.svg)
Димитрий Масин, сооснователь и генеральный директор Gradient Labs, делится своим видением будущего искусственного интеллекта в сфере финансовых технологий. В этом эксклюзивном интервью он рассказывает о запуске компании, своих карьерных уроках в Monzo и Google, а также о том, как продукт Otto трансформирует работу поддержки клиентов в строго регулируемых отраслях. Узнайте, как техническое лидерство, внимание к соответствию требованиям и архитектурная гибкость сделали Gradient Labs одним из самых перспективных AI-стартапов Европы.
Источник новости: https://www.unite.ai/dimitri-masin-ceo-co-founder-at-gradient-labs-interview-series/
Димитри Масин — генеральный директор и сооснователь стартапа Gradient Labs, специализирующегося на разработке автономных агентов поддержки клиентов, ориентированных на строго регулируемые отрасли, такие как финансовые услуги. До основания Gradient Labs в 2023 году Масин занимал руководящие должности в Monzo Bank, включая вице-президента по науке о данных, финансовым преступлениям и мошенничеству. Ранее он также работал в Google.
Опыт Масина в финансовом секторе и в области искусственного интеллекта стал основой для создания высокоэффективных и в то же время соответствующих нормативным требованиям решений. Под его руководством Gradient Labs достигла значительных успехов — всего за пять месяцев после запуска компания вышла на уровень годовой выручки в £1 миллион.
Gradient Labs — это стартап в области искусственного интеллекта, сфокусированный на создании полностью автономных агентов поддержки клиентов для сложных и строго регулируемых отраслей. Главный продукт компании — Otto — отличается высоким качеством обслуживания и способен выполнять комплексные задачи без вмешательства человека. Компания делает акцент на соблюдении нормативных требований, что особенно важно для банков и финансовых учреждений.
Gradient Labs придерживается долгосрочной стратегии качества: продукт Otto разрабатывался в течение 14 месяцев до первого релиза, что позволило достичь высокого уровня доверия со стороны клиентов. Вместо быстрого выхода на рынок команда сосредоточилась на построении архитектуры, способной обеспечить надежную и масштабируемую автоматизацию.
Компания также использует мульти-модельный подход, не завязывая свою платформу на одного поставщика языковых моделей. Это позволяет оперативно переходить на более производительные модели, снижать затраты и обеспечивать высокую надежность решений для клиентов.
Благодаря сочетанию технической глубины, понимания потребностей финансового сектора и гибкости архитектуры, Gradient Labs быстро завоевывает позиции на рынке, предлагая решения, способные заменить не только чат-ботов, но и выполнять сложные бэк-офисные операции.
Димитрий Масин, ранее занимавший руководящие должности в Monzo Bank и Google, основал Gradient Labs в 2023 году, вдохновившись прорывом в области искусственного интеллекта с выходом GPT-4. До этого автоматизация клиентской поддержки в финансовом секторе обеспечивала лишь 10% прироста эффективности. Однако новые технологии открыли возможность достигать 70–80% автономной автоматизации рутинных задач, что стало толчком к созданию компании.
Масин называет текущую волну ИИ второй по значимости технологической трансформацией после мобильной революции, отмечая, что такие моменты требуют немедленного действия. Команда Gradient Labs поняла, что сейчас — идеальное время для реализации амбициозных проектов в сфере ИИ.
Опыт Масина в Monzo оказал значительное влияние на философию Gradient Labs. Он выделяет три ключевых вывода:
Gradient Labs сосредоточилась на создании автономных ИИ-агентов для поддержки клиентов в строго регулируемых отраслях, таких как финансы. Вместо быстрого выхода на рынок, команда потратила 14 месяцев на разработку Otto — ИИ-агента, способного обрабатывать сложные запросы без участия человека. Такой подход был продиктован необходимостью добиться доверия со стороны банков и финансовых учреждений.
