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
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.
- 12 нояб. 2026 г.Модели принятия решений заняли 26% запросов Vercel AI Gateway при 0,53% расходов
- 12 нояб. 2026 г.Google выпустила Gemini Decision 1: ответ за 150–250 мс и $0.10 за 1M токенов
- 12 нояб. 2026 г.Google выпустила gemini-decision-1: модель выдаёт вероятности вместо текста за 150–250 мс
- 12 нояб. 2026 г.ExecuTorch запускает PyTorch в браузере на GPU: генерация текста быстрее в 2–10 раз
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.
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.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.