Наперегонки со временем: ИИ в поддержке без потери тепла в общении

В условиях растущих ожиданий клиентов и необходимости реагировать на запросы практически в режиме реального времени скорость и качество поддержки становятся одним из главных маркеров надёжности бренда. Эксперты специально для сети порталов «ГлобалМедиа» изучили, как современные службы поддержки интегрируют искусственный интеллект, чтобы сокращать время ответа без потери человеческого тепла в коммуникации.

Экспертные мнения

Александр Леонов, основатель и руководитель группы компаний «Вороной»:

В своей логистической компании мы первым делом автоматизировали процесс получения клиентами всей необходимой первичной информации. По сути, мы оцифровали знания своих специалистов и распределили их между тремя чат-ботами.

Первый бот — логист-консультант со встроенным калькулятором. Клиенту больше не нужно заполнять сложные брифы, - достаточно описать груз простыми словами, указать направление и основные характеристики. Буквально через минуту бот выдаст полный расклад услуги и точную стоимость доставки. Сервис работает круглосуточно — и в три часа дня, и в три часа ночи.

Второй бот — эксперт по кодам ТН ВЭД. Он мгновенно находит правильный код в официальном классификаторе и собирает по нему всю информацию: актуальные ставки пошлин, НДС, а также требования по сертификации и обязательной маркировке («Честный знак»). Работа с кодами - самый критичный и дорогой этап во всем импорте. Ошибка может обернуться для бизнеса огромными доначислениями, корректировкой таможенной стоимости и простоем груза на границе.

Третий бот — оценщик по ссылке или фото. Получив от клиента ссылку на товар с любого маркетплейса или его фотографию, бот рассчитывает полную стоимость официальной «белой» поставки и наглядно сравнивает ее с условиями серого Сargo. Клиент сразу видит выгоду легального ввоза: закрывающие документы, вычет НДС и абсолютно безопасный выход на маркетплейсы.

Наши боты не изображают общение, а действительно за минуту делают работу, которая раньше стоила клиенту массу времени. И к логисту они приходят уже с первичным расчетом на руках.

Благодаря искусственному интеллекту специалист перестал быть просто «живым калькулятором», а стал заниматься «думающей» работой. Успеет ли поставка зайти точно под сезон? Что делать, если фабрика отгрузила не тот товар? У эксперта наконец-то есть время на разбор этих задач, потому что рутину — подбор кодов ТН ВЭД и расчет ставок — полностью забирает бот.

Любовь Неповинных, генеральный директор ООО «КЛАМП-ТЕХНОЛОГИИ»:

Когда говорят про ИИ в поддержке, разговор довольно быстро сводится к тому, сколько людей он сможет заменить.

Мне такой подход совсем не близок. Я бы сначала посмотрела, на что вообще уходит время сотрудника.

Допустим, клиент уже обращался вчера, потом писал ещё раз, разговаривал с другим специалистом. Прежде чем ему что-то ответить, нужно понять всю эту историю. Иногда ещё найти внутреннюю инструкцию, проверить статус заявки или уточнить, что компания вообще может предложить в такой ситуации. Сам разговор с клиентом при этом может занять две минуты.

Вот здесь ИИ действительно полезен. Он может заранее собрать историю обращения, найти нужную информацию и подготовить сотруднику черновик ответа. Причём я бы оставляла именно черновик. Человек видит клиента и ситуацию целиком и сам решает, что отправить, что изменить, а где вообще лучше позвонить.

С простыми вопросами другая история. Если я хочу узнать статус заказа или понять, как изменить данные, мне совершенно не обязательно ждать оператора. Пусть отвечает ИИ, если он действительно знает ответ. Проблемы начинаются, когда система не понимает вопрос, но продолжает делать вид, что понимает. Думаю, многие попадали в этот круг: бот предлагает три варианта, ни один не подходит, ты пишешь вопрос ещё раз и снова получаешь те же три варианта. В этот момент уже хочется не решения проблемы, а просто добраться до человека.

Поэтому возможность быстро перейти к сотруднику я бы обязательно сохраняла. Особенно если человек расстроен, ситуация нестандартная или ошибка может дорого стоить.

Есть ещё одна возможность ИИ, которая мне кажется недооценённой. Поддержка каждый день получает сотни вопросов и фактически первой видит, где у бизнеса что-то не работает. Если люди постоянно спрашивают одно и то же, возможно, дело не в людях. Может быть, непонятно написана инструкция, неудобно устроен личный кабинет или в клиентском пути есть место, на котором все спотыкаются.

ИИ может собирать такие повторения и показывать их компании. Тогда мы используем его уже не только для того, чтобы быстрее закрыть обращение. Мы начинаем понимать, почему это обращение вообще возникло.

Поэтому я бы не пыталась научить ИИ изображать эмпатию. Гораздо полезнее отдать ему поиск, рутину и работу с большим количеством информации. А человеку оставить то, ради чего клиенту действительно бывает нужен человек: понять ситуацию, принять решение и нормально поговорить.

Ольга Пархомчук, руководителя отдела поддержки продаж B2B «Лента PRO»:

В B2B-ритейле скорость ответа поддержки напрямую связана с задачами бизнеса. За обращением могут стоять закупка продуктов для ресторана, пополнение ассортимента магазина или обеспечение работы офиса. Искусственный интеллект помогает быстрее обрабатывать типовые запросы и высвобождает время сотрудников для помощи в ситуациях, в которых нужны внимательный диалог и индивидуальное решение.