Otto основан на использовании стандартных операционных процедур (SOP), изложенных на понятном языке, как для обычного сотрудника поддержки. Два архитектурных решения обеспечивают его высокую эффективность:
Gradient Labs стремится к качеству обслуживания, превосходящему человеческое:
Качество измеряется через показатели удовлетворенности клиентов (CSAT), которые у текущих клиентов составляют 80–90%, превосходя показатели человеческих команд.
Gradient Labs сознательно не привязывается к конкретному провайдеру языковых моделей. Это позволяет:
Gradient Labs не ограничивается клиентской поддержкой — компания стремится автоматизировать и бэк-офисные процессы. Здесь возникают два типа задач:
Для обеспечения соответствия нормативам ИИ-агент Otto работает медленнее, чем традиционные чат-боты — среднее время отклика составляет 15–20 секунд. Однако для регулируемых отраслей это приемлемая задержка, учитывая высокую точность и надёжность ответов.
Масин видит потенциал ИИ не только в поддержке, но и в координации сложных процессов, таких как обработка документов и инициирование действий на основе их проверки. Однако принятие решений в высокорисковых сферах останется за людьми — из-за требований к объяснимости и контролю со стороны регуляторов.
Gradient Labs прогнозирует пять ключевых изменений в клиентском опыте:
Otto — автономный агент поддержки, разработанный компанией Gradient Labs с прицелом на работу в строго регулируемых отраслях, таких как банковская и финансовая сферы. В отличие от традиционного подхода «выпустить и дорабатывать по ходу», команда под руководством Димитрия Масина потратила 14 месяцев на создание продукта до первого релиза, обеспечив высочайшее качество уже на старте.
Основным ориентиром при разработке стали стандарты и ожидания банков, для которых критически важны надежность, безопасность и соответствие нормам. Otto не просто помогает агентам — он полностью автоматизирует работу поддержки, обеспечивая выполнение задач от начала до конца без участия человека.
Otto построен на основе стандартных операционных процедур (SOP) — инструкций на естественном языке, аналогичных тем, что используют живые операторы. Это позволяет агенту выполнять сложные, многошаговые процессы, включая задачи с повышенным риском.
Два ключевых принципа обеспечивают его эффективность:
Ограниченная доступность инструментов. Во избежание ошибок при выборе действий Otto получает доступ только к ограниченному набору инструментов, необходимых для конкретной процедуры. Например, при замене карты агент видит только 1–2 соответствующих инструмента из всех доступных 30, что снижает вероятность ошибок.
Развитая цепочка мышления. Команда Gradient Labs полностью переработала инфраструктуру типичного AI-ассистента, обеспечив возможность многоступенчатой логической обработки входящих данных. Это позволяет агенту принимать более обоснованные и точные решения.
Gradient Labs заявляет, что Otto обеспечивает «сверхчеловеческое качество» поддержки. Это выражается в трёх аспектах:
Глубокие знания. Otto имеет доступ ко всей информации о компании и её процессах, в отличие от людей, которые осваивают лишь ограниченный объем данных и часто переадресуют клиента.
Проактивный сбор информации. AI не задаёт лишних вопросов — он анализирует аккаунт клиента и сопутствующие сигналы до начала диалога, что позволяет быстрее находить решение.
Последовательность и терпение. Otto не ограничен временем ответа и всегда поддерживает высокий уровень качества и вежливости, чего сложно добиться от человека под нагрузкой.
Эффективность Otto измеряется через показатели удовлетворенности клиентов (CSAT), которые составляют 80–90% — выше, чем у традиционных команд поддержки.
Одним из ключевых архитектурных решений стало отсутствие привязки к одному поставщику языковых моделей. Это позволяет Otto использовать наиболее подходящие модели в зависимости от задачи: где-то требуется высокая точность, где-то — скорость и экономичность.
Такая гибкость обеспечивает высокую производительность и снижает затраты, позволяя оперативно адаптироваться к выходу новых и более мощных моделей от OpenAI, Anthropic и других.
