Привет, Хабр! Представьте ситуацию в интернет-магазине. Клиент звонит и пишет в поддержку, так как получил поврежденный заказ. При этом он уже откладывал повторную покупку из-за долгой доставки в прошлый раз и не дописал отзыв, который хотел оставить неделю назад. Человек на грани ухода к конкурентам. Что увидит типичный оператор поддержки? Да просто текущее обращение. Он оформит возврат, закроет тикет — и на этом как бы все. Остальные сигналы останутся незамеченными им. В противовес ему, агентная система видит всю картину, ловит паттерны и закрывает боли клиента: оформляет возврат, предлагает промокод на следующую покупку, устраняет причину недовольства. Это рабочая модель, которую уже описывают аналитики McKinsey в свежем отчете о перестройке клиентского опыта в эпоху агентского ИИ.
Последние пару лет компании в основном просто добавляли генеративный ИИ поверх старых процессов. Да, чат-боты стали вежливее и быстрее, но логика принятия решений при этом у них не изменилась. Клиент как сталкивался с разрозненными сценариями на разных этапах пути, так и сталкивается. Агентский ИИ меняет эту логику. Вместо заранее прописанных сценариев он в моменте принимает решение на основе реального контекста. Что это значит на практике, через какие этапы проходят компании и какой результат получают на выходе?
Вместо набора заранее спроектированных путей клиентский опыт становится системой решений, которые принимаются в моменте.
Какая в этом логика? Традиционный CX-дизайн строится вокруг карты пути клиента (Customer Journey Map или CJM). Компания заранее продумывает, что увидит клиент, и заранее раскладывает по полочкам его намерения. Но реальный клиент почти никогда не попадает точно в продуманные сценарии — каждый случай уникален. Он звонит, потом пишет в чат, потом снова звонит. И на каждом шаге системе нужно заново решать, какое предложение показать, какую политику применить, когда подключить живого специалиста. Если эти решения между собой не связаны, ИИ не устраняет существующий хаос, а масштабирует его. В результате раздражение получают все стороны взаимодействия.
По данным McKinsey, среди всех направлений применения корпоративного ИИ именно клиентские функции показывают наибольшую долю внедрений, доведенных до полного промышленного масштаба. 41% таких проектов уже полностью развернуты, что в 3,5 раза выше, чем в других направлениях. Такие компании годами развивали цифровую инфраструктуру. У них выстроенные процессы и структурированные данные. А это как раз тот фундамент, который агентным системам нужен для работы.
Значит ли это, что любая компания с чат-ботом уже находится в «агентской эре»? Нет.
Три горизонта трансформации
McKinsey предлагает модель горизонтов, которая помогает трезво оценить, на каком этапе трансформации находится конкретная организация.
Перестройка отдельного сценария
Агент самостоятельно закрывает один четко описанный процесс от начала до конца в рамках жестких ограничений и правил эскалации.
Например, крупный энергетический ретейлер в Великобритании, обслуживающий около шести миллионов клиентов силами 3500 сотрудников контакт-центра и принимающий порядка семи миллионов звонков в год. Компания развернула голосового агента для обработки первичных обращений и решения массовых несложных вопросов. За счет автоматизации и сокращения времени обработки меньше чем за пять месяцев система научилась распознавать порядка 75% потребностей клиентов с точностью классификации намерений около 85%, что дало рост индекса удовлетворенности на шесть процентных пунктов и годовой эффект более 10 млн долларов.
Или вот еще пример: американский премиальный автопроизводитель с выручкой около 700 млн долларов и более чем 50 000 клиентских кейсов в год. Там ИИ-агент работает не вместо оператора, а рядом с ним. Он синтезирует структурированные и неструктурированные данные, чтобы предложить персонализированные решения проблемы. Результат — рост показателя решения с первого контакта на 24% и повышение продуктивности сотрудников на 30%.
Оркестрация внутри домена
Здесь агенты начинают согласовывать несколько сценариев внутри одной области, а не оптимизировать их по отдельности. Показательный кейс: один из крупнейших европейских телеком-операторов, который построил предиктивные модели, связывающие сигналы из разных каналов, чтобы решать не только какое предложение показать клиенту, но и когда, где и с какими сопутствующими действиями.
Экосистема виртуальных сотрудников
Опираясь на общий контекст и общие цели, агенты координируют решения между функциями, каналами и партнерами. Именно этот горизонт описывает пример с биллинговым сбоем и оттоком клиента, с которого мы начали.
