Как ИИ изменит клиентскую поддержку

Какие вызовы стоят перед поддержкой в BigTech в 2027 году?
Когда бизнес растет, нагрузка на поддержку увеличивается нелинейно. Растет клиентская база, количество продуктов на одного пользователя и сложность операций. При выходе на международные рынки добавляются новые языки, локальное регулирование и культурные особенности обслуживания. Нанимать людей пропорционально росту бизнеса не получается: пул квалифицированных сотрудников ограничен, а их обучение требует времени и увеличивает операционные расходы.
Если автоматизировать только ответы на вопросы, компания может снизить нагрузку на операторов, но оставить без изменений саму причину обращений.
Главная ставка AI — перейти от обработки сообщений к решению клиентских задач. Не ждать, пока пользователь найдёт нужный раздел помощи, а обнаруживать проблему, собрать необходимую информацию и устранить её наиболее подходящим способом.
Подход с обособленными каналами больше не работает
Классическое обслуживание часто строилось из малозависимых каналов: телефона, FAQ, поиска, чат-ботов и операторов. В этой схеме процесс устроен реактивно: компания ждет, пока клиент сам заметит проблему, найдет нужный контакт и сформулирует вопрос.
Сегодня у пользователя может быть одновременно открыто несколько продуктов внутри одной экосистемы. Сервисы взаимосвязаны, поэтому даже для простого ответа системе нужно собрать данные из нескольких баз. Канальный подход здесь имеет ограничения — клиент вынужден сам переходить из приложения в поиск, а оттуда в чат.
Решением становится сквозная AI поддержка. Она связывает клиентский путь, технологии AI и измеримый результат для бизнеса. Такая система сама понимает намерение пользователя, учитывает контекст его действий, выбирает способ решения и, если задача нестандартная, передает ее человеку.
Главное — она позволяет масштабировать обслуживание и сохранять качество без пропорционального роста команды. Она решает три задачи: снижает стоимость обслуживания, улучшает клиентский опыт и помогает пользователям осваивать продукт, увеличивая прибыль бизнеса.
Это не означает, что все каналы исчезнут или что каждый запрос должен обрабатывать автономный агент. Меняется другое: канал перестаёт быть обособленным и становится частью системы. В центре оказывается клиентская задача, а технология выбирает наиболее эффективный путь к результату.
Поддержка до обращения: предсказать и предотвратить
Клиентский путь к решению проблемы может начинаться до того, как человек напишет в поддержку. Например, предприниматель регулярно отправляет платежи контрагентам, но однажды операция задерживается. Он ещё не успел написать в чат, а у компании уже есть статус платежа, история действий, условия продукта и регламенты. Эти данные позволяют обнаружить отклонение и оценить, нужно ли вмешательство. Но эти данные разрознены и не складываются в единый процесс решения проблемы.
У традиционной поддержки есть три накопленных ограничения:
- Помощь начинается поздно. Клиент сам обнаруживает проблему и инициирует контакт, хотя сигналы есть раньше.
- Поиск не равен решению. Поиск по базе знаний (FAQ или RAG) находит инструкцию, но не может выполнить действие за пользователя.
- Каналы теряют контекст. Бот, приложение и сотрудники работают с разными представлениями проблемы. Клиент повторяет информацию, а команда тратит ресурсы на восстановление истории.
Следующий шаг — проактивность. ML-модель анализирует налоговый календарь, рост числа платежей и изменения в привычной активности предпринимателя. Система заранее предполагает, что скоро пользователю понадобятся документы, проверка остатка или условия переводов.
Здесь важен баланс: не каждый сигнал должен превращаться в пуш-уведомление. Необходимо учитывать пользу вмешательства и риск навязчивости.
Но прогноз сам по себе не создаёт ценности. Важно понять, какое действие действительно поможет клиенту: показать подсказку, предложить проверить данные, объяснить причину задержки или автоматически запустить разрешённую процедуру.
Итог правильной настройки — меньше усилий со стороны клиента и рост числа предотвращенных обращений.
AgenticRAG: от поиска отрывков к полноценному анализу
Обычный поиск по базе знаний помогает найти инструкцию, но не всегда способен разобраться в сложной ситуации. Даже RAG (Retrieval-Augmented Generation), который объединяет поиск документов с генерацией ответа, во многом зависит от того, насколько хорошо поисковая система нашла нужные материалы.
AgenticRAG развивает этот подход: AI не ограничивается первой подборкой документов, а может уточнять запрос, искать дополнительные сведения, переходить между связанными материалами и сопоставлять найденную информацию.
