Кейсы применения RAG в финансовом секторе

Bank of America | Виртуальный ассистент Erica

Одна из крупнейших банковских групп мира с 2018 года разрабатывает своего виртуального ассистента Erica для поддержки клиентов. Это один из самых масштабных корпоративных кейсов применения ИИ в клиентском сервисе. Erica уже обработала более 3 миллиардов запросов от почти 50 миллионов пользователей, ежемесячно отвечая на свыше 58 миллионов обращений.

Важной особенностью Erica является использование RAG, это позволяет добиваться 100% точности ответов и исключить риск некорректных или случайных рекомендаций. Более 98% пользователей получают необходимую информацию самостоятельно. Это существенно снижает нагрузку на контакт-центр. В среднем всего за 48 секунд пользователь получает от Erica релевантный ответ.

Альфа-Банк | Помощник операторов call-центра

В 2025 году Альфа-Банк получил премию GenerationAl Awards за лучшее решение для технической поддержки — проект «RAG-помощник для операторов call-центра». Он помогает операторам контактного центра мгновенно находить точные ответы на вопросы клиентов среди тысяч статей и документов.

RAG-помощник одновременно анализирует несколько источников знаний, ускоряя доступ к нужной информации и сокращая продолжительность звонков на ~20 секунд. Операторы могут сосредоточиться на решении проблемы клиента, а не на поиске информации, а это сказывается на общем уровне сервиса и эффективности работы команды.

ПСБ | Ассистент «Катюша» для бизнес-клиентов

Промсвязьбанк первым на российском рынке внедрил технологию RAG в ИИ-ассистенте для бизнес-клиентов «Катюша». Благодаря RAG чат-бот не ограничен заданными сценариями и может формировать развернутые ответы на запросы клиентов, опираясь на актуальную базу знаний и релевантные банковские документы.

Внедрение RAG позволило ускорить решение клиентских вопросов в восемь раз по сравнению со стандартным сценарным ботом. Теперь «Катюша» выдает точные и понятные ответы. В результате банк повысил уровень автоматизации поддержки МСБ и рассчитывает на дальнейший рост эффективности по мере масштабирования RAG в новые продукты.

Сбер | ИИ-помощник банкира

Сбербанк разработал и внедрил «AI-помощника банкира», цифрового ассистента для сотрудников, работающих с ключевыми корпоративными клиентами. Он помогает специалистам быстро собирать и анализировать рыночные данные, ускоряет подготовку решений для бизнеса и помогает поддерживать высокий уровень персонализации обслуживания.

В 2025 году Сбер внедрил AI-помощника для поддержки трейдеров, работающих с валютными операциями. Модель помогает прогнозировать ближайшие изменения и предлагать оптимальные котировки с учетом текущей ликвидности. Ассистент был обучен на исторических данных по всем валютным парам, с которыми работает Сбер, а затем научился самостоятельно обнаруживать и предупреждать о нестандартных рыночных ситуациях.

На практике ИИ-помощник уже выявляет до ста аномалий в месяц, помогая трейдерам оперативно минимизировать риски и обеспечивать лучшие условия для тысяч корпоративных и частных клиентов банка.

Московская биржа | Интеллектуальный поиск по нормативной базе

Московская биржа запустила MOEX RAG — интеллектуальный поисковик по внутренней нормативной базе. Сотрудники задают системе вопрос простыми словами и получают релевантную информацию из более чем 1500 корпоративных документов с указанием источника. Это решение ускорило поиск информации в 72 раза.

Если раньше поиск занимал в среднем 18 минут, то теперь всего 15 секунд. MOEX RAG обеспечивает релевантность ответов выше 80% и снижает вероятность ошибок при работе с регламентами и инструкциями. Глубокая интеграция с внутренними документами и развитие в составе ИИ-экосистемы биржи открывает возможности для персонализированного поиска и поддержки любых бизнес-процессов.

ВТБ | Чат поддержки операционистов

ВТБ внедрил интеллектуального чат-бота на базе RAG для поддержки операционистов в отделениях банка. Этот цифровой ассистент помогает сотрудникам быстро находить точные ответы на сложные вопросы о тарифах, регламентах и условиях банковских продуктов.

В отличие от традиционных статичных справочников, чат-бот анализирует запросы в режиме реального времени, формирует точные и проверенные ответы, постоянно обновляя свои знания по мере появления новых данных. Пилотный проект охватил 3 тысячи сотрудников и показал, что время на поиск информации сократилось в 9 раз, а точность ответов чат-бота достигла 90%. Экономический эффект от масштабирования решения оценивают в миллионы рублей.

Этот материал — часть исследования Haiku о RAG. Полное исследование доступно для чтения.

Если вы хотите обсудить внедрение RAG в вашей компании, напишите на почту sergey.ershov@haiku.dev или в телеграм @Ershovsa.