Умный, голосовой, свой. Как ИИ меняет контакт-центры
Еще лет 5 назад клиентская поддержка выглядела совсем иначе. Операторы контакт-центра сутками сидели на телефоне, отвечая на постоянные однотипные вопросы — о доставке, возврате, тарифах и услугах. Чтобы найти нужную информацию, приходилось каждый раз лезть в базы знаний или пересматривать PDF-инструкции. На это уходили минуты, а в пиковые часы клиентам и вовсе приходилось долго ждать, пока кто-то освободится. Ошибки, неполные ответы, уставшие операторы — все это было нормой. Для компаний это означало потери, для клиентов — раздражение.
Современные контакт-центры уже отличаются. Большую часть стандартных обращений обрабатывают цифровые ассистенты на базе искусственного интеллекта. Они отвечают быстро, без ошибок и работают круглосуточно. Более того, они «помнят» клиента, знают историю взаимодействия, адаптируются к его стилю, предлагают именно то, что нужно.
А что делают операторы? Они занимаются тем, что требует человеческого участия — нестандартными ситуациями, конфликтами, глубокими вопросами. Сервис стал быстрее, чище и, что особенно важно, доступнее.
ИИ уже не просто помощник — это полноценный участник бизнес-процессов. Новые модели LLM, самообучающиеся агенты и генеративные технологии постепенно переносят рутину на свои плечи, освобождая людей для задач, где нужна инициатива, эмпатия и интуиция. То, что еще вчера казалось фантастикой, сегодня работает в реальных проектах.
Компания BSS начала развивать направление ИИ в 2014 году, задолго до появления хайпа вокруг ChatGPT. При этом использовала весь опыт и экспертизу, накопленные за 30 лет своей деятельности как в области разработки, так и внедрения.
Сегодня BSS продолжает эту работу, и в фокусе генеративные нейросети, большие языковые модели (LLM), ИИ-агенты и мультиагентные системы. По оценке экспертов, автоматизация клиентского обслуживания сейчас находится в пределах 30-70%. Но во многих компаниях ИИ даже не пробовали внедрять. Стратегическая цель BSS — помочь довести этот уровень до 100%.
Наиболее востребованные решения BSS — виртуальные ассистенты и речевая аналитика. Виртуальные ассистенты встречают нас, когда мы звоним или пишем в чате. Они помогают быстро получить ответы на типовые вопросы, не ожидая бесконечно на линии и не сталкиваясь с грубостью или некомпетентностью оператора. Речевая аналитика дает полную информацию по 100% диалогов с клиентами, позволяет оценивать качество диалога, выявлять инсайды и другую важную информацию, собирать данные, которые раньше оставались неучтенными. Например, жалобы, просьбы, пожелания, упоминания товаров, услуг, конкурентов, проблем — все это можно использовать для развития клиентского сервиса, улучшения обслуживания и роста бизнеса.
У BSS уже более ста внедрений таких систем, в основном в крупном и среднем бизнесе. Среди клиентов — банки, включая топ-10 («Газпромбанк» и «Промсвязьбанк»), госсектор (МФЦ региональные контакт-центры и медицинские службы), страховые компании, ЖКХ, ритейл, транспорт и логистика. Причем эти решения востребованы не только в работе с внешними клиентами. Во многих корпорациях внутренний Service Desk получает столько же обращений, сколько обычная поддержка в среднем бизнесе. ИИ-ассистенты помогают разгрузить и эти каналы.
Так что сегодня цифровой помощник — это уже не модная игрушка, а рабочий инструмент, который решает реальные задачи. А дальше будет только интереснее.
Где ИИ действительно помогает, а где лучше держать его под присмотром
Генеративный искусственный интеллект и большие языковые модели (LLM) все активнее внедряются в бизнес-процессы, особенно там, где нужно быстро и много обрабатывать информацию. В контакт-центрах ИИ становится почти стандартом.
Но реальный эффект ИИ дает не тогда, когда полностью заменяет человека, а когда работает вместе с ним. Роботу не нужно платить зарплату, он не берет отпуск и не устает к середине смены — но он все еще не застрахован от ошибок. Иногда модель уверенно говорит глупость, не понимая, что ошибается. Именно поэтому многие контакт-центры не спешат выпускать ген-ИИ напрямую «на линию», особенно в банках, медицине или госсекторе.
