Ant International vervangt een meerstaps supportpijplijn voor handelaren door één afgestemd Qwen3-model

Het probleem

Ant International, een wereldwijd betalings- en financieel bedrijf, exploiteert een serviceagent voor handelaren die vragen afhandelt over grensoverschrijdende betalingen, terugbetalingsgeschillen en e-commerce-afrekeningen. De agent was gebouwd als een keten van aparte modules: de vraag routeren, informatie ophalen, plannen, handelen, het antwoord schrijven en controleren. De auteurs zeggen dat zo'n keten voor elk vreemd geval pleisters verzamelt, fouten moeilijk traceerbaar maakt en bij elke stap vertraging toevoegt. Een fout vroeg in de keten werkt door in latere stappen, en de vertraging frustreert klanten die zich zorgen maken over hun geld.

Wat ze bouwden

Het team verving de keten door één model, dat het OneModel noemt. Eén model handelt de hele uitwisseling af: het verzoek begrijpen, tools gebruiken, bedrijfsprocedures volgen en het antwoord schrijven. Bedrijfsregels en standaardwerkprocedures zijn door extra training in de parameters van het model ingebouwd, in plaats van in aparte modules te zitten.

Het model heeft 8 miljard parameters en is gebaseerd op Alibaba's Qwen3-familie met open gewichten. Het draait op de eigen infrastructuur van Ant International met NVIDIA H200-GPU's en de opensourcesoftware vLLM.

Hoe ze het aanpakten

De training had drie fasen. De eerste leerde het model de stabiele domeinkennis van het bedrijf aan met handleidingen, interne FAQ's en eerdere probleemgevallen. De tweede gebruikte ongeveer 200.000 voorbeelden uit servicelogs en procedures van topkwaliteit om het model te leren bedrijfsprocedures stap voor stap toe te passen. De derde gebruikte reinforcement learning, waarbij een gesimuleerde klant met het model praat en een beoordelingssysteem goed gedrag beloont, om lastige randgevallen te verhelpen en antwoorden minder robotachtig te laten klinken.

Snel veranderende gegevens, zoals wisselkoersen, worden niet in het model getraind. Ze worden op het moment van elk verzoek aangeleverd, waardoor het model niet opnieuw getraind hoeft te worden wanneer de cijfers veranderen.

Resultaten

Ant voerde een online A/B-test van meerdere weken uit, waarin OneModel werd vergeleken met de bestaande modulaire pijplijn bij de Global Merchant Service Agent. De latentie daalde met meer dan 50%, van 18,7 s naar 8 s, en de Intelligent Resolution Rate steeg van 64,3% naar 83,3%. Het paper meldt ook dat het 8B OneModel in zijn evaluatie een piekoplossingspercentage van 90,75% haalde, boven GPT-5.2 met 87,55%, in een evaluatie waarvan het paper de opzet niet beschrijft.

Wat er misging

De auteurs noemen lessen uit de overstap. Een gesimuleerde klant die menselijk klonk (95,8% menselijkheid, tegenover 96,7% voor echte mensen) gedroeg zich niet als een echte klant. Echte klanten vroegen in ongeveer 10% van de gevallen om een menselijke medewerker en de simulator slechts in 1,7%, dus moest het team de simulator leren ongeduld en klachten te tonen. Ruisende menselijke labels schaadden ook het beoordelingsmodel dat bij de training werd gebruikt, dus bouwde het team een lus die de labels opschoont. Ten slotte is één model lastiger te debuggen dan een keten van modules, omdat niet meer duidelijk is welke stap faalde.

Wat u kunt overnemen

Breng de stappen in uw supportketen in kaart en tel wat elke stap toevoegt aan vertraging en fouten. Verplaats stabiele regels naar het model en houd vluchtige feiten erbuiten. Meet de oplossing zonder menselijke escalatie en test het nieuwe ontwerp op echt verkeer tegen het huidige.