В будущем архитектура Otto будет поддерживать развертывание моделей на инфраструктуре клиентов, что критически важно для банков с особыми требованиями к размещению данных.
Otto не ограничивается ролью чат-бота — он способен выполнять задачи бэкофиса. Однако здесь возникают две категории сложности:
Простые процессы уже можно автоматизировать, но основная трудность — интеграция с разрозненными внутренними системами банков.
Сложные процессы, такие как расследование мошенничества, требуют глубокой предметной экспертизы. Передача таких знаний AI остаётся открытой задачей, над которой работает вся отрасль.
В регулируемых отраслях Otto действует осторожно, уделяя больше времени на обработку каждого обращения. Среднее время ответа составляет 15–20 секунд — медленнее, чем у обычных AI-ассистентов, но всё равно быстрее, чем у человека. При этом Otto анализирует множество факторов: содержание запроса, признаки уязвимости клиента, потенциальные жалобы — всё это делается в соответствии с нормативными требованиями.
Хотя Otto уже способен координировать сложные процессы, Gradient Labs осторожно относится к идее использования AI для принятия высокорисковых решений. Такие задачи требуют объяснимости, отсутствия предвзятости и одобрения регуляторов. В ближайшем будущем Otto будет играть роль координатора — направлять документы, инициировать действия и уведомлять клиентов, но не принимать финальные решения.
Gradient Labs разработала Otto — автономного AI-агента, ориентированного на полную автоматизацию клиентской поддержки в регулируемых отраслях, таких как финансы. Одной из ключевых инноваций стало использование стандартных операционных процедур (SOPs), написанных на простом английском языке. Эти документы имитируют инструкции, которые обычно предоставляют живым операторам, и обеспечивают структурированный подход к решению задач.
Для повышения точности Otto компания ограничивает количество инструментов, доступных агенту в каждом конкретном процессе. Например, при замене карты Otto имеет доступ только к 1–2 релевантным инструментам вместо всех 30, зарегистрированных в системе. Это значительно снижает вероятность ошибок и увеличивает эффективность.
Кроме того, Gradient Labs полностью переработала архитектуру AI-ассистента, внедрив многоступенчатую систему рассуждений (chain-of-thought reasoning), что позволяет Otto принимать более обоснованные и надежные решения даже в сложных сценариях.
Компания сознательно не привязывается к одному поставщику языковых моделей (LLM). Это позволяет оперативно переключаться на более производительные решения от OpenAI, Anthropic и других, обеспечивая постоянное улучшение качества и снижение затрат. Такая архитектурная гибкость также подготовила почву для будущей поддержки open-source моделей, размещённых на инфраструктуре клиентов — особенно актуально для банков с особыми требованиями к размещению данных.
Хотя Otto не принимает финальных решений в высокорискованных сценариях, он выполняет функцию оркестрации: принимает документы от клиентов, направляет их на валидацию, получает подтверждение и инициирует последующие действия. Это позволяет автоматизировать весь процесс, сохраняя при этом контроль за финальными решениями у человека, что особенно важно в условиях строгих регулятивных норм.
Для работы в регулируемых отраслях Otto разработан с акцентом на обдуманные реакции. Среднее время ответа составляет 15–20 секунд, что, хотя и выше, чем у обычного чат-бота, остаётся значительно быстрее человеческого ответа. Такой подход позволяет агенту тщательно анализировать запросы: правильно ли он понял суть, соответствует ли ответ нормативам, есть ли признаки уязвимости клиента, требуется ли регистрация жалобы и т.д.
Вместо быстрого вывода продукта на рынок и итеративного улучшения с участием клиентов, Gradient Labs потратила 14 месяцев на разработку Otto до выпуска. Это позволило достичь высоких стандартов качества, соответствующих ожиданиям банков и финансовых организаций. Системы тестировались без участия живых пользователей, что дало возможность свободно экспериментировать и масштабно модифицировать архитектуру без риска.