Представим вопрос: «Почему не проходит платёж?» Для ответа могут потребоваться регламент, статус операции, тарифные ограничения и история действий. Агентный поиск способен последовательно собрать эту информацию, а не ограничиваться одной похожей статьёй. Исследовательская работа Microsoft Research по AgenticRAG в 2026 году описывает такой подход: модель получает инструменты поиска, навигации по документам и анализа источников, сохраняя возможность опираться на существующую поисковую инфраструктуру. Их легковесный агентный каркас поверх стандартного поиска показал существенный прирост метрики recall@1 до 49.6% на бенчмарке BRIGHT за счет инструментов итеративного анализа документов, что на 21,8 процентного пункта выше лучшего embedding-based baseline.
Дополнительно подключаются мультимодальные модели. Они работают не только с текстом, но и со скриншотами, сканами документов или аудиосообщениями. Клиенту больше не нужно подбирать слова, чтобы описать ошибку в интерфейсе — достаточно прикрепить скриншот.
Решение проблем: от подсказки к действию
Главное изменение происходит тогда, когда AI получает доступ к инструментам. Если обычный чат-бот просто присылает инструкцию, как изменить настройки, то ИИ-агент проверяет права пользователя, вызывает нужный API и сам выполняет разрешенное действие.
Например, при задержке платежа агент проверяет его статус, сопоставляет информацию с правилами, определяет возможную причину и предлагает дальнейший шаг. Если проблема решается стандартной процедурой, он может запустить её без участия оператора. Если данных недостаточно или действие выходит за пределы полномочий, агент запрашивает подтверждение либо передаёт задачу сотруднику.
Для этого необходимы вызовы инструментов (tool calling), управление состоянием и оркестрация. Вместо одного универсального робота работают специализированные агенты — по платежам, документам или комплаенсу, — а оркестратор направляет задачу нужному исполнителю.
Здесь важно различать два подхода.
Первый — обычная автоматизация. Если процесс состоит из заранее известных шагов, лучше использовать фиксированный алгоритм. Он предсказуем, проще тестируется и часто обходится дешевле.
Второй — агентный подход. Он полезен, когда задача неоднозначна: нужно разобраться в контексте, выбрать инструменты, собрать недостающую информацию и адаптировать последовательность действий.
Ценность создаёт правильный выбор исполнителя для каждой задачи. Иногда это алгоритм, иногда один агент, иногда несколько специализированных систем, а иногда человек.
Инфраструктуру для такой работы формируют открытые протоколы:
- MCP (Model Context Protocol) — протокол, который стандартизирует взаимодействие AI-приложений с внешними инструментами и источниками контекста.
- A2A (Agent-to-Agent) — обеспечивает обмен задачами между независимыми агентами.
Это позволяет связывать системы разных поставщиков, делегировать задачи, снижать стоимость процессов для бизнеса и повышать их пропускную способность.
«Позови оператора», или когда нужен человек
AI не должен становиться глухой стеной между клиентом и компанией. В сложных и нестандартных кейсах человек остается ключевым звеном, но его роль меняется.
- До разговора: AI собирает историю, выделяет суть проблемы, готовит саммари и находит нужный регламент.
- Во время контакта: помогает оператору с поиском информации, генерацией ответов и типовыми действиями.
- После разговора: автоматически документирует итоги.
Ключевое условие — передача контекста. Сотрудник должен видеть, что уже проверил AI, какие гипотезы рассматривались и что осталось сделать. Иначе автоматизация лишь добавит ещё один этап, на котором клиенту придётся повторять свою историю.
Этот баланс автоматизации и человеческого участия подтверждают и исследования. В опросе B2B- и B2C-клиентов, проведенном
Gartner, 87% назвали обязательной возможность связаться с человеком при использовании GenAI в поддержке. При этом готовность доверять технологиям сильно зависит от сегмента. Если в B2C только 58% пользователей готовы поручить GenAI выполнение задачи, то в B2B-сегменте этот показатель достигает 74%. Корпоративные клиенты и предприниматели быстрее адаптируются к автономным агентам, если те экономят их время и решают проблему без лишних переписок.
Эти результаты показывают не отказ от автоматизации, а изменение ожиданий. Клиенты готовы поручать AI всё больше задач, но хотят иметь возможность обратиться к человеку, если что-то пошло не так.
Поэтому эффективная поддержка не пытается удержать каждый диалог внутри бота. Она направляет клиента к тому исполнителю, который быстрее и надёжнее решит его проблему.
ИИ-поддержка как источник улучшений продукта
Обращения клиентов — это не только расходы на обслуживание. Это ценный и большой массив данных о том, где продукт непонятен, какие процессы дают сбои и что мешает пользователям достигать результата.