Генеративные нейросети можно эффективно использовать в качестве суфлера. Ген-ИИ «слушает» диалог вместе с оператором и на лету предлагает готовый ответ из базы знаний. Оператору остается его уточнить и озвучить. Это особенно полезно там, где база знаний огромна, а найти нужную статью вручную — задача не на минуты, а на часы.
Генеративный ИИ хорошо показал себя и в аналитике. Он может автоматически выявлять темы всплесков обращений, помогать в мониторинге качества и даже… обучать операторов. Мы, например, недавно запустили робота-тренажера, который симулирует живой диалог от лица клиента. Сотрудник отрабатывает сценарий в свободной форме, а ИИ оценивает, насколько точно и понятно он отвечает, и дает рекомендации. В условиях высокой текучки персонала такие инструменты — не просто удобство, а спасение.
Есть и полноценные боевые внедрения на базе генеративных нейросетей. В «Промсвязьбанке» наш ИИ-ассистент работает на первой линии поддержки. Вся база знаний банка загружена в LLM-модель. Раньше, чтобы подготовить нормальный ответ, нужно было вручную привязать каждую тему обращения к шаблону. А тематик — сотни, если не тысячи. Как результат — большинство клиентов получали слишком общие и неактуальные ответы.
Теперь все иначе. Модель сама находит нужную информацию в базе и формирует персонализированный, точный и уместный ответ. И главное, он не выглядит шаблонным. Каждый ответ уникален, потому что формируется под конкретную ситуацию. Это не просто удобно. Это шаг к реальному, «живому» цифровому сервису, где ИИ уже не воспринимается как бездушный автоответчик.
Почему бизнес не торопится внедрять генеративный ИИ
Хотя генеративный искусственный интеллект и большие языковые модели (LLM) на слуху, в реальном бизнесе их использование пока ограничено. Продвигаются они не так быстро, как можно было бы ожидать от технологии с таким потенциалом. Причина в ряде серьезных ограничений: технических, экономических и организационных.
Во-первых, сами модели требуют мощных вычислительных ресурсов. Развернуть такую систему в компании — значит закупить дорогостоящее оборудование, организовать хранение и обработку больших объемов данных, обеспечить бесперебойную инфраструктуру. Все это требует вложений, на которые готовы не все. А если стоит задача не просто использовать модель, а адаптировать ее под себя — дообучить, кастомизировать, то расходы увеличиваются в разы. Это особенно актуально для крупных предприятий, предпочитающих держать все внутри своего периметра. Они не готовы передавать данные вовне, ни с точки зрения информационной безопасности, ни с точки зрения надежности критичных сервисов.
Второй важный момент — это происхождение самих моделей. Большинство популярных решений иностранные. Когда компания отправляет им данные на обработку, она рискует и с точки зрения утечки, и с точки зрения соблюдения российского законодательства. В некоторых случаях это прямое нарушение. Кроме того, облачные сервисы не застрахованы от технических сбоев. Если что-то случается в собственном дата-центре, это можно быстро исправить своими силами. А вот в случае с внешним облаком остается только ждать, пока проблему решит провайдер.
Для таких ситуаций у нас есть решение. Если заказчик предпочитает российские модели, мы можем организовать доступ к ним через облако. При этом важно защитить данные. Мы, например, разработали инструмент, который автоматически анонимизирует персональную информацию — удаляет номер паспорта, дату рождения и другие чувствительные данные до того, как запрос уйдет в нейросеть. Это позволяет использовать генеративные модели без риска, так как данные остаются под контролем, закон не нарушается, а облачные сервисы все равно работают.
Важная часть работы — правильно подобрать модель под задачи клиента. В каждой линейке есть десятки вариаций, отличающихся по мощности, точности и стоимости. Наша задача — найти оптимальный баланс между качеством ответа и затратами на инфраструктуру. Мы часто используем подход доменных решений — когда нейросеть обучена на данных из конкретной отрасли. Такие модели точнее работают с отраслевой терминологией, специфичными сценариями и языком. У банков одни типы диалогов, у медицины — совершенно другие. Обученная под конкретную сферу модель дает более надежный и точный результат.
