LendingTree nasadilo troch AI agentov na hypotekárne poradenstvo

Od otázky k porovnaniu ponúk

LendingTree prevádzkuje od konca roka 2025 konverzačného hypotekárneho asistenta, ktorý nie je postavený ako jediný univerzálny chatbot. Podľa technickej štúdie AWS systém rozdeľuje prácu medzi riadiaceho agenta a dvoch špecializovaných pracovníkov. Jeden vysvetľuje hypotekárne pojmy a rozdiely medzi produktmi, druhý pracuje s preferenciami používateľa a internými rozhraniami pre sadzby, ponuky, oprávnenosť či predbežné posúdenie. Riadiaci agent rozpozná zámer, pripraví plán a rozhodne, či odpovie priamo alebo osloví jedného či oboch špecialistov. Používateľ pritom dostáva jednu súvislú odpoveď, nie tri oddelené výstupy.

Zverejnené produkčné údaje pokrývajú obdobie od spustenia do konca prvého štvrťroka 2026. LendingTree uvádza približne 1 960 konverzácií a 12 100 správ, teda priemer 6,2 správy na jednu výmenu. Zapojenejší používatelia podľa firmy pokračovali viac ako desať správ počas približne deviatich minút. Spočiatku malo 75 percent rozhovorov vzdelávací charakter, no pri novších reláciách už viac než polovica zahŕňala porovnávanie sadzieb, párovanie s veriteľom alebo predbežnú kvalifikáciu. To naznačuje posun od vysvetľovania pojmov k činnostiam bližším obchodnej konverzii, zároveň však zvyšuje význam presnosti, transparentnosti a jasného oddelenia informácie od individuálneho odporúčania.

Tri agenti, ale jedna kontrolovateľná cesta

Orchestráciu zabezpečuje LangGraph, ktorý modeluje pracovný postup ako stavový graf. Jeho uzly vykonávajú konkrétne činnosti a hrany určujú ďalší krok podľa výsledku. V implementácii LendingTree tak možno spätne sledovať, či rozhodnutie vzniklo pri analýze zámeru, plánovaní, vyhľadávaní alebo skladaní odpovede. Riadiaci agent používa výkonnejší Amazon Nova Pro pri náročnejšom uvažovaní a kritickej klasifikácii, zatiaľ čo Nova Lite obsluhuje jednoduchšie konverzačné a triediace úlohy. Takéto smerovanie nie je iba optimalizáciou ceny: obmedzuje používanie výkonnejšieho modelu na kroky, pri ktorých má jeho vyššia spotreba priniesť merateľnú hodnotu.

Vzdelávací agent čerpá zo samostatných znalostných báz Amazon Bedrock, za ktorými je vektorové úložisko Amazon OpenSearch Service. Párovací agent naopak volá interné služby LendingTree a pracuje s aktuálnymi produktovými údajmi. Agenti komunikujú cez Model Context Protocol, otvorený štandard na pripájanie AI aplikácií k dátam, nástrojom a pracovným postupom. V tomto nasadení umožňuje meniť, škálovať alebo vrátiť na staršiu verziu jednotlivé služby bez spoločného vydania celého systému. Samotné použitie MCP však negarantuje správnosť ani bezpečnosť: rozhodujúce zostávajú oprávnenia jednotlivých nástrojov, validácia vstupov a presná zmluva o tom, aký kontext si agenti odovzdávajú.

Konverzačný stav prežíva odovzdanie medzi agentmi aj reštart služby vďaka PostgreSQL checkpointeru LangGraph na Amazon RDS. Dokumentácia LangGraph potvrdzuje, že checkpointer ukladá snímky stavu jedného vlákna a podporuje pokračovanie rozhovoru, obnovu po prerušení či ľudský zásah. Všetky tri služby bežia v kontajneroch na Amazon ECS s AWS Fargate; CloudWatch a AWS X-Ray pomáhajú sledovať jednu požiadavku naprieč komponentmi. Táto vrstva je dôležitá, pretože pri viacagentovom systéme nestačí vedieť, že konečná odpoveď bola chybná. Prevádzkovateľ potrebuje určiť, ktorý agent, zdroj alebo prechod v grafe chybu spôsobil.

Bezpečnostné vrstvy a slabé miesta metrík

Každá vstupná aj výstupná správa podľa AWS prechádza cez Amazon Bedrock Guardrails, ktoré filtrujú nevhodný obsah, zachytávajú hrozby v promptoch a redigujú osobné identifikačné údaje. Súbežne beží samostatný klasifikátor kontrolujúci internú konverzačnú politiku LendingTree. Paralelné vykonanie má znížiť dopad dodatočnej kontroly na odozvu. Obchodná logika navyše odovzdáva zložité prípady ľudskému pracovníkovi a odkláňa otázky mimo povolenej oblasti. Ide o rozumnejší návrh než spoliehanie sa na jediný systémový prompt, pretože bezpečnostné rozhodnutie nie je ponechané výlučne na modeli, ktorý zároveň tvorí odpoveď.