В «Лента PRO» мы активно развиваем чат-ботов и автоматизацию клиентских обращений. Если клиенту нужна стандартная информация или помощь с простым вопросом, он может получить её самостоятельно, без ожидания специалиста. Это снижает нагрузку на службу поддержки и позволяет специалистам уделять больше внимания сложным обращениям.

Отдельное направление нашей работы связано с внутренними инструментами для сотрудников. Например, мы создали бота-помощника, который помогает быстро найти ответ на вопрос по работе с клиентом. Вместо поиска по инструкциям, перепискам и разным источникам специалист может оперативно получить нужную информацию и продолжить разговор. Такой подход сокращает время подготовки ответа и помогает сотруднику сосредоточиться на ситуации клиента.

Эмпатия в B2B-сервисе выражается в конкретных действиях: понять причину обращения, уточнить обстоятельства, оценить срочность и объяснить следующие шаги. Один и тот же вопрос может иметь разную значимость для разных компаний. Чтобы предложить подходящее решение, специалисту важно учитывать, как возникшая ситуация влияет на работу бизнеса. Именно здесь особенно ценны опыт специалиста, его внимание и способность вести содержательный диалог.

Поэтому мы видим оптимальную модель поддержки в сочетании автоматизации и человеческого участия. ИИ берёт на себя повторяющиеся задачи и поиск информации, а сотрудник отвечает за понимание контекста и работу со сложными ситуациями. Чем меньше времени уходит на рутину, тем больше возможностей внимательно выслушать клиента и помочь ему решить задачу. Так скорость и эмпатия усиливают друг друга.

Любовь Лихачева, эксперт по продуктам и стратегическому развитию VARSEAS:

ИИ в поддержке ускоряет процесс не потому, что умеет отвечать. А потому что снимает с команды самый дорогой слой работы, который клиент не видит, но съедающий время.

В реальной поддержке львиная доля минут уходит не на решение, а на разогрев. Поднять историю переписки. Понять, что именно куплено и на каких условиях. Сверить статусы. Вспомнить регламент. Проверить, что уже делали. И только потом появляется шанс нормально помочь. Клиент в этот момент просто ждет и начинает нервничать, даже если вопрос по факту простой.

Хорошо настроенный ИИ закрывает именно эту часть. Он собирает контекст за секунды, классифицирует обращение, подсвечивает риск и срочность, предлагает черновик ответа и следующий шаг. В итоге специалист поддержки перестает быть “поисковиком по компании” и может делать свою работу как человек. Спокойно, внимательно и по делу.

Эмпатия при этом не теряется. Наоборот, она становится возможной. Потому что эмпатия это не мягкие формулировки и не обещания. Это точная реакция. Когда клиенту понятно, что происходит, что делаем сейчас, что нужно от него и когда будет результат. Такой ответ гасит конфликт еще до того, как он успевает разгореться.

И важный практический момент. Внедрение обычно не выглядит как большой проект на полгода. Большая часть современных CRM уже умеет работать с ИИ через встроенные модули или стандартные интеграции. Дальше вопрос настройки. База знаний, сценарии, ограничения, тон, контроль качества. ИИ должен быть не витриной технологий, а частью операционного контура поддержки.

В итоге выигрывают все. Клиент получает скорость без ощущения, что с ним разговаривает робот. Команда получает меньше рутины и меньше выгорания. А бизнес получает поддержку, которая не просто отвечает, а удерживает и продает. Потому что в сложных продуктах доверие часто строится не в рекламе, а в моменте, когда что-то пошло не так и нужно, чтобы помогли нормально.

Ирина Рожкова, директор сервис бронирования туров «Слетать.ру»:

Там, где нужна высокая скорость, а цена ошибки особенно велика, появляется поле для работы искусственного интеллекта. Но это не означает, что ИИ нужно передать всю службу поддержки.

Он хорошо справляется с теми вопросами, которые уже проработал человек: описал сценарии, сформулировал точные правила, подготовил сильный промпт и проверил работу системы на практике. Нетипичные ситуации, сложные конфликты и вопросы, где требуется настоящая эмпатия, должен разбирать человек.

Как научить ИИ эмпатии

Эмпатия для ИИ – это не способность чувствовать. Это набор правил, по которым система понимает, как отвечать клиенту в разных ситуациях.

Чтобы ИИ не звучал холодно или неуместно, в промпте нужно подробно описать:

• границы дозволенного;
• тон и стиль общения;
• правила эскалации сложных вопросов;
• ситуации, в которых нельзя давать самостоятельный ответ;
• примеры правильных и неправильных формулировок;
• порядок действий при жалобах, тревоге или конфликте.

Важно обучить ИИ не только отвечать на вопросы, но и понимать, когда ответить коротко, когда объяснить ситуацию подробнее, а когда передать диалог специалисту.

Например, мы разработали умную выдачу документов для агентов. ИИ анализирует запрос клиента, проверяет, какие документы уже есть в системе, и выдаёт их. Если часть документов пока недоступна, он объясняет, что можно получить сейчас и когда будут готовы остальные. Это снижает уровень стресса турагентов, так как они получают информацию без длительного ожидания ответа сотрудника, и планируют свои действия.

Это не универсальный чат-бот, который пытается ответить на всё. Он работает в конкретном сценарии, который изучил на практике за последние два года ежедневных запросов. Мы также учим его отвечать на благодарности, но только там, где это действительно уместно. В некоторых ситуациях достаточно короткого ответа, а в других лучше не добавлять лишних слов и сразу перейти к решению вопроса.