Стоит ли гнаться сразу за третьим горизонтом? Аналитики советуют не спешить. Ценность первого горизонта заключается не только в экономии. Он доказывает, что решения можно принимать последовательно, прозрачно и безопасно в четко очерченных границах. Без этого фундамента переход к оркестрации домена и тем более экосистемам просто не заработает.
Что это дает бизнесу
Разберем это на более широком спектре отраслей.
Unity столкнулась с резким ростом обращений в поддержку на фоне масштабирования продукта. Внедрение автоматизации и ботов позволило без участия человека отклонить почти 8000 тикетов, ускорить время первого ответа на 83%, поднять CSAT до 93% и сэкономить около 1,3 млн долларов.
Финтех-стартап Esusu использовал ИИ-инструменты для автоматических подсказок операторам и анализа трендов в обращениях. В результате время первого ответа сократилось на 64%, время решения — на 34% при среднем объеме в 10 000 тикетов в месяц, а доля обращений, закрытых с первого касания, достигла 80%.
А вот пример из недвижимости: брокерская компания Compass работает на 70 рынках и поддерживает свыше 26 000 агентов. Внедрение интеллектуальной маршрутизации обращений к нужным специалистам дало рост показателя решения на 9%, долю решения с одного касания на уровне 65% и CSAT в 98%.
Обратите внимание: ни в одном случае речь не идет о полной замене людей — везде это перераспределение нагрузки, а не увольнения.
Семь эффектов, которые дает агентский ИИ
Закрытие обращения без очереди. Агент распознает намерение, обращается к нужной информации, выполняет действие в бэкенде и завершает цикл в рамках одного взаимодействия. Например, при завышенном списании система сама находит счет, проверяет транзакцию, инициирует возврат и обновляет CRM. И делает она все это без участия оператора.
Проактивное обнаружение проблем. Система следит за сигналами, вместо того чтобы ждать обращения клиента: изменением тональности в разговоре, паттернами поведения, которые предшествуют эскалации, аномалиями на уровне аккаунта вроде сбоя платежа. Клиент, чей тон стал раздраженным, может получить предложение обратного звонка еще до того, как сам об этом попросит.
Персонализация на масштабе. Агент опирается на единый профиль клиента: историю покупок, прошлые обращения, поведение в каналах. Разница между шаблонным «вот наши правила возврата» и конкретным «вижу, что заказ пришел двенадцатого числа, оформить возврат прямо сейчас?» — это разница между инструментом, который отвечает, и инструментом, который решает вопрос.
Сохранение контекста между каналами. Агентская архитектура ведет единую нить разговора через все точки контакта. Это закрывает классическую боль омниканальности, когда клиент начинает диалог в мессенджере, продолжает по телефону и получает письмо с решением, а каждый канал работает так, будто предыдущего разговора вовсе не было.
Грамотная передача человеку. Хорошо спроектированная передача переносит вместе с клиентом намерение, эмоциональное состояние и полную историю диалога так, чтобы оператор продолжал разговор, а не начинал его заново. Это критично именно в момент эскалации, который часто оказывается самым уязвимым. Без такой передачи клиента переключат на оператора, который ничего не знает о предыдущем разговоре и просит начать сначала.
Автоматизация многошаговых процессов с обращением к бэкенд-системам. Одна жалоба может запустить целую цепочку действий без участия человека на каждом шаге. Например, проверку статуса заказа в CRM, инициацию повторной отправки, СМС-подтверждение, обновление карточки клиента и постановку контрольной точки через какое-то время.
Непрерывное самообучение. Разговоры, оценки CSAT, паттерны эскалации становятся сигналом для дообучения модели и корректировки правил маршрутизации. Без этого система, которую один раз настроили и оставили без изменений, со временем теряет актуальность и перестает отвечать реальным потребностям клиентов.
Где проходит граница партнерства человека и агента
Здесь стоит остановиться на вопросе, который волнует любого руководителя CX-направления: где проводить границу автономии?
Автономная обработка хорошо работает там, где высокая нагрузка сочетается с четкими правилами и низкой сложностью: статусы заказов, подтверждения бронирований, стандартные возвраты, напоминания о встречах. В целом это основная масса обращений в большинстве контакт-центров, и как раз тут агент способен взять на себя рутину без риска потери качества.