Interné metriky uvádzajú, že viac než 97 percent rozhovorov sa skončilo bez odovzdania človeku a približne tri percentá používateľov si výslovne vyžiadali živú podporu. Tieto čísla však nemožno zamieňať s 97-percentnou správnosťou. Zverejnený materiál neobsahuje nezávislý audit odpovedí, chybovosť podľa typu hypotéky ani porovnanie výsledkov medzi skupinami klientov. Nevieme ani to, koľko používateľov rozhovor opustilo pre nesprávnu alebo nepresvedčivú odpoveď. Technická štúdia vznikla na blogu dodávateľa infraštruktúry a jej spoluautorom je architekt AI z LendingTree, takže prevádzkové údaje treba chápať ako firemné tvrdenia, nie ako nezávislé hodnotenie finančného poradenstva.

Najcennejšou časťou opisu sú preto konkrétne zlyhania a následné úpravy. Pevne veľké bloky dokumentov nahradilo LendingTree sémantickým delením, aby výsledky vyhľadávania lepšie rešpektovali tematické hranice. Pri rozpore medzi znalosťami začali mať interné zdroje prednosť pri produktových otázkach, zatiaľ čo externé materiály slúžia na všeobecné vzdelávanie. Pracovníkom sa odovzdáva celá história rozhovoru a súhrn zámeru, pretože bez nich strácali kontext. Krátke odpovede ako „áno“ alebo „nie som si istý“ systém pred vyhľadávaním prepisuje na úplnejšiu otázku. Firma zároveň priznáva, že ochranné filtre spočiatku blokovali aj legitímnu hypotekárnu terminológiu a vyžadovali priebežné ladenie.

Čo z toho vyplýva pre Slovensko a EÚ

Americkú implementáciu nemožno bez právneho a produktového prispôsobenia preniesť na slovenský hypotekárny trh. Európska smernica o úveroch na bývanie kladie dôraz na predzmluvné informácie, odbornú spôsobilosť, posudzovanie úverovej bonity a ochranu spotrebiteľa. Slovenský používateľ by preto mal jasne vedieť, či agent iba vysvetľuje všeobecné pojmy, porovnáva dostupné ponuky alebo už ovplyvňuje rozhodnutie o úvere. Dôležité je tiež uvádzať pôvod sadzieb, čas ich aktualizácie, úplnosť ponuky trhu, obchodné väzby sprostredkovateľa a podmienky, za ktorých sa prípad odovzdá kvalifikovanému pracovníkovi.

Relevantný je aj európsky Akt o umelej inteligencii. Jeho režim vysokorizikových systémov sa môže týkať AI používanej na hodnotenie úverovej bonity alebo stanovovanie kreditného skóre fyzických osôb. Zo zverejneného opisu však nemožno určiť, či asistent LendingTree sám vykonáva takéto hodnotenie, alebo iba sprostredkuje údaje existujúcim interným službám. Právna klasifikácia európskej verzie by závisela od jej určeného účelu a skutočnej úlohy v rozhodovacom procese. Aj systém mimo tejto kategórie by musel rešpektovať pravidlá ochrany osobných údajov, spotrebiteľského práva, informačnej bezpečnosti a dohľadu nad externými technologickými dodávateľmi.

Pre banku alebo sprostredkovateľa na Slovensku je praktickou lekciou najmä potreba merať kvalitu po jednotlivých krokoch. Nestačí sledovať počet automaticky dokončených rozhovorov. Potrebné sú testy správnosti vysvetlení, aktuálnosti sadzieb, úplnosti citácií, konzistentnosti medzi agentmi, neoprávneného prístupu k nástrojom a rozdielov vo výsledkoch medzi skupinami klientov. Organizácia musí mať pripravenú bezpečnú eskaláciu, retenčné pravidlá pre konverzačný stav a auditnú stopu, ktorá nezachytáva viac citlivých údajov, než je potrebné. Pri zmene modelu, znalostnej bázy alebo pravidiel smerovania treba tieto testy opakovať, pretože viacagentová architektúra znásobuje počet možných miest zlyhania.

Nasadenie LendingTree je užitočný produkčný príklad, nie dôkaz, že viac agentov automaticky poskytuje lepšie hypotekárne poradenstvo. Jeho sila spočíva v oddelení úloh, kontrolovateľnom grafe, ukotvení odpovedí v dokumentoch, samostatných bezpečnostných kontrolách a pretrvávajúcom stave. Otvorenými otázkami zostávajú vecná presnosť, férovosť, kvalita odporúčaní, správanie v neštandardných situáciách a reálny prínos oproti jednoduchšiemu systému s jedným agentom. Bez nezávislého auditu treba publikované percentá vnímať ako východisko pre ďalšie overovanie, nie ako konečný verdikt o pripravenosti technológie na regulované finančné rozhodovanie.