ИИ помогает быстрее обрабатывать запросы, потому что учитывает экспертизу более 50 специалистов и анализирует более 100 000 живых диалогов. Он убирает опечатки и ошибки, чтобы клиент сразу увидел компетентный ответ с чётким смыслом и мог перейти к действию.

При этом искусственный интеллект не заменяет человека. Он снимает повторяющуюся нагрузку, помогает быстро находить нужную информацию и поддерживает единый уровень качества. А человек остаётся там, где нужно нестандартное решение, ответственность и понимание конкретной ситуации клиента.

ИИ становится полезным не тогда, когда пытается говорить вместо человека, а тогда, когда помогает человеку отвечать быстрее, точнее и внимательнее.

Виктория Конышева, руководитель РЕСО — отдела регулярного сопровождения клиентов ГК «СофтБаланс»:

Наша компания СофтБаланс — ИТ- партнер в решении бизнес-задач учета и управления, мы занимаемся автоматизацией предприятий любого масштаба на базе программ 1С. Наш отдел – РЕСО — регулярное сопровождение клиентов, разбирает возникающие вопросы пользователей с сервисами и программами.  Почти каждая задача индивидуальна – у клиентов разные процессы, поэтому одинаковых обращений почти не бывает.

Искусственный интеллект помогает нам отвечать быстрее в случае предварительного расчета стоимости выполнения задачи, когда это не входит в талон горячей линии или в договор абонементного сопровождения. Поскольку такие задачи индивидуальные, раньше такая оценка отнимала у специалиста время, а теперь клиент быстрее получает ориентир по цене и срокам.

Основную работу делают люди, и именно живое общение здесь незаменимо. Особенно это ценно, когда меняется законодательство. Например, когда для упрощенки ввели НДС, клиенты пришли с вопросами, как теперь вести учет и что поменять в работе. В такой ситуации нужен живой специалист, который разберется в конкретном бизнесе клиента и подскажет решение, – ИИ этого сделать не сможет.

Второй пример – индивидуальные программные доработки. Клиенту бывает нужна не только отправка документов по ЭДО из программы, но и определенная печатная форма под его задачу. Такую форму специалист разрабатывает под конкретный запрос, вручную. И пока что ИИ не может на 100% закрыть наши запросы и потребности.

Очень важный момент – обязательно нужен эксперт, который проверит корректность ответа ИИ. Все чаще к нам стали приходить вопросы такого характера: клиент спросил у ИИ, как решить его задачу, получил ответ с инструкцией, но реализовать это в программе не может. Просто потому, что инструкция от ИИ оказалось неверной, а клиент не может никак это определить.

Часто клиенты звонят на эмоциях, раздраженные: что-то не работает, а сроки горят. Наша задача – не добавить напряжения, а снизить градус: спокойно разобраться, быстро дать ориентир по срокам и стоимости и решить вопрос. Робот с этим не справится – успокоить и услышать человека может только человек.

В основном люди хотят разговаривать с людьми, и это правило мы не нарушаем. Клиент быстрее узнает цену и сроки и при этом решает вопрос с живым экспертом, а не с роботом.

Виолетта Картунова, директор по маркетингу компании Megagroup.ru:

Мы используем искусственный интеллект прежде всего для тех задач, где он действительно помогает сократить время ответа клиенту: найти нужную информацию, подсказать решение или обработать типовой вопрос. Но считаем ИИ помощником, а не заменой живому специалисту.

Мы не хотим заставлять клиента долго переписываться с ботом, если его вопрос требует человеческого участия или индивидуального подхода. ИИ может быстро найти данные и предложить ответ, но понять контекст, заметить раздражение или растерянность, выбрать подходящий тон и при необходимости — отойти от стандартного сценария — это уже задача человека.

На практике у нас работает несколько сценариев:

• Внутренний ассистент «AI магия» — цифровой напарник оператора. Он анализирует обращение клиента, сопоставляет его с внутренней базой знаний компании и за секунды формирует проект ответа. Специалист проверяет информацию, корректирует формулировки с учетом ситуации и отправляет готовый ответ. В результате меньше времени уходит на поиск, и больше — на само общение с клиентом.
• Telegram-бот отвечает по руководству пользователя help.megagroup.ru. Используя технологию RAG — поиск по базе с генерацией ответа, — бот формирует ответы на типовые технические и справочные вопросы, поэтому пользователю не всегда приходится ждать подключения оператора.
• Чат-ассистент Kontaktium используется в сервисах и на сайте Megagroup. Он анализирует поведение посетителя на сайте и может сам начать диалог, если видит интерес к предложению. Ассистент отвечает на вопросы на основе информации с сайта, уточняет задачу клиента и собирает данные для дальнейшего общения. Если требуется участие человека, менеджер получает и контакт пользователя, и контекст уже состоявшегося разговора.

На наш взгляд, в таком разделении ролей ИИ сегодня наиболее полезен для поддержки: он снимает с сотрудников часть рутинной работы и сокращает путь клиента до ответа. А там, где человеку нужно не просто получить информацию, а быть понятым, в разговор должен включаться специалист — технология не должна становиться лишним препятствием в общении.

Андрей Волковский, основатель AI-сервиса Fotoro:

Мы делаем сервис генерации ии фотосессий: пользователь загружает свои фото и получает готовую фотосессию. В среднем в поддержку приходит от 20 до 40 обращений в день, нагрузка сильно зависит от релизов - после запуска новой функции вопросов и ошибок обычно становится заметно больше.

