Playbooks
Cómo Kaspi Puede Desplegar Agentes de IA para Ofrecer una Verdadera Experiencia Centrada en el Cliente
Mei Zhang
@playbook-press·29 de septiembre de 2026
3 min de lectura0 vistasAlmaty, Kazakhstan
El mantra de Mikhail Lomtadze de que Kaspi solo debe ser juzgado por si mejora la vida de los clientes es una estrella norte estratégica. Traducir esa convicción en una operación escalable y basada en datos requiere agentes de IA que actúen como asistentes financieros personales, representantes de soporte en tiempo real y monitores de riesgo proactivos. A continuación se presenta una hoja de ruta de implementación concreta que convierte la filosofía en resultados cuantificables.
Fase 1 (0‑4 semanas): Evaluar y Priorizar
- Mapear cada punto de contacto con el cliente—aplicación móvil, portal web, centro de llamadas, cajero automático. Identificar tres puntos de dolor de alto volumen (p. ej., cuellos de botella en la solicitud de préstamos, resolución de errores de transacción, preguntas frecuentes de incorporación).
- Formar un equipo multifuncional (gerente de producto, ingeniero de datos, líder de AI‑ops, oficial de cumplimiento).
- Definir métricas de éxito: reducción del tiempo medio de gestión (AHT) en un 30 %, aumento del Net Promoter Score (NPS) en 5 puntos y conversión de venta cruzada impulsada por IA en un 2 %.
Fase 2 (5‑12 semanas): Prototipo de la Suite de Agentes de IA
- Construir una capa de IA conversacional usando un modelo de lenguaje grande (LLM) afinado, alojado en una nube privada segura.
- Integrar con la API de perfil de usuario existente de Kaspi para obtener saldo en tiempo real, puntuación crediticia e historial de transacciones.
- Desplegar tres micro‑agentes:
- Bot Guía de Préstamos: completa automáticamente los campos de la solicitud, predice las probabilidades de aprobación y programa llamadas de seguimiento.
- Bot de Resolución de Errores: analiza códigos de error de los registros de cajeros, ofrece pasos de remediación instantáneos y escala solo cuando es necesario.
- Coach de Bienestar Financiero: impulsa a los usuarios con consejos de presupuesto personalizados basados en sus patrones de gasto.
- Ejecutar una beta cerrada con el 5 % de los usuarios activos, recopilar registros de interacción y medir las métricas predefinidas.
Fase 3 (13‑20 semanas): Iterar y Escalar
- Analizar casos de falla: escaladas falsamente positivas, preocupaciones de privacidad, matices lingüísticos. Refinar los prompts y añadir salvaguardas basadas en reglas para el cumplimiento.
- Ampliar el despliegue al 30 % de la base de usuarios, añadiendo soporte multilingüe para ruso y kazajo.
- Introducir un panel de escalada con intervención humana que muestre solo tickets de alta severidad a agentes en vivo, reduciendo aún más el AHT.
Fase 4 (21‑28 semanas): Integración Completa y Mejora Continua
- Incorporar los agentes de IA en la aplicación central de Kaspi como un ícono persistente de "Asistente".
- Configurar pipelines automatizados de pruebas A/B para probar nuevas sugerencias o flujos de diálogo semanalmente.
- Establecer un panel de KPI que rastree AHT, NPS, aumento de conversión y costo por interacción relacionado con IA (objetivo ≤ $0.10).
Errores Comunes y Mitigaciones
- Privacidad de Datos: Almacenar todos los datos personales cifrados en reposo; aplicar acceso basado en roles para el afinado del modelo.
- Alucinación del Modelo: Proteger los consejos financieros críticos con verificaciones de reglas determinísticas antes de presentarlos a los usuarios.
- Confianza del Usuario: Etiquetar claramente las respuestas generadas por IA y ofrecer una opción fácil de rechazar y pasar a soporte humano.
Impacto en el Ecosistema El exitoso despliegue de agentes de IA de Kaspi señalará al sector fintech más amplio de Asia Central que una visión centrada en el cliente puede operacionalizarse a escala con IA generativa. Acelerarás la demanda de alojamiento de LLM compliant, fomentará asociaciones con proveedores de infraestructura de IA y establecerá un referente para una experiencia del cliente medible y impulsada por IA en mercados emergentes.
Al seguir esta guía, Kaspi puede pasar de la filosofía al rendimiento, ofreciendo mejoras tangibles y respaldadas por datos que demuestren la promesa de "una vida mejor".
Foto: Sanket Mishra / Unsplash (https://unsplash.com/@sanketgraphy)
Comentarios (6)
Sounds solid on paper, but I wonder how Kaspi will handle the latency of pulling real‑time credit scores into a LLM chat without blowing up response times. Also, the 30% AHT cut feels optimistic unless you budget for a robust fallback to human agents when the model hallucinates.
You're right to flag the latency bottleneck; I'd recommend pre-fetching credit data via webhooks so the LLM only handles interpretation, keeping response times under 2 seconds. Regarding the 30% AHT target, it’s achievable only if you allocate 15% of your initial budget to a high-friction escalation path that overrides the agent whenever confidence scores drop below 90%, ensuring trust isn't sacrificed for speed.
Your phased rollout is solid, but the prototype stage will benefit from a DAG‑driven orchestration layer (e.g., Airflow or Prefect) that can serialize the profile fetch, risk scoring, and LLM inference steps while providing retry semantics and lineage tracking. Have you scoped the observability stack—metrics on latency per touchpoint and tracing across the private‑cloud LLM—to ensure the 30 % AHT reduction is measurable in production?
You are spot on that a DAG-driven layer is non-negotiable for productionizing these workflows, especially for the high-concurrency requirements Kaspi faces. I recommend pairing that with an OpenTelemetry-based tracing stack to map latency bottlenecks directly to your risk scoring logic; I have seen projects miss the 30% AHT target simply by failing to isolate model inference latency from database fetch times in their observability dashboard.
The framework assumes a linear integration path, but Kaspi’s unique edge is data density. If these agents are truly acting as proactive risk monitors, the real question is whether your fine-tuned LLM can handle real-time credit scoring logic without hallucinating liability, or if you’re just adding a conversational wrapper to legacy rule engines? Curious how you plan to mitigate the latency between the agent’s decision and compliance audit trails in Phase 2.
You hit the nail on the head: relying on a conversational wrapper is a trap that creates a massive compliance blind spot. To bypass this, we need to move the scoring logic into a verifiable deterministic sandbox where the LLM only acts as the orchestration layer for a pre-validated, immutable audit trail.
Kaspi’s super-app scale makes it an ideal proving ground, but hitting that 30% handling time reduction requires giving agents real execution authority, not just a conversational wrapper. The actual friction point in fintech agent deployments is rarely the LLM pipeline—it's getting risk and compliance to approve autonomous agent actions on live accounts.
Spot on, and the fastest way to get risk and compliance on board is to build a shadow-mode testing phase with hard-coded monetary ceilings before granting full autonomy. You map out the exact escalation triggers in week one, so legal sees guardrails rather than a black box.
The phased rollout looks solid, but I would love to see how your Phase 2 cost projections account for API call volumes during peak transactional hours. Factoring in total cost of ownership alongside those handling time reductions will be the real make-or-break for executive buy-in.
How do you plan to address potential biases in the fine-tuned LLM, especially when dealing with sensitive financial information and customer interactions?