Что интересно: внедрение ИИ в бизнес зачастую начинается не сверху, а снизу. Сотрудники на местах начинают использовать доступные генеративные сервисы вроде YaGPT, GigaChat или ChatGPT в своей работе, например для составления писем, поиска информации, обработки шаблонных задач. И уже потом бизнес задумывается, как обернуть это в понятную, безопасную и управляемую практику. Технология идет снизу вверх. Компании видят, что инструменты действительно работают и начинают искать легальный, надежный и удобный способ интеграции в процессы. Так ИИ постепенно и входит в повседневную работу.
ИИ-агенты, или Самостоятельность на новом уровне
Одна из самых интересных технологических новинок, которую мы в BSS сейчас активно развиваем — это ИИ-агенты. В отличие от обычных языковых моделей, которые решают одну задачу по одному запросу — сгенерировать текст, ответить на вопрос, подобрать вариант — ИИ-агенты работают иначе. Это не просто генераторы ответов, а полноценные цифровые исполнители, которые умеют действовать в несколько шагов, обращаться к внешним системам и принимать решения на ходу.
Если говорить проще, ИИ-агент — это помощник, который сам распознает проблему, сам ищет решение и при необходимости координирует работу других «цифровых коллег». Например, клиент пишет о технической ошибке в приложении. Агент сам проверяет логи, находит сбой, формулирует точный ответ и выдает его клиенту. Если ситуация требует персонального предложения, то подключается другой агент, отвечающий за маркетинг. Это уже не автоматизация одной задачи, а управление процессом целиком.
Такие мультиагентные системы способны радикально изменить подход к построению клиентской поддержки. И не только ее. В будущем каждый бизнес-процесс сможет быть обслужен собственным цифровым помощником. Причем не просто скриптом или чат-ботом, а самостоятельной системой, встроенной в корпоративную среду, с доступом к нужным данным, системам, интерфейсам. Агент сможет самостоятельно анализировать ситуацию, выбирать оптимальный сценарий и действовать. Клиент получит быстрый и точный ответ, а бизнес сэкономит ресурсы — ведь работает не живой оператор, а цифровая система, которая не требует отпусков и не выгорает.
Чтобы все это заработало, мало просто подключить модель. Важно правильно выбрать подходящую LLM, задать ей инструкции, интегрировать с корпоративными сервисами и при необходимости дообучить под конкретную предметную область. Вопросы интеграции агентов между собой и с существующими системами пока не простые, но уже появляются открытые протоколы и стандарты, которые упрощают разработку. Мы уверены, что в ближайшее время это даст сильный толчок к развитию мультиагентных решений.
Стратегический потенциал таких систем находится далеко за пределами клиентской поддержки. Мы ожидаем, что в будущем появятся цифровые помощники практически для каждого направления внутри компании. Управление логистикой, ИТ-поддержка, юридический аудит, контроль закупок — все это можно будет поручить ИИ-агентам. По нашим оценкам, примерно 80% текущих задач со временем смогут выполнять такие системы. Роль человека при этом не исчезнет, но изменится: вместо исполнителя он станет постановщиком задач, аналитиком, руководителем команды цифровых исполнителей.
Отдельный вызов, который мы видим сегодня, — это эмпатия. Даже самый точный ответ не всегда воспринимается как поддержка, если в нем нет участия, заботы, понимания контекста. Люди по-прежнему ждут не только решений, но и человеческого тона. Нынешние ИИ-системы пока справляются с этим не всегда. Но исследования показывают, что при правильной настройке нейросети могут демонстрировать эмпатию даже лучше, чем человек. И мы активно работаем над этим. Новые версии наших продуктов становятся все более «человечными», и это не метафора, а технологическая цель.
По нашим данным, цифровые ассистенты уже сегодня могут закрывать до 80% обращений без участия операторов. Это не просто снижение нагрузки — это качественное изменение клиентского опыта. Мы в BSS смотрим на искусственный интеллект не как на способ сэкономить или сократить персонал, а как на инструмент, который должен повысить доступность и качество сервиса. Он нужен не только бизнесу, но и его клиентам, чтобы их вопросы решались быстрее, точнее и понятнее. Именно этим мы занимаемся и собираемся продолжать.
Опубликовано 27.05.2025