Большую часть поддержки веду я сам, плюс по вечерам помогает ещё один человек. Поэтому для нас ИИ в саппорте никогда не был историей про сокращение команды. Скорее хотелось убрать рутину, которая даже при небольшом количестве обращений съедала несколько часов в день.

Сейчас сообщения из чата и почты попадают в нашу админку. Вместе с сообщением мы подтягиваем контекст по пользователю: последние генерации, ошибки, платежи, начисления токенов и предыдущую переписку. Эти же данные получает модель и на их основе предлагает черновик ответа.

Автоматически ничего не отправляется. Я сначала смотрю ответ, проверяю факты и только потом отправляю или редактирую.

Редактировать приходится регулярно. Основная проблема довольно типичная для ИИ: модель пишет больше, чем нужно и регулярно начинает додумывать и отвлекаться на детали. На простой технический вопрос она легко выдаёт приветствие, объяснение, рекомендацию и финальную вежливую фразу. В реальной поддержке половина этого обычно не нужна, поэтому со временем мы довольно жёстко ограничили стиль и содержание ответов.

Но основная экономия времени оказалась не в генерации ответов.

Например, одно из самых типовых обращений: «Оплатил пакет, токены не появились».

Раньше мне нужно было найти платёж в личном кабинете, затем проверить пользователя и начисление в базе, посмотреть логи. На такой типовой случай уходило минимум пять-семь минут, хотя само сообщение пользователю в итоге занимало две строки.

Теперь большая часть этой информации уже собрана рядом с обращением. Я вижу, например, что платёж успешный, токены начислены в 14:32, а после начисления пользователь больше не обновлял страницу. Остаётся проверить, что данные действительно верные, и ответить.

Вот здесь, на мой взгляд, и находится самая полезная часть применения ИИ в поддержке: собрать контекст и подготовить все нужные данные ещё до того, как человек начнёт разбираться в проблеме.

С эмпатией получился похожий вывод.

Раньше я воспринимал её в основном как вопрос тона: написать вежливо, извиниться, аккуратно сформулировать ответ. Но если посмотреть реальные переписки, раздражение чаще возникает вообще не из-за формулировок. Пользователя гораздо сильнее бесит необходимость несколько раз объяснять одну и ту же проблему.

Допустим, человек пишет: «Третий раз загружаю фотографию, опять ошибка».

Очевидно напрашивающийся ответ - попросить прислать скриншот. Но если на нашей стороне уже видны три неудачные попытки загрузки одного и того же файла, причём файл весит 12 МБ при лимите в 10 МБ, запрашивать у пользователя дополнительную информацию просто незачем.

В такой ситуации мы можем сразу ответить, что видим причину ошибки, назвать ограничение и предложить конкретное решение. Если пользователь не может уменьшить файл сам, можно попросить прислать его нам и проверить вручную.

Для меня это и оказалось более практичным определением эмпатии в саппорте: не столько подобрать максимально мягкую формулировку, сколько не заставлять человека делать лишнюю работу.

Причём здесь модель оказывается дисциплинированнее и терпеливее человека. Она каждый раз получает всю доступную историю и не устает её просматривать. Когда сам отвечаешь на двадцатое обращение подряд, соблазн быстро прочитать последнее сообщение и ответить только на него вполне реальный.

Отдельно пришлось поработать над лексикой и почистить излишние вежливые обороты, которые так любит использовать ИИ.

Фразы вроде «мы понимаем ваше беспокойство» или «приносим извинения за доставленные неудобства» звучат вполне уместно и корректно, но в небольшом сервисе производят скорее обратный эффект. Особенно когда пользователь уже знает, что общается напрямую с командой продукта.

Если проблема действительно на нашей стороне, гораздо лучше работает нормальный прямой ответ: да, ошибка у нас, уже исправили, потраченные токены вернули.

Есть и ситуации, где я почти всегда отвечаю самостоятельно. В первую очередь это возвраты и длинные конфликтные переписки. Когда человек уже раздражён, даже хороший автоматически подготовленный ответ чаще воспринимается как отписка и попытка замять проблему.

Но и в таких случаях модель остаётся полезной. Она не пишет финальное сообщение, а собирает мне краткую историю: что человек покупал, какие генерации запускал, где произошла ошибка, что ему уже отвечали и были ли компенсации. Мне остаётся принять решение и сформулировать ответ.

Полностью автоматические ответы мы тоже тестировали. Ради эксперимента примерно на неделю разрешили модели ночью самостоятельно закрывать несколько простых категорий обращений.

Через восемь дней эксперимент остановили.

Пользователь написал, что генерация не работает. По тем данным, которые были доступны модели, всё выглядело нормально, поэтому она уверенно посоветовала повторить попытку и объяснила, что сервис работает штатно.

На самом деле в сервисе произошел общий сбой генерации из-за проблемы на стороне провайдера.

Проблема здесь даже не в том, что модель допустила ошибку, человек тоже мог бы ошибиться. Для меня гораздо важнее другое: модель сформулировала неверный вывод настолько уверенно, что в самом ответе не было ничего, что заставило бы усомниться в его правильности.

После этого мы оставили участие человека для отправки всех исходящих сообщений. Даже в самых простых случаях ответ сначала видит человек.

При нашей нагрузке это пока выглядит оптимальным компромиссом. ИИ хорошо снимает рутину: собирает контекст, находит нужные данные, готовит черновики ответов. А там, где нужно принять решение или понять настроение человека, последнее слово остаётся за нами.

