ИИ в поддержке: почему операторов пока рано списывать

Когда начинают обсуждать внедрение ИИ в поддержку, разговор почти всегда быстро сводится к одному вопросу: «Через сколько можно отказаться от операторов?»

Честно говоря, мне этот вопрос никогда не казался правильным.

Если посмотреть на работу первой линии изнутри, становится понятно, что большая часть времени уходит не на написание ответа. Оператор ищет похожее обращение, вспоминает нужное правило, открывает базу знаний, читает историю клиента, переключается между окнами. Ответ клиенту — это уже финальный этап.

Поэтому попытка сразу заменить человека выглядит странно. Мы автоматизируем не ту часть работы.

Когда мы начали проектировать AI-суфлёр для операторов, специально отказались от идеи сделать «поддержку без людей». Вместо этого задали себе другой вопрос: что именно сегодня сильнее всего тормозит оператора?

Ответ оказался довольно приземлённым.

Нужно быстрее понять контекст обращения. Найти подходящую статью в базе знаний. Не перечитывать длинную переписку. Не собирать ответ каждый раз с нуля.

Именно здесь большие языковые модели показывают себя лучше всего.

Они могут за несколько секунд собрать краткую выжимку из длинного диалога, предложить релевантную инструкцию, подготовить черновик ответа. Финальное решение всё равно остаётся за оператором, но ему уже не приходится тратить несколько минут на однообразную подготовительную работу.

Есть ещё один эффект, который редко упоминают в презентациях.

Когда новичок приходит в поддержку, основная проблема обычно не в том, что он не умеет общаться с клиентами. Он просто не знает, где искать информацию. Если ИИ помогает быстро находить нужные материалы и объясняет контекст обращения, период адаптации становится гораздо спокойнее. Человек быстрее начинает работать самостоятельно и меньше отвлекает коллег вопросами.

За время работы с генеративными моделями я пришёл к выводу, который сначала казался немного неожиданным.

Самая сложная часть подобных проектов — вовсе не модель.

Можно выбрать любую современную LLM, но она не исправит запутанные процессы, устаревшую базу знаний или классификатор, которым никто не хочет пользоваться. ИИ начинает приносить пользу только тогда, когда понятно, где именно он должен помочь человеку и что должно измениться в ежедневной работе оператора.

Поэтому сегодня я гораздо больше внимания уделяю архитектуре процесса, чем выбору модели. Хорошо организованный процесс с обычным ИИ почти всегда оказывается полезнее, чем самая современная модель, встроенная в хаотичную поддержку.