, а с журнала прошлых правок. Сначала выделить повторяемые решения, определить критические нарушения и собрать набор размеченных примеров. Затем полезно запускать проверку в теневом режиме, сравнивать её решения с экспертами и только после этого разрешать автоматический пропуск низкорисковых материалов.

Есть и ограничения. Кейс описан самой командой Сбера, поэтому цифры об экономии времени и точности требуют независимой проверки. Полный процесс запущен недавно, охватывает не весь контент и пока лучше работает с короткими форматами. Кроме того, автоматизация не устраняет редакторов и юристов: она меняет их роль с последовательного чтения каждого текста на настройку правил, разбор исключений и контроль качества.

Практический вывод простой: в корпоративном контенте LLM выгоднее ставить не только перед конвейером, где она пишет черновик, но и после него — как набор узких, измеримых фильтров. Именно устранение очереди согласований, а не скорость генерации, даёт здесь основной выигрыш.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: три проверки вместо восьми согласующих?

Система делит контроль на три слоя. Первый, AI-Boost, проверяет орфографию, редакционные правила и продуктовые формулировки. Команда изучила накопленные замечания редакторов и корректоров и свела повторяющиеся требования примерно к 50–60 правилам. К ним добавили словари, продуктовые руководства и ограничения по длине сообщений. Второй слой, Smart ToV, ищет репутационные риски: неуместный юмор, токсичные темы, сомнительный сленг, неверный тон во время чрезвычайных ситуаций. Здесь действует «светофор».

Что известно по теме: откуда берутся правила?

Самая ценная часть подхода — не выбранная LLM, а данные для проверки. Команда выгрузила согласованный контент за несколько лет, разобрала комментарии редакторов, юристов и риск-менеджеров, затем сгруппировала повторяющиеся замечания. Иначе модель пришлось бы просить абстрактно «проверить хороший текст», а такой запрос невозможно стабильно измерять и обновлять. Правила разделили на жёсткие и контекстные. Ошибка в названии продукта блокирует выпуск всегда.

Что известно по теме: что брать в работу?

Продуктовой команде стоит начинать не с агента, а с журнала прошлых правок. Сначала выделить повторяемые решения, определить критические нарушения и собрать набор размеченных примеров. Затем полезно запускать проверку в теневом режиме, сравнивать её решения с экспертами и только после этого разрешать автоматический пропуск низкорисковых материалов. Есть и ограничения. Кейс описан самой командой Сбера, поэтому цифры об экономии времени и точности требуют независимой проверки.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…