Константин Злобин, директор по развитию компании Астерра:

Использование искусственного интеллекта позволило нашей девелоперской компании оптимизировать клиентский сервис и сократить время первичного ответа до нескольких секунд. В современных реалиях рынка недвижимости скорость реакции на запрос покупателя играет решающую роль: клиент не готов ждать, пока менеджер вручную ищет информацию о планировках или условиях ипотеки.

В нашей службе поддержки ИИ выполняет роль умного цифрового ассистента. Он мгновенно классифицирует входящие обращения, берет на себя рутинные типовые вопросы и собирает базовую информацию. Однако покупка жилья — это эмоционально значимый и дорогостоящий шаг, где полностью исключить человеческий фактор невозможно. Клиенту важна поддержка, понимание его страхов и потребностей, которые алгоритм считать не способен.

Поэтому мы не заменяем людей “роботами”, а используем синергию технологий и человеческого участия. Пока ИИ обрабатывает техническую часть запроса, сотрудник может полностью сфокусироваться на самом диалоге. Алгоритм анализирует историю обращений и подсказывает контекст, помогая оператору быстрее сориентироваться и подобрать наиболее персонализированные решения.

Высвободившееся от рутины время наши специалисты инвестируют в глубокое, качественное общение с клиентами.

Артем Переверзев, основатель сервиса Trafstat.ru:

В моем сервисе Trafstat как таковая техподдержка почти не нужна. Продукт, с одной стороны, достаточно простой, с другой — большинство функций не вызывает у пользователей вопросов. Поэтому держать отдельную первую линию поддержки ради нескольких типовых обращений просто нет смысла.

Тем не менее у меня есть опыт внедрения подобного решения там, где это действительно нужно.

Нейротехподдержка пригодится тем компаниям, где ежедневно приходит большой поток однотипных вопросов: интернет-магазинам, сервисам, финтеху, образовательным платформам, SaaS-продуктам. И сейчас расскажу почему.

Главное отличие искусственного интеллекта от, назовем это так, человеческой техподдержки в том, что нейросеть не спит, не уходит на обед и ей не нужен больничный. Клиент может написать ночью, утром 1 января или в момент пиковой нагрузки — и получить ответ сразу.

Поэтому нейросеть имеет смысл ставить именно на первую линию поддержки. Туда, где люди приходят узнать какую-то информацию и не хотят ждать ответа оператора 10–15 минут.

Представим, что на первой линии работает ИИ. Клиент пишет в чат — нейросеть сразу отвечает, уточняет детали, находит информацию и пытается решить вопрос. Если понимает, что ситуация сложная, спорная или требует действий сотрудника, передает диалог живому человеку уже вместе с собранным контекстом.

То есть к моменту подключения оператора к диалогу с клиентом, собрана вся информация и решена часть вопросов.

В итоге оператору не приходится начинать разговор с нуля и снова спрашивать, что произошло. Часть работы уже сделана.

Но просто подключить условный ChatGPT к чату на сайте недостаточно. Нейросети нужно дать базу знаний о продукте, инструкции и реальные примеры того, как сотрудники компании общаются с клиентами. Тогда она понимает, что можно отвечать, какие вопросы задавать и в каком тоне разговаривать.

И вот здесь появляется вопрос эмпатии. Нейросеть, конечно, не испытывает эмоций. Но ее можно научить распознавать контекст разговора. Если человек раздражен, ему не нужно отвечать сухим шаблоном из трех пунктов. Если он растерян, ответ должен быть спокойнее и подробнее. Если нужен человек — диалог нужно передать человеку, а не заставлять клиента еще десять минут спорить с ботом.

Все это можно сделать, основываясь на истории общения поддержки с клиентами.

Отдельно отмечу, что значительная часть обращений в поддержку вообще не требует участия специалиста. Где найти функцию, сколько стоит тариф, как восстановить доступ, почему не пришло письмо, как изменить данные, почему не работает та или иная функция, — на такие вопросы сотрудник отвечает десятки раз.

Пока человек занимается этой рутиной, он может пропустить обращение, где действительно нужен его опыт или где компания может потерять клиента и деньги.

В этом смысле ИИ работает как заградотряд: принимает на себя поток простых и повторяющихся запросов, а людям оставляет ситуации, где нужно думать, договариваться, принимать решение или работать с недовольным клиентом.

Для малого бизнеса это особенно интересно. Не каждая компания может позволить себе штат операторов, которые работают круглосуточно. А нейросеть условно за $100–200 в месяц закроет заметную часть первой линии. Конечная стоимость зависит от количества обращений, выбранной модели и интеграций. Однако.

Причем на ответах клиентам ее возможности не заканчиваются. ИИ может анализировать работу самой поддержки: кто отвечает быстрее, какие сотрудники чаще ошибаются, где клиенты остаются недовольны, какие вопросы повторяются и на каком этапе чаще всего возникает проблема.

То есть бизнес получает еще и аудит своей поддержки. Если за месяц 300 человек спросили одно и то же, возможно, проблема вообще не в службе поддержки, а в интерфейсе, инструкции или самом продукте.

Поэтому я бы не ставил задачу заменить людей искусственным интеллектом. Лучше часть перевести на вторую линию поддержки, а часть повысить до аналитика данных. Нейросеть берет скорость, круглосуточную доступность и рутину. Человек остается там, где нужны ответственность, переговоры, нестандартное решение и настоящая человеческая эмпатия.

Вячеслав Коэн, CEO IT-агентства Usertech и брендингового Time-to:

В своей работе на текущий момент я не рассматриваю ИИ как замену сотруднику поддержки. Эффективнее передавать нейросети часть рутинных операций, чтобы человек мог сосредоточиться на решении проблемы клиента.

