AI-агент поддержки клиентов: автоматизация без потери качества

Чем AI-агент поддержки отличается от чат-бота

Сценарный чат-бот идёт по заранее написанным веткам, а AI-агент понимает вопрос в свободной форме, ищет ответ в базе знаний компании и может выполнить действие в подключённой системе. Поэтому ему можно поручить больше, но и ошибка обходится дороже.

Рабочий агент состоит из четырёх частей:

• база знаний — регламенты, условия, инструкции, ответы на частые вопросы;
• поиск по ней — чтобы ответ опирался на документ, а не на память модели (подробнее — в статье про RAG);
• инструменты — проверка заказа, запись, создание заявки через API ваших систем;
• маршрутизация — правила, когда и кому передать диалог.

Gartner в августе 2026 года советует использовать генеративный ИИ для приёма обращения и определения намерения, а самостоятельное решение пробовать только при высокой уверенности и с понятным путём к человеку. Это хорошая рамка для первого запуска.

Какие обращения автоматизировать первыми

Начинайте с частых вопросов, на которые есть проверяемый ответ в базе знаний; деньги, жалобы и исключения оставьте людям. Удобно разделить обращения по цене ошибки, а не по теме.

Чтобы выбрать первый сценарий, выгрузите обращения за последние месяцы и разметьте их по этой таблице. Сильный кандидат — тема, которая встречается часто, решается одинаково и уже описана в документах. Если ответа нет в регламентах, сначала напишите регламент: агент не исправит пробел в знаниях, а только быстрее его покажет.

Как передавать диалог оператору

Хорошая передача заметна клиенту, срабатывает сразу и сохраняет контекст: оператор продолжает разговор, а клиент не повторяет вопрос. Именно здесь автоматизация чаще всего выигрывает или теряет доверие.

В опросе Gartner 3 566 клиентов B2B и B2C (февраль–март 2026) 50% сказали, что с генеративным ИИ общаться с компанией проще, но 87% назвали обязательной возможность выйти на человека. Те, кто не готов пользоваться ИИ, чаще всего говорили, что передумали бы при возможности переключиться на оператора. Gartner прямо рекомендует не делать ИИ обязательным и не заставлять клиента проходить несколько неудачных попыток.

Заранее определите триггеры передачи:

• клиент просит человека — без уговоров и повторных предложений;
• уверенность ниже порога или в базе нет ответа;
• агент не понял вопрос повторно;
• клиент раздражён или говорит о жалобе;
• тема входит в список чувствительных;
• действие выходит за выданные агенту лимиты.

Оператор должен получить краткую суть обращения, историю диалога, данные клиента, найденные источники и то, что агент уже пробовал. Если операторов сейчас нет, агент называет реальный срок ответа и создаёт заявку, а не обещает невыполнимое.

Какие метрики показывают качество

Главная метрика — не доля диалогов без оператора, а доля вопросов, решённых без повторного обращения. Containment легко растёт и тогда, когда клиент просто сдался.

Компания ML6 в разборе голосовых ассистентов предупреждает: containment поощряет неверное поведение, ведь бот, который завёл клиента в тупик, тоже считается успешным. Более честная метрика — contained resolution: ИИ обработал обращение сам, вопрос решён, а повторного контакта не было в течение заданного окна, обычно семи дней.

Сколько обращений реально закрыть без человека? Единого ответа нет. Gartner прогнозирует, что к 2029 году агентный ИИ будет сам решать 80% типовых обращений и снизит операционные расходы на 30%, но это прогноз и только про типовые вопросы. Klarna сообщала, что в феврале 2024 года ассистент за первый месяц провёл 2,3 млн диалогов — около двух третей чатов — со средним временем решения меньше 2 минут. Цель навыка поддержки W2W на пилоте — до 70% обращений без оператора; на сайте это обозначено как целевой ориентир по отраслевым данным, а не результат внедрений. Ваша цифра зависит от доли типовых вопросов, полноты базы знаний и интеграций, поэтому её определяет пилот.

Где AI-агент ошибается: честные ограничения

Агент может уверенно ошибиться, компания отвечает за его слова, а модель можно попытаться обмануть. Эти риски не отменяют автоматизацию, но определяют её границы.

• Ответственность за ответы. В феврале 2024 года Гражданский трибунал Британской Колумбии рассмотрел дело Moffatt v. Air Canada. Чат-бот неверно описал условия льготного тарифа, а авиакомпания утверждала, что бот отвечает за себя сам. Трибунал не согласился: бот — часть сайта, и компания отвечает за его содержание. Клиенту присудили около 650 канадских долларов. Это решение канадского трибунала, а не норма для других стран, но вывод для бизнеса понятен: проверять ответы об условиях и ценах нужно особенно строго.
• Перекос в экономию. В мае 2025 года глава Klarna заявил, что компания зашла слишком далеко и фокус на расходах снизил качество. Ассистент по-прежнему обрабатывает около двух третей обращений, но Klarna хочет, чтобы клиент всегда мог поговорить с человеком, и снова набирает сотрудников поддержки.
• Манипуляции. OWASP ставит prompt injection на первое место в списке рисков LLM-приложений 2025 года: текст клиента или внешний документ может заставить модель вести себя непредусмотренно. Защита — минимальные права, чувствительные функции в коде приложения, а не в руках модели, и подтверждение человеком рискованных действий.
• Устаревшие знания. Если поменялись условия, а документ нет, агент будет уверенно ошибаться. Нужны владелец базы знаний и регулярные проверки на тестовом наборе.
• Языки. Если клиенты пишут на русском, узбекском или смешивают их, проверяйте качество на каждом языке отдельно: хороший результат на одном не гарантирует результат на другом.

Как это устроено в Company Brain

Навык «Поддержка клиентов» в Company Brain отвечает по вашей базе знаний со ссылкой на источник, а то, чего не знает, передаёт сотруднику с полным контекстом диалога. Каналы — Telegram, WhatsApp, сайт и почта; описание и остальные сценарии — на странице навыков Company Brain.

Что зафиксировано на сайте:

• если уверенность ниже порога, система отвечает «не знаю» и зовёт человека;
• права доступа применяются до генерации ответа, каждый запрос и источник логируются;
• на пилоте настраивают качество, тон, границы и сценарии эскалации;
• приёмка — 50 реальных вопросов и порог 85% приемлемых ответов: верных по сути, со ссылкой на источник и без данных вне прав доступа; ниже порога W2W дорабатывает за свой счёт;
• панель показывает обращения, темы, качество ответов и пробелы в знаниях;
• сроки: прототип через 2 недели, пилот 2–4 недели, промышленный запуск через 6–10 недель;
• стоимость: внедрение от $5 000, эксплуатация в облаке от $500 в месяц.

С чего начать

Выберите одну тему обращений, соберите по ней реальные вопросы и договоритесь о метрике до запуска. Так вы проверите идею на малом объёме и получите цифры на своих данных.

1. Выгрузите обращения и разметьте их по типам и цене ошибки.
2. Выберите один сценарий, где ответы уже есть в документах.
3. Приведите базу знаний в порядок и назначьте её владельца.
4. Запишите триггеры передачи и то, что агенту запрещено.
5. Соберите тестовый набор из реальных вопросов и определите порог качества.
6. Запустите агента на части трафика и сравнивайте решённые обращения, повторы и оценки клиентов.

Предварительный бюджет и сроки покажет калькулятор внедрения, а разобрать ваши обращения можно на встрече — записаться.