Gradient Labs измеряет эффективность Otto через показатели удовлетворённости клиентов (CSAT), которые в среднем составляют 80–90% — выше, чем у человеческих команд. Такой результат достигается за счёт:
Для автоматизации сложных процессов, таких как расследования по мошенничеству или оценка рисков отмывания средств, требуется передача глубоких доменных знаний. Это остаётся одной из самых сложных задач, которую Gradient Labs активно исследует. Цель — научить AI выполнять задачи, на которые человека обучают в течение 6–12 месяцев.
В ближайшие 3–5 лет ожидается трансформация клиентского опыта в финансовом секторе благодаря следующим трендам:
По мнению Дмитрия Масина, генерального директора Gradient Labs, ближайшее будущее ИИ в финансовом секторе связано с автоматизацией не только клиентской поддержки, но и более сложных бэк-офисных процессов. Технологии уже готовы для выполнения простых задач, однако основным препятствием остаются вопросы интеграции с многочисленными и зачастую уникальными внутренними системами финансовых организаций.
Для более сложных процессов, таких как расследования мошенничества или оценка подозрительных транзакций, основная трудность заключается в передаче экспертных знаний ИИ. Эти задачи требуют глубокого понимания предметной области, которое человек приобретает в течение 6–12 месяцев обучения. Передача такого уровня компетенции ИИ-агенту — всё ещё нерешённая задача для отрасли.
Gradient Labs рассматривает перспективу использования ИИ не столько для принятия высокорисковых решений, сколько для координации всего процесса. Например, ИИ может управлять потоками: принимать документы от клиента, направлять их на валидацию, получать подтверждение и инициировать соответствующие действия. Такая "оркестрация" делает процессы более эффективными, не нарушая требований к контролю и прозрачности.
Одним из ключевых направлений развития является адаптация ИИ-агентов к строгим нормативным требованиям, характерным для финансовой сферы. Gradient Labs разработала архитектуру, позволяющую ИИ-агенту анализировать контекст запроса, оценивать риски, выявлять признаки уязвимости клиента и даже определять наличие жалобы. Такой подход увеличивает задержку ответа до 15–20 секунд, однако обеспечивает качество, соответствующее ожиданиям регулируемых организаций.
Масин выделяет пять ключевых тенденций, которые будут формировать будущее клиентского взаимодействия в финансовом секторе:
Истинная омниканальность: единый ИИ-агент будет сопровождать клиента во всех каналах — от чата до голосовых звонков, создавая бесшовный опыт.
Адаптивные интерфейсы: клиенты смогут выполнять действия, просто озвучивая свои потребности, без необходимости искать нужные функции в приложении.
Улучшение экономики операций: автоматизация снизит расходы на поддержку, что позволит банкам обслуживать ранее нерентабельных клиентов или снизить комиссии.
Масштабируемое качество: благодаря ИИ поддержка высокого уровня станет доступной даже при экспоненциальном росте клиентской базы.
Переосмысление поддержки: клиентская поддержка перестанет быть затратной необходимостью и станет стратегическим активом, улучшающим пользовательский опыт.
Gradient Labs сознательно не привязывается к одному поставщику языковых моделей (LLM), что обеспечивает гибкость и производительность. Такая архитектура позволяет выбирать наиболее подходящую модель под конкретную задачу, а в дальнейшем — использовать приватные open-source модели, размещённые на инфраструктуре клиента, что особенно важно для банков с особыми требованиями безопасности.
Gradient Labs под руководством Димитрия Масина представляет собой пример технологического стартапа будущего: ориентированного на качество, безопасность и гибкость. Разработанный агент Otto уже сегодня меняет правила игры в клиентском опыте финансовых организаций. Если вы следите за развитием ИИ или работаете в регулируемой отрасли, это интервью обязательно к прочтению. Подписывайтесь, чтобы не пропустить новые выпуски нашей серии интервью с технологическими визионерами.
.svg)
