Корпоративный финтех десять лет находился в операционном тупике: рост числа пользователей требовал линейного увеличения расходов на клиентскую поддержку. Масштабирование объема транзакций неизбежно перегружало цепочки эскалации между отделами, раздувая штат. Финтех-гигант Klarna с активной базой более 85 млн пользователей разорвал эту зависимость. Вместо шаблонных чат-ботов компания полностью перестроила процессы техподдержки первой линии на базе агентных графов.
Агентные процессы в промышленной эксплуатации
Klarna разработала своего ИИ-ассистента на базе LangGraph, подключив LangSmith для мониторинга выполнения в реальном времени. В отличие от стандартных диалоговых ботов, способных лишь выдавать готовые ответы из базы знаний, эта архитектура выполняет многоэтапные транзакционные действия: проводит платежи, рассчитывает возвраты и разрешает споры. Система уже обработала 2,5 млн обращений, взяв на себя рабочую нагрузку, эквивалентную 700 штатным специалистам техподдержки.
Запуск автономных процессов в таких масштабах создает серьезную нагрузку на вычислительные ресурсы. Klarna снижает расход токенов за счет динамической маршрутизации запросов и жесткого ограничения контекста промптов рамками конкретной транзакционной ветки. Это позволяет удерживать низкую задержку ответа и делает затраты на инференс предсказуемыми даже при высокой частоте обращений.
«LangChain стал отличным партнером, который помог нам реализовать видение ИИ-ассистента, масштабировать поддержку и обеспечить клиентам по всему миру высочайший уровень сервиса».
Как отметил генеральный директор Klarna Себастьян Семятковски в ходе развертывания системы, маршрутизация на основе графов позволяет компании исполнять автономную и детерминированную логику без участия человека на критических этапах.
Операционная эффективность и валидация
Переход от простых оберток над LLM к детерминированным графам агентов требует жесткого тестирования для предотвращения ошибок в транзакциях. Klarna внедрила подход TDD внутри LangSmith: инженеры пошагово анализируют траектории агентов, чтобы отловить галлюцинации на редких сценариях до отправки обновлений в прод. Команда объединила оценку по методу LLM-as-a-judge с непрерывной оптимизацией промптов для точного распознавания намерений пользователей в реальных платежных сценариях.
За девять месяцев работы в продакшене архитектура сократила среднее время решения клиентских запросов на 80%. Для руководителей бизнеса кейс Klarna задает четкий ориентир: экономическая отдача от ИИ-агентов достигается за счет превращения сложных межотдельных маршрутов эскалации в детерминированные графы, которые заменяют ручное распределение тикетов автономным и верифицированным исполнением.