Один из самых полезных сценариев – подготовка ответа. Когда клиент присылает большое сообщение, где одновременно описывает проблему, прошлые обращения и ожидаемый результат, сотруднику сначала нужно во всём разобраться и только потом отвечать. ИИ может быстро выделить главное и подготовить черновик. Человеку останется проверить факты и скорректировать формулировки под конкретную ситуацию. Это хорошо работает и с повторяющимися запросами. Например случай, когда клиент после смены пароля не может войти в личный кабинет. Это распространенная регулярно повторяющаяся ситуация. В подобных случаях ИИ может найти подходящий сценарий в базе знаний и предложить последовательность действий. Оператор проверяет, подходит ли она конкретному клиенту, и при необходимости меняет ответ.

На мой взгляд, основная экономия как раз складывается из таких мелких операций. На одном обращении можно выиграть всего пару минут, но за день их проходят десятки.

Есть и менее очевидный плюс. ИИ способен замечать закономерности между разными обращениями. Например, за короткое время несколько клиентов пишут: «не могу войти», «не приходит код», «выбрасывает из аккаунта». Когда эти запросы обрабатывают несколько разных операторов, не связанных между собой, они для них это выглядит как отдельные случаи. Система с ИИ может сгруппировать их и показать, что, вероятно, возник общий сбой. Тогда поддержка быстрее передаст проблему разработчикам вместо того, чтобы разбирать её отдельно с каждым клиентом.

Отдельный сценарий – сложные и эмоциональные обращения. Если человек пишет третий раз по одной проблеме, просто ответить ему быстрее уже недостаточно. Здесь ИИ полезен скорее как система раннего предупреждения, то есть он может отметить повторное обращение, сорванный срок или то, что прошлые рекомендации уже не помогли. Для оператора это сигнал, что стандартный сценарий пора менять. Но само решение я бы оставлял сотруднику. Иногда правильный следующий шаг – передать вопрос старшему специалисту, предложить другой вариант или прямо признать, что прежний способ не сработал. В таких ситуациях задача ИИ не в том, чтобы изображать эмпатию, а в том, чтобы вовремя показать человеку важный контекст и не дать поддержке снова ответить шаблоном.

Ещё одно полезное применение – контроль качества. ИИ может заметить, что сотрудник ответил только на один из нескольких вопросов, противоречит предыдущему сообщению компании или снова предлагает действие, которое клиент уже выполнял. Для новых сотрудников такая проверка особенно полезна, поскольку помогает избежать типовых ошибок без постоянного подключения руководителя.

Практический эффект такой модели виден и в российских кейсах. По данным «Ростелеком Контакт-центра», после внедрения LLM и речевой аналитики производительность операторов выросла на 21%. «Яндекс Нейросаппорт» сообщает, что его подсказки позволяют сократить среднее время обработки обращения примерно на 15%.

Для меня оптимальная модель выглядит так: ИИ ищет и структурирует информацию, замечает повторяющиеся проблемы, готовит черновики и проверяет ответы. Человек подключается там, где нужны решение, ответственность и понимание реакции клиента. Именно такая схема позволяет ускорить поддержку, не превращая её в поток шаблонных сообщений.

Тим Зинин, управляющий партнёр компании «Зинин, Штурбин и партнёры»:

Скорость и эмпатия в поддержке не противоречат друг другу, если правильно разделить роли. Быстро — это про объём и рутину, и это зона ИИ. Эмпатия — про ответственность за тон и за решение, и это зона человека.

Возьму отраслевой пример — голосовые боты для ветеринарных клиник и стоматологий. Типовой сценарий: бот записывает на приём, переносит визит, напоминает о предстоящем приёме, отвечает на вопросы про график работы и подготовку к процедуре. Это огромная доля входящего потока, и человек на ней уставал и ошибался чаще машины. Бот отвечает мгновенно, в любое время суток, и у него есть качество, недоступное уставшему оператору: он одинаково спокоен и вежлив в девять утра, и в час ночи, и на сотом звонке.

Но как только в разговоре появляется эмоция — недовольный клиент, тревожный владелец питомца, жалоба — диалог уходит живому сотруднику. Это принципиальная архитектура, а не ограничение технологии. Модель умеет подбирать вежливые слова, но она не несёт ответственности за тон и за последствия ответа. Эмпатия без ответственности — это имитация, и клиенты её чувствуют.

Важная деталь: бот должен честно называть себя ботом и быстро передавать диалог человеку по первому запросу. Ничто не раздражает клиента сильнее, чем скрытая имитация оператора и невозможность добраться до живого человека.

Ещё одна практическая вещь — передача диалога с контекстом. Когда бот уступает место человеку, оператор должен видеть всю историю: кто клиент, что он уже спросил, что ему ответили. Тогда клиент не повторяется, и переход от машины к человеку почти незаметен. Плохой сценарий — когда после бота приходится объяснять всё заново. И ещё: бот снимает ночную нагрузку — клиника отвечает круглосуточно без ночной смены, а утром человек видит готовую запись и короткий список диалогов, где нужен именно он.

Практический вывод для службы поддержки: пусть ИИ снимает с людей очередь из одинаковых вопросов, а человек получает диалоги, где нужны внимание и решение. Тогда быстрый ответ не превращается в формальный: оператор не выгорел на сотом одинаковом звонке и может по-настоящему слушать того, кому сейчас трудно.