Раньше компании часто анализировали только часть обращений: вручную, по выборкам или по отдельным категориям. AI позволяет обрабатывать значительно большие объёмы диалогов и находить повторяющиеся закономерности.
Например, клиенты регулярно спрашивают, как изменить лимит платежей. На первый взгляд, проблема в недостаточно подробной инструкции. Но анализ может показать, что нужная настройка спрятана глубоко в интерфейсе или что пользователи не понимают разницу между несколькими видами лимитов.
В таком случае улучшать нужно не статью в базе знаний, а сам продукт.
Так возникает замкнутый цикл: обращения помогают обнаружить проблему, аналитика — найти её причину, продуктовая команда — изменить интерфейс или процесс, а последующие данные — проверить результат.
Это меняет экономическую роль поддержки. Она перестаёт быть только центром затрат и становится источником информации для продуктовых решений, удержания клиентов и роста бизнеса.
Что должно быть под капотом у ИИ-поддержки
Сквозная AI-поддержка — это не набор разрозненных инструментов, а единый контур, в котором задача клиента проходит путь от прогнозирования потребности до решения. Система должна выбирать наиболее подходящий способ: найти информацию, выполнить стандартную операцию, подключить специализированного агента или передать задачу человеку.
Такая архитектура состоит из шести ключевых элементов:
Контекст. Система объединяет историю обращений и действия клиента в разных каналах, учитывает не только текущий запрос, но и предыдущие действия клиента, состояние его продуктов и незавершенные задачи. Это позволяет не заставлять человека каждый раз объяснять ситуацию заново.
Знания. База знаний содержит проверенные правила и процессы, актуальные сведения из других систем через API. Отдельно формируются эталонные наборы данных (gold datasets), которые помогают проверять качество поиска, ответов и действий AI. Для каждого источника важны контроль версий, метаданные, дата обновления и права доступа. В перспективе база знаний становится не просто хранилищем статей, а единым слоем проверенной информации, на который опираются разные агенты и бизнес-процессы.
Оркестрация. Это механизм, который выбирает способ решения задачи. В одном случае достаточно найти статью, в другом — запустить готовый алгоритм, подключить специализированного агента или позвать сотрудника. Доступные инструменты и ограничения на их использование описываются в едином каталоге (tool registry). При этом агент нужен не везде: если процесс состоит из понятных и повторяемых шагов, обычная автоматизация часто надёжнее и дешевле.
Контроль. Агент не должен иметь больше полномочий, чем нужно для его задачи. Система проверяет права доступа, ограничивает операции, контролирует их параметры и записывает действия в журнал. Ошибка агента может привести не только к неправильному ответу, но и к реальным последствиям: изменению данных, повторной отправке операции или раскрытию информации. Отдельная угроза — prompt injection: вредоносные инструкции могут попасть в письмо, документ или веб-страницу, с которыми работает агент. Поэтому защищать нужно не только модель, но и подключённые инструменты, API и среду исполнения. Простые операции с низким риском можно выполнять автоматически в заданных пределах. Для крупных, нестандартных и необратимых действий нужна дополнительная проверка и подтверждение человека.
Наблюдаемость. Важно видеть не только ответ агента, но и то, как он к нему пришёл: какие данные использовал, какие инструменты вызвал, сколько времени потратил и где возникла ошибка. Нужно также понимать, почему задача перешла к сотруднику. Эти данные помогают находить сбои, проверять соблюдение правил и оценивать качество работы системы.
Обратная связь и адаптация. После решения задачи система должна оценить результат. Удалось ли помочь клиенту? Пришлось ли подключать сотрудника? Обратился ли клиент повторно? Какие ошибки возникают чаще всего? Ответы помогают обновлять базу знаний, улучшать сценарии и точнее распределять задачи между агентами и людьми. Но это не означает, что агент должен самостоятельно менять свои правила. Новые сценарии и настройки необходимо проверять и тестировать до запуска.
В результате поддержка становится не просто каналом для ответов на вопросы, а частью операционной системы бизнеса. Она связывает клиентские данные, знания, инструменты и сотрудников в единый процесс — от обнаружения проблемы до её решения.
Как измерять результат
Количество обработанных сообщений и доля обращений, закрытых ботом, больше не могут быть главными показателями эффективности. Система способна быстро ответить клиенту, но не решить его проблему. Или формально закрыть диалог, после которого пользователь обратится повторно. Для оценки AI-поддержки нужен комплексный P&L-подход, который оценивает через результат для клиента и экономику компании.
