Wielokontekstowy doradca finansowy: jak AI rozdziela cele, zamiast je mieszać

Pracujesz w banku nad nową funkcją planowania budżetu. Klient od dwóch lat oszczędza agresywnie na wkład własny do mieszkania, ale w aplikacji zaznacza też cel 'wakacje marzeń' i 'fundusz awaryjny'. Standardowy model AI widzi trzy cele i sugeruje równomierne rozłożenie nadwyżki, ignorując fakt, że klient przez ostatnie sześć miesięcy przesuwał 80 procent wolnych środków na konto mieszkaniowe. Rekomendacja jest logiczna, ale oderwana od rzeczywistych intencji. Problem nie leży w braku danych o kliencie, tylko w formacie ich reprezentacji.

Problem wielu kontekstów w jednym profilu

Bankowe systemy personalizacji od lat opierają się na pojedynczym profilu klienta. Jest to relacyjnie płaska struktura: dane demograficzne, historia transakcji, scoring kredytowy, deklarowane preferencje. W takim spłaszczonym modelu dwa sprzeczne zachowania finansowe, na przykład konserwatywne inwestowanie na emeryturę i agresywne spekulowanie kryptowalutami, trafiają do jednego worka 'klient ma skłonność do ryzyka: niejednoznaczna'. System uśrednia, traci rozdzielczość kontekstu, a na końcu generuje rekomendację, która nie pasuje do żadnej z rzeczywistych intencji.

Wynik? Produkty rekomendowane na podstawie takiego profilu trafiają do klienta w złym momencie i w złym kontekście. Klient dostaje ofertę karty kredytowej z limitem dopasowanym do jego 'średniej' zdolności, zamiast dostać propozycję limitu dedykowanego pod remont, który właśnie planuje.

Format, nie treść, czyli lekcja z SIMGUIDE

Autorzy paperu wprowadzają metodę SIMGUIDE i jej kluczową koncepcję: Sims, czyli typowane bloki kontekstowe. Zamiast jednego, przerośniętego profilu, system tworzy oddzielne instancje dla każdej życiowej domeny klienta, na przykład 'dom i rodzina', 'praca', 'zdrowie', 'rozwój osobisty', 'podróże'. Każdy Sims ma własne ograniczenia budżetowe, preferencje czasowe, apetyt na ryzyko, a przede wszystkim własną historię decyzji, która go proceduralnie ugruntowuje.

W kontekście bankowości oznacza to, że jeden klient może mieć Sims 'Emerytura' z historycznymi decyzjami: niskie ryzyko, systematyczność, długi horyzont, alokacja 60/40 obligacje/akcje. I osobny Sims 'Wakacje 2026' z decyzjami: wysoka płynność, krótki horyzont, odkładanie nadwyżek z premii rocznej. Cytując paper: 'The core problem is not that agents lack information about users; it is that the format of user representations determines whether an agent can act on that information at all'. Doradca AI, który rozpoznaje aktywny Sims, zamiast mieszać te dwa konteksty, dostarcza plan dopasowany do tego, co klient faktycznie robi w danym obszarze.

Scenariusz: kredyt konsolidacyjny, który nie psuje planu emerytalnego

Wyobraźmy sobie klienta Marka. Marek ma 38 lat, kredyt hipoteczny, kredyt gotówkowy na auto i kartę kredytową z zadłużeniem 15 tysięcy złotych. W aplikacji banku deklaruje trzy cele: 'Emerytura', 'Wakacje z rodziną' i 'Spłata długów'. Dziś system widzi jeden profil Marka. Analizuje jego całkowite zadłużenie i generyczną historię oszczędzania i proponuje konsolidację trzech zobowiązań w jeden kredyt z długim okresem spłaty, żeby obniżyć ratę. Problem? Marek spłaca kredyt hipoteczny, który ma niskie oprocentowanie, i nie chce go ruszać, bo to element jego długoterminowej strategii. Ale model tego nie wie, bo nie rozdzielił Simsów.

Z metodą SIMGUIDE system rozpoznaje, że aktywny jest teraz Sims 'Spłata długów', który zawiera historię: Marek nadpłaca kartę kredytową dwa razy w miesiącu, unika dotykania kredytu hipotecznego, a nadwyżki z premii rocznej w 2023 roku w całości przeniósł na konto oszczędnościowe na 'Wakacje'. Sims 'Emerytura' jest uśpiony, ale jego ograniczenie 'nie dotykaj hipoteki' jest aktywne. Doradca AI, zamiast generycznej konsolidacji, proponuje skrócenie okresu spłaty karty kredytowej i kredytu gotówkowego przez refinansowanie z wyższą ratą miesięczną, ale bez angażowania hipoteki, i szacuje, że uwolnione po spłacie środki Marek będzie mógł skierować na 'Wakacje' zgodnie ze swoją historyczną preferencją.

Korzyści i szacunkowy zwrot

W testach na SIMBENCH (47 zadań planistycznych) procedurally grounded Sims osiągnęły o 7.9 punktu Preference Adherence więcej niż standardowe RAG na GPT-4o, przy p równym 0.013. Każdy dodatkowy punkt w metryce trafności rekomendacji przekłada się na konwersję. Dla banku z 2 milionami aktywnych użytkowników aplikacji mobilnej i średnim przychodem na produkt kredytowy w wysokości 1200 złotych, wzrost trafności rekomendacji o 5 do 8 punktów procentowych generuje od 12 do 19 milionów złotych dodatkowego przychodu rocznie z samych cross-selli produktów kredytowych.

Co istotniejsze, routing adapterów LoRA per typ Sima, a nie per użytkownik, dodaje kolejne 7.3 punktu ROUGE-L, przy odporności na 28-procentowy błąd routingu. W praktyce oznacza to, że bank nie musi trenować osobnego modelu dla każdego klienta. Wystarczy zestaw adapterów dla kilkunastu typów Simsów (np. 'emerytura', 'cele krótkoterminowe', 'edukacja dzieci', 'remont'), a system routingu przypisuje odpowiedni adapter do aktywnego kontekstu. To architektura skalowalna kosztowo i odporna na szum w danych.

Bank, który wdroży takie podejście w swoim asystencie finansowym, może też liczyć na redukcję kosztów obsługi reklamacji związanych z chybionymi rekomendacjami. Z mojego doświadczenia z trzech wdrożeń AI w bankowości, błędna rekomendacja kredytowa kosztuje około 80 do 120 złotych w obsłudze reklamacji i utraconym zaufaniu klienta. Przy skali miliona interakcji miesięcznie, przesunięcie 5 procent tych interakcji z 'chybionych' do 'trafionych' to oszczędność rzędu 400 do 600 tysięcy złotych miesięcznie.

• Separacja kontekstów zamiast jednego profilu klienta
• Wzrost trafności rekomendacji o 7.9 punktu Preference Adherence
• Od 12 do 19 mln PLN dodatkowego przychodu rocznie przy 2 mln klientów

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.