Юлия Камалова, старший преподаватель Кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве РФ:

Скорость и сопереживание в поддержке уже давно воспринимаются как взаимоисключающие полюса. Автоматизация ускоряет реакцию, но лишает ее человеческого тепла. Однако последние исследования показывают, что это ложная дилемма. Гарвардская школа бизнеса провела годичный эксперимент с участием 138 агентов и более 250 000 диалогов. Когда агенты получали подсказки в реальном времени на основе языковых моделей, они реагировали на 22% быстрее, но качество «гуманности» общения не снижалось - оно повышалось. Оценки эмпатии в таких диалогах оказались выше, чем без поддержки, и наибольший прирост был именно в эмпатии.

Ключевым механизмом здесь является снижение когнитивной нагрузки. Когда оператору не нужно одновременно придумывать формулировку и поддерживать контекст, высвободившиеся ресурсы используются для вникания в ситуацию клиента. Эффект особенно заметен для новичков: доступ к подсказкам оказался эквивалентен примерно пяти месяцам опыта, что нивелирует качество поддержки вне зависимости от того, кто именно отвечает.

В то же время важно различать воспринимаемое и подлинное сочувствие. Исследование Гарвардской школы бизнеса, в котором участвуют более шести тысяч человек, показало, что сообщения с одинаковым содержанием оцениваются как менее эмпатичные, если известно, что они были сгенерированы ИИ. Люди готовы дольше ждать ответа от живого специалиста, чтобы получить подлинное участие человека. Это означает, что ИИ не должен позиционироваться как замена человеку в эмоционально сложных ситуациях. Его роль заключается в том, чтобы взять на себя рутинные задачи от оператора и дать им возможность сосредоточиться на том, что действительно требует присутствия человека.

Практический вынос для команд поддержки: построить гибридную модель. Пусть ИИ обрабатывает рутинные запросы и подготовку контекста, в то время как человек отвечает за сложные, эмоционально заряженные диалоги. Скорость без эмпатии раздражает. Сочувствие без скорости утомляет. Рабочая комбинация - это не выбор между ними, а архитектура, где каждое взаимодействие получает именно то количество человеческого участия, в котором оно нуждается.

Алексей Коломыц, основатель AI-платформы NadelAI:

Я бы начал не со скорости ответа, а с того, чем закончился разговор. Клиенту, у которого возникла проблема с сервером или программным обеспечением, нужна помощь. Можно моментально написать «Мы понимаем ваши переживания», но если дальше ничего не происходит, это не забота. Это просто быстрая отписка.

В нашей работе как хостинг-провайдера и интегратора ИИ уже выполняет задачи поддержки: самостоятельно решает штатные проблемы с серверами и ПО. Речь именно о штатных задачах, а не об обещании устранить любой возможный сбой. Для меня принципиальна эта разница: не только рассказать человеку, что ему делать, а действительно решить проблему в рамках доступных возможностей.

При этом эмпатию я не свожу к тёплым словам. В поддержке она проявляется в отношении к задаче человека. Его нужно услышать, не заставлять без необходимости повторять одно и то же и не подменять понятный ответ техническим туманом. Если у клиента что-то не работает, ему важно понимать, что происходит и какой следующий шаг. Чем сложнее технология внутри, тем понятнее должен быть разговор снаружи.

В проектах автоматизации я постоянно вижу, как бизнес теряет людей не из-за отсутствия рекламы, а потому, что про клиента забыли. Не ответили, не продолжили разговор, не довели до результата. Если человек сам очень хочет добиться своего, он пробивается. Но хорошая поддержка не должна быть полосой препятствий.

Поэтому я за то, чтобы автоматизация снимала рутину и помогала сопровождать человека, а не просто увеличивала количество отправленных сообщений. Проверять качество нужно по существу: решена ли задача, выполнены ли договорённости, доволен ли клиент. Обратная связь здесь обязательна. Закрытое обращение и решённая проблема — не всегда одно и то же.

И ещё важная граница: нельзя ради приятного разговора обещать то, чего компания не предоставляет. Скорость и доброжелательность не оправдывают неправильных ожиданий. Я считаю, что честно обозначить ограничение полезнее, чем уверенно пообещать невозможное. Если задача выходит за допустимые возможности ИИ, нужен человек, а не бесконечная переписка по кругу.

Наша цель — повышать качество продукта и сервиса, сохраняя стоимость для клиента. Именно такую пользу я вижу в ИИ: человек получает больше реальной помощи за те же деньги. Не красивую имитацию внимания, а результат.

Мартин Сигуткин, директор департамента поддержки информационных систем СИГМЫ:

На мой взгляд, важно сразу обозначить: сам по себе ИИ не способен к эмпатии. Это не взаимозаменяемые, а дополняющие друг друга инструменты, каждый со своей областью применения. В связке же они дают по-настоящему сильный эффект.

ИИ в нашем арсенале не занимается генерацией «эмоциональных» ответов. Его задача сугубо прагматична: скорость, масштабируемость и точность. Наш электронный диспетчер на базе алгоритмов машинного обучения уже успешно обрабатывает более 85% входящего потока. Мы держим на постоянном мониторинге всё: от каналов связи и показателей серверного оборудования до скорости работы веб-интерфейсов конкретных систем заказчика. Именно за счет такой автоматизации мы реагируем мгновенно.