Оценка строится на четырех ключевых направлениях данных:
1. Количество решенных задач и стоимость решения
Важно разделять обращение и проблему. Обращение — отдельная сессия в чате или звонок. Проблема — сама задача клиента, которая может включать несколько обращений, работу AI и участие сотрудника.
Проблема считается решённой, когда клиент действительно получил нужный результат. Например, платёж прошёл или причина его отклонения стала понятна и устранена.
Ключевая метрика — полная стоимость решения одной проблемы. В неё входят расходы на инфраструктуру и токены, работу операторов, разработку и сопровождение AI, оценку качества, обновление знаний и исправление ошибок.
2. Реальная экономия от автоматизации
Экономия — это не стоимость всех обращений, которые бот обработал без человека. Нужно сравнить реальные расходы с тем, сколько компания потратила бы на решение того же объёма задач без AI. При расчёте учитываются не только сокращённые трудозатраты, но и новые расходы на технологии, контроль, сопровождение и устранение последствий ошибок. Если AI увеличил производительность операторов, но не позволил сократить расходы или обработать дополнительную нагрузку, это операционный эффект, который ещё предстоит конвертировать в измеримую бизнес-ценность.
3. Качество решения
Нужно отслеживать долю успешно решённых задач, повторные обращения по той же проблеме, частоту передачи сотруднику и ошибки AI. Для агентных сценариев особенно важно отдельно измерять долю неправильно выполненных действий и попыток выйти за пределы полномочий. Автоматизация, после которой клиенту приходится всё исправлять вручную, не создаёт ценности.
4. Влияние на выручку и удержание
Поддержка может помогать клиенту осваивать продукты и находить полезные возможности. Например, предприниматель, который начал активно проводить международные платежи, может получить подсказку о подходящем инструменте для работы с валютой. Но такие рекомендации должны быть уместны и отвечать потребности клиента. Иначе компания рискует превратить поддержку в навязчивый канал продаж. Эффект оценивается через дополнительную конверсию, выручку, удержание и клиентские усилия. При этом важно отделять реальный эффект AI от сезонности и других изменений.
Пока бизнес только учится считать такую экономику. Несмотря на рост инвестиций, ожидаемый эффект пока достигается редко. Как уже сообщал IT-World, в опросе Gartner 275 руководителей клиентского сервиса только 4% организаций сообщили, что получили ожидаемый ROI от AI-инициатив. Gartner связывает перспективы отдачи с переходом от разрозненных экспериментов к портфелю взаимосвязанных решений, усилением управления данными и знаниями и перестройкой процессов. При этом 96% опрошенных организаций не сообщили о достижении ожидаемого ROI. Gartner связывает перспективы получения отдачи с переходом от разрозненных экспериментов к портфелю взаимосвязанных AI-решений, усилением управления данными и знаниями и перестройкой бизнес-процессов.
Этот результат показывает разрыв между внедрением технологии и получением бизнес-эффекта. Сам по себе запуск AI не гарантирует ни снижения затрат, ни роста удовлетворённости. Отдача зависит от того, какие задачи автоматизирует компания, насколько хорошо подготовлены данные и процессы и как измеряется результат.
Что изменится
Главное изменение — переход от автоматизации отдельных обращений к управлению клиентскими задачами.
Компании будут постепенно объединять разрозненные ИИ-инструменты в портфели связанных решений. Один сценарий обнаруживает проблему, другой собирает информацию, третий выполняет операцию, а сотрудник подключается там, где нужны опыт и ответственность.
При этом не стоит ожидать, что в ближайшее время автономные агенты смогут безошибочно решать любые вопросы. На практике компании будут расширять их полномочия постепенно — начиная с типовых задач, в которых можно проверить качество результата и ограничить возможный ущерб.
Меняется и роль сотрудников. Вместо поиска информации и ручного заполнения карточек они будут чаще работать со сложными случаями, контролировать исключения и помогать улучшать процессы. Это потребует не только новых инструментов, но и пересмотра обучения, оценки эффективности и распределения ответственности.
Преимущество получат компании, которые будут внедрять AI не ради самого факта автоматизации, а вокруг конкретных клиентских и бизнес-результатов.
Для клиента это означает меньше усилий и более короткий путь к результату. Для бизнеса — возможность эффективнее использовать ресурсы, снижать стоимость решения проблем, удерживать клиентов и находить слабые места в собственных продуктах.
Будущее поддержки — не в том, чтобы заменить человека ботом. Оно в том, чтобы компания могла решить проблему клиента быстро, надёжно и с минимальными усилиями для пользователя.
Опубликовано 16.11.2026

