BNP PARIBAS, GISKARD, MISTRAL AI GOOGLE CLOUD AI Finance» de Artefact modelos AI para empresas en el ámbito de la atención al cliente

Este debate pone de relieve el papel transformador de los modelos AI en la atención al cliente, centrándose en sus aplicaciones prácticas y en los retos que plantean en diversos sectores, especialmente en el bancario. La conversación hace hincapié en el uso de AI automatizar y mejorar las interacciones con los clientes, por ejemplo, a través del correo electrónico y los canales de voz, mediante herramientas que comprenden el contexto, priorizan las tareas y sugieren respuestas, mejorando así la eficiencia y la satisfacción del cliente.

Hugues explica cómo AI a gestionar los correos electrónicos clasificándolos, priorizándolos y redirigiéndolos, al tiempo que sugiere respuestas para su revisión. En el caso de las interacciones de voz, AI resúmenes posteriores a la llamada, medidas a tomar y conclusiones que pueden utilizarse en futuras reuniones. Estas herramientas ayudan a los bancos a mejorar la calidad del servicio mediante el análisis del contenido y el tono de las interacciones, yendo más allá de los métodos tradicionales de recabación de opiniones de los clientes.

La conversación también aborda el papel AIen procesos bancarios clave, como las solicitudes de préstamos y la incorporación de clientes. AI, mediante modelos lingüísticos y visión artificial, ayuda a verificar documentos y a cotejar información para agilizar estos procesos. Los participantes destacan cómo el papel AIgenerativa está evolucionando, pasando de simples chatbots con guiones preestablecidos a asistentes conversacionales avanzados que gestionan una amplia variedad de consultas y ofrecen un servicio más personalizado.

Una de las conclusiones clave del debate es la transición hacia los asistentes conversacionales basados en grandes modelos de lenguaje (LLM), que ofrecen respuestas más dinámicas que los chatbots anteriores. Sin embargo, estos modelos deben ajustarse a contextos y sectores específicos, lo que requiere modificaciones como la adaptación de bajo rango. El debate subraya la importancia de mantener el control sobre estos AI , especialmente cuando se trata de data sensibles, y destaca la colaboración con AI como Mistral para garantizar data y el rendimiento.

La ampliación de AI entornos de producción plantea retos como data , el rendimiento y la seguridad. Mantener la eficiencia y la explicabilidad AI , al tiempo que se garantiza la ciberseguridad, es esencial para su implementación a gran escala. En el debate se señala la necesidad de actualizar continuamente los modelos para satisfacer las cambiantes exigencias de los clientes y la normativa, y se destaca que la formación de los usuarios en el uso de AI es fundamental para el éxito.

Para hacer frente a los retos AI , Guillaume Bour explica que reducir el tamaño de los modelos sin perder precisión ni rentabilidad es clave para la escalabilidad. También señala que la combinación de modelos pequeños con flujos de trabajo coordinados puede optimizar el rendimiento, reduciendo los costes sin sacrificar la calidad. Los sistemas de observabilidad y monitorización son fundamentales para mantener estos modelos en entornos de producción en tiempo real.

Por último, se aborda la cuestión de AI —es decir, el suministro de información incorrecta—. Es fundamental realizar pruebas rigurosas para evitar este tipo de errores en las interacciones con los clientes. La colaboración entre empresas como BNP y Discard garantiza que AI se sometan a pruebas exhaustivas antes de su implementación, con el fin de mitigar los riesgos. La supervisión posterior a la implementación también es fundamental para identificar y resolver los problemas a lo largo del tiempo, ya que los cambios en las demandas de los clientes, la normativa y el entorno externo afectan AI .