А что с эскалацией? Триггерами для передачи работы человека являются устойчиво негативная тональность разговора, регуляторные или комплаенс-требования, сложные многосторонние ситуации, статус VIP-клиента и прямая просьба соединить с человеком. Хорошо спроектированная эскалация состоит из трех элементов: вместе с клиентом целиком переходит и контекст, маршрутизация учитывает компетенции и доступность специалиста, а не работает по принципу «первый свободный», а сам оператор получает единый интерфейс с уже собранным контекстом, чтобы продолжить разговор, а не начинать заново.
И вот еще одна очень важная вещь. Клиент имеет право знать, что общается с ИИ, а в большинстве регулируемых юрисдикций раскрытие этого факта — прямое юридическое требование. Системы без ограничивающих правил способны усиливать смещения в маршрутизации и принятии решений, поэтому границы поведения агента — тематические ограничения, пороги обязательной эскалации, явно запрещенные действия — должны закладываться на этапе проектирования, а не добавляться постфактум.
Трудности и барьеры
Легко разбирать чужие успехи — сложнее сказать, что мешает дойти до этих же цифр. Автоматизация в CX часто обгоняет саму компанию, процессы, данные и контроль не успевают за темпом внедрения.
Начнем с самого очевидного — эмпатии. Чем больше автоматизируешь, тем острее чувствуется разрыв там, где клиенту важно, чтобы его услышали, а не просто закрыли тикет. В сложных или эмоциональных ситуациях механический тон собеседника раздражает и подрывает доверие быстрее, чем что-либо другое.
Ну и многое упирается в данные. Агент настолько хорош, насколько хороши данные, на которые он опирается. Если системы компании между собой не связаны, а данные разбросаны по разным хранилищам и устаревшим инструментам, целостный опыт с учетом контекста просто технически не складывается. Клиент повторяет одно и то же по несколько раз, а ответы отличаются в зависимости от того, из какого канала он пришел. В этом случае ИИ не решает проблему, а быстрее показывает уже существующий беспорядок.
С этим тесно связано доверие. Клиенты хотят точных ответов, понятной коммуникации и уверенности, что с их данными обращаются аккуратно. Им важно понимать, почему система приняла именно такое решение. Без этой ясности агент воспринимается как черный ящик, а не как помощник — и это больно бьет по лояльности, даже когда формальные метрики решения обращений выглядят вполне себе неплохо.
А еще нужно доказать пользу для бизнеса. Руководство ждет роста CSAT, эффективности, удержания клиентов. На практике связать конкретные улучшения опыта с внедрением ИИ сложнее, чем кажется на старте. Без понятных цифр обосновать дальнейшие вложения почти невозможно.
И тем не менее не бывает идеальных условий нигде и никогда. Все эти сложности — скорее чек-лист для трезвой оценки готовности перед пилотом: связаны ли у вас системы между собой, есть ли единый профиль клиента, продуманы ли правила эскалации и кто будет следить за решениями агента после запуска.
Что дальше
Куда движется отрасль после первого горизонта? На смену единому универсальному агенту приходит экосистема специализированных агентов, координируемых общим оркестрирующим слоем. Один агент отвечает за первичную классификацию запроса, другой — за решение, третий — за координацию эскалации. Получается что-то вроде сильной человеческой команды, где каждый закрывает свою зону ответственности, а не пытается делать все сразу.
Исследование Mobile Europe и Celfocus по операторам связи показывает, что у крупных европейских операторов агентский ИИ в сетевых операциях уже сокращает время выявления неисправностей с часов до минут и снижает затраты на выезды специалистов. Авторы отчета предупреждают о том, что реальная отдача от инвестиций требует дисциплинированного исполнения и постепенного расширения, начинать нужно с узкой, четко очерченной задачи.
Вместо заключения
Если вынести из всего этого одну мысль, то вот что получаем: агентский ИИ в CX работает, потому что умеет видеть всю ситуацию клиента целиком, а не обрывками, которые оседают в разных каналах и тикетах. И это меняет профессию CX-специалиста. Раньше он проектировал маршруты, а теперь проектирует правила, по которым система принимает решения без него, и должен быть уверен, что она не наломает дров, пока он спит.
Начинать стоит не с амбициозной стратегии на трех горизонтах, а с одного процесса, который можно довести до полной автономии и не стыдно показать клиенту. Дальше уже вопрос дисциплины.