Но сама по себе технологическая скорость не создает эмпатии – она рождается там, где работают живые люди: те, кто не ограничивается формальным подходом, проявляет инициативу и несет личную ответственность. «Человеческое лицо» и реальная забота проявляются там, где заканчивается формальный регламент. Помню один показательный случай. Ночью наш мониторинг зафиксировал прерывание связи с информационными системами одного из заказчиков. Быстро разобрались: проблема не на нашей стороне. По инструкции мы могли бы закрыть инцидент, так как проблема находилась за пределами нашей зоны ответственности. Но мы связались с заказчиком, чтобы прояснить ситуацию. Это помогло оперативно выявить причину сбоя – внешнее воздействие на их инфраструктуру. Благодаря нашему своевременному оповещению стороны смогли быстро скоординироваться и локализовать угрозу, а также принять необходимые меры безопасности. В том числе мы оперативно перекрыли каналы связи, чтобы защитить обе инфраструктуры от возможных рисков. Не ограничиваться формальными рамками, а сделать чуть больше, чем от тебя ожидают, и помочь клиенту до полного решения вопроса, – вот что значит настоящая забота.

Кроме того, мы придерживаемся принципа осторожного внедрения технологий. Мы не доверяем ИИ принятие окончательных решений в сложных кейсах без контроля – там, где случаи непростые, ведем двойную верификацию. Это гарантирует, что клиент не столкнется с ошибкой машины, что само по себе является формой заботы о качестве сервиса.

Но главный секрет сохранения эмпатии кроется не в технологиях, а в культуре коммуникации. Основной источник негатива пользователей – это не техническая сложность поломки, а «информационный вакуум». Пользователю важно знать, что о нем помнят. Поэтому, даже если решение проблемы займет несколько дней, мы обеспечиваем максимальную прозрачность: объясняем, на каком этапе находится заявка и когда ждать результата. Честность и регулярная обратная связь создают доверие гораздо эффективнее, чем любые шаблонные фразы сочувствия.

Идеальная поддержка будущего – превентивная: мы устраняем проблему до того, как пользователь успеет о ней узнать. И именно симбиоз интеллекта машинного и человеческого делает этот уровень сервиса возможным.

Александра Дробышева, генеральный директор диджитал-компании HINT:

Исследование СберАналитики, проведённое среди российских компаний в ноябре 2025 года, показало, что 39% компаний уже внедрили ИИ-ассистентов и агентов в свою работу. В поддержке одна из самых полезных ролей ИИ — сокращать время между обращением клиента и содержательным ответом.

Значительная часть этого времени у сотрудника уходит ещё до того, как он начинает писать клиенту. Нужно прочитать историю переписки, понять суть проблемы, проверить данные, найти нужную инструкцию или информацию о продукте. ИИ может собрать этот контекст за несколько секунд: определить тему обращения, поднять предыдущие сообщения, найти релевантную информацию в базе знаний и подготовить черновик ответа. Сотрудник получает уже собранную картину и может сосредоточиться непосредственно на ситуации клиента.

При этом важно понимать, где заканчивается такая автоматизация. Если человек пишет, что не может найти кнопку в личном кабинете, ответ действительно можно почти полностью собрать на основе базы знаний. Если клиент несколько дней не может решить проблему, потерял деньги или уже раздражён предыдущим общением с поддержкой, одного формально правильного ответа недостаточно. Здесь нужно учитывать историю разговора, эмоциональное состояние человека и иногда отходить от стандартного сценария.

Поэтому мы считаем полезным разделять обращения по уровню сложности и чувствительности. Типовые вопросы можно сильнее автоматизировать, а спорные, нестандартные и эмоциональные ситуации быстрее передавать сотруднику. Причём ИИ полезен и во втором случае: он может собрать историю проблемы и предупредить специалиста, что клиент уже несколько раз обращался с одним вопросом. Тогда человеку не приходится заново объяснять всю ситуацию, а сотрудник сразу понимает контекст.

Отдельное условие — качество данных, на которых работает система. Если база знаний давно не обновлялась, инструкции противоречат друг другу, а история клиента хранится в нескольких местах, ИИ просто быстрее воспроизведёт существующие ошибки. Поэтому его внедрение в поддержку часто требует сначала привести в порядок сами процессы: определить актуальные источники информации, правила эскалации и ситуации, в которых решение обязательно должен принимать сотрудник.

В результате ИИ может сокращать именно техническую часть работы с обращением — поиск, классификацию, сбор контекста и подготовку ответа. А время сотрудника освобождается для тех ситуаций, где действительно нужны внимание к человеку, понимание контекста и возможность принять нестандартное решение.

Наталья Фетисова, генеральный директор и основатель TT TOUR:

Буду честна: в нашей истории искусственный интеллект в подборе тура пока не участвует, и я считаю это не минусом, а огромным плюсом. 

Дело в том, что туроператор ТТ ТУР строит экономику впечатлений, которая собирается из множества тонких компонентов и здесь ставка больше не на массовый сегмент. А ИИ пока не достиг того уровня, чтобы предложить клиенту именно тот продукт, который ему нужен. Он не умеет компоновать разные элементы: людей, места, смыслы, в единую сюжетную картину впечатления. Это по-прежнему часы реальной ручной работы: устные переговоры с партнёрами, выстраивание логики маршрута, настройка эмоционального сценария. 

К тому же многие наши ключевые носители аутентичного опыта: музеи, эксперты, гиды, локальные мастера, до сих пор не работают в цифровой среде и сознательно делают ставку на живого человека. Поэтому автоматом у нас не отвечает никто, и это принципиальная позиция компании.

Заключение

Грамотное сочетание ИИ и живого взаимодействия позволяет одновременно повышать скорость обработки запросов и сохранять высокий уровень эмпатии в поддержке. Такой гибридный подход укрепляет доверие клиентов и формирует устойчивый образ надёжного бренда.