Статья разбирает кейс отбора ML-продакта в Т-Банке: как за 2 года удвоить долю автоматизированных диалогов чат-бота с 30% до 60% без просадки CSAT, FCR и удержания. Автор формализует цели, вводит систему продуктовых и ML-метрик (CSAT, FCR, NPS, Retention, % автоматизации, CPAD/CPRI, intent accuracy, precision ≥ 0,9, recall ≥ 0,85, PR-AUC) и оценивает масштаб задачи: при ~33 млн активных клиентов и 10% обращающихся это ≈ 4,95 млн диалогов в месяц, из которых при целевых 60% бот должен закрывать около 2,97 млн.

Для выбора приоритетов причин неавтоматизации используется фреймворк RICE: наибольший вклад дают сценарные разрывы — отсутствие нужной ветки (6,7%), понятный интент без ответа (3,3%) и продолжение старого диалога (5,4%), суммарно около 15% провалов. Предлагаются гипотезы и MVP на базе RAG и моделей предсказания интентов и эскалации, а также UX- и JTBD-исследования для снижения доли вызовов оператора и роста доверия к боту (эффект постоянного помощника, адаптация тона общения, объяснение экономии времени).