Почему поддержка стала первой целью
Клиентская поддержка выглядит идеальным полигоном для языковых моделей. Обращений много, значительная часть повторяется, а каждое из них стоит компании денег. Ответ на вопрос «где мой заказ» или «как сменить тариф» не требует творчества, нужен только доступ к данным и понятная инструкция.
Поэтому поддержка оказалась одной из первых функций, куда компании понесли генеративный ИИ, наряду с офисными ассистентами вроде Microsoft 365 Copilot. Разница в том, что в поддержке ИИ разговаривает не с сотрудником, а с клиентом. Цена ошибки здесь выше.
Экономика выглядит убедительно. Живой оператор работает по сменам, ему нужны обучение, контроль качества и замена на время отпуска. ИИ-ассистент отвечает круглосуточно, говорит на десятках языков и не устаёт к концу дня. Если половина обращений типовая, кажется, что её можно просто передать модели и сократить расходы вдвое. На практике расчёт оказывается сложнее.
Кейс Klarna: от 700 операторов к гибридной модели
В феврале 2024 года шведский финтех Klarna сообщил, что его ассистент на моделях OpenAI за первый месяц провёл 2,3 млн диалогов. По оценке компании, это эквивалент работы 700 операторов, а удовлетворённость клиентов осталась на уровне живой поддержки. История быстро стала аргументом в пользу полной автоматизации.
В мае 2025 года гендиректор Себастьян Семятковский признал, что ставка на экономию снизила качество сервиса. Компания снова начала нанимать людей, в том числе по гибкой модели с удалёнными операторами. По данным годового отчёта, ассистент при этом продолжает обрабатывать большую часть чатов.
Редакция считает, что кейс Klarna не про провал ИИ. Он про неверную постановку цели: сокращение штата как самоцель против качества решения вопроса.
В истории есть и вторая сторона. Klarna в те же годы объясняла сокращение найма не только ботом поддержки, но и общей ставкой на ИИ во всех функциях. Публичные цифры компании описывали объём диалогов и скорость ответа, но почти не раскрывали, сколько вопросов клиенты в итоге решали без повторного обращения. Именно эта метрика определяет, сэкономила ли компания деньги или просто перенесла нагрузку.
Что показывают опросы
Gartner в июне 2025 года спрогнозировал, что к 2027 году половина компаний, планировавших заметно сократить поддержку благодаря ИИ, откажется от этих планов. Причины: результаты хуже ожидаемых и неожиданные расходы на внедрение.
В декабре 2025 года аналитики опубликовали опрос 321 руководителя поддержки. Только 20% сократили штат из-за ИИ, а 55% сохранили численность при росте объёма обращений. Многие нанимают новые роли: дизайнеров диалогов, аналитиков автоматизации, специалистов по ИИ-стратегии.
- ИИ чаще увеличивает пропускную способность команды, чем заменяет её;
- на внедрение уходят деньги, которые редко учитывают в первом бизнес-плане;
- появляются новые профессии вокруг настройки и контроля ботов.
Где автоматизация работает
Лучшие результаты ИИ-агенты показывают на узких сценариях с чёткими правилами и доступом к системам компании. Подключение к CRM, биллингу и базе знаний часто строят через стандарты вроде Model Context Protocol.
| Сценарий | Подходит ли ИИ | Комментарий |
|---|---|---|
| Статус заказа, доставка | Да | Ответ берётся из данных, риск ошибки низкий |
| Смена тарифа, пароля, адреса | Да | Нужны проверка личности и журнал действий |
| Возвраты по правилам | Частично | Типовые случаи да, исключения к человеку |
| Споры и жалобы | Нет | Важны эмпатия и полномочия |
| Финансовые трудности клиента | Нет | Высокая цена ошибки и регуляторные риски |
Ещё одно условие успеха: качество базы знаний. Модель отвечает настолько хорошо, насколько актуальны инструкции, на которые она опирается. Компании, которые начинают внедрение с ревизии статей помощи, получают результат быстрее тех, кто подключает бота к устаревшему архиву. Похожий принцип работает и для агентов для программирования: без хорошего контекста модель угадывает.
Риски: когда бот обещает лишнее
Главная опасность чат-бота поддержки в том, что он уверенно сообщает неверные условия. В феврале 2024 года канадский трибунал по гражданским спорам обязал Air Canada выполнить обещание её чат-бота о скидке на перелёт по семейным обстоятельствам. Аргумент авиакомпании, что бот отвечает сам за себя, суд не принял.
Вывод для бизнеса простой: ответ бота юридически остаётся ответом компании. Поэтому зрелые внедрения ограничивают модель базой знаний, запрещают ей придумывать условия и передают человеку всё, что касается денег и исключений из правил.
Есть и менее заметные риски. Клиенты быстро учатся обходить бота фразами вроде «позовите человека», и если передача не предусмотрена, растёт раздражение. Бот без доступа к истории обращений заставляет клиента повторять одно и то же. А агент, который может выполнять действия, требует защиты от манипуляций: злоумышленник может попытаться через диалог получить чужие данные или незаконный возврат.
- проверяйте личность до любых действий с аккаунтом;
- ограничивайте суммы, которые агент может вернуть без человека;
- храните журнал диалогов и действий для разбора спорных случаев.
Какие метрики смотреть
Доля автоматически закрытых обращений сама по себе мало что говорит. Бот может «закрыть» диалог, после которого клиент звонит повторно или уходит к конкуренту. Мы рекомендуем смотреть на связку показателей:
- решение с первого контакта, а не просто закрытие тикета;
- доля повторных обращений по той же теме в течение недели;
- удовлетворённость клиентов отдельно для ботов и для людей;
- скорость и качество передачи диалога оператору с полным контекстом;
- стоимость решённого вопроса с учётом расходов на модель и настройку.
Эта логика совпадает с тем, что мы писали о реальной отдаче ИИ-агентов в 2026 году: считать нужно результат для клиента, а не активность системы.
Полезно также регулярно читать выборку диалогов вручную. Цифры показывают тренд, но конкретные провалы видны только в тексте: бот неверно понял вопрос, дал устаревшую ссылку или вежливо ушёл от ответа. Команды, которые выделяют на это время каждую неделю, исправляют проблемы раньше, чем они попадут в отзывы.
Что изменилось к ноябрю 2026
Рынок в целом перешёл от чат-ботов на сценариях к агентам, которые выполняют действия в системах компании: оформляют возврат, меняют бронирование, создают заявку. Это повышает пользу, но и требования к контролю: журнал действий, лимиты, подтверждение рискованных операций.
Главный сдвиг в риторике: крупные компании реже говорят о замене людей и чаще о гибридной модели. ИИ берёт поток типовых вопросов, человек занимается сложными случаями и контролем качества. Свежие кейсы из бизнеса мы собираем в разделе «ИИ в бизнесе».
Для небольших компаний порог входа заметно снизился. Готовые платформы поддержки предлагают ИИ-агентов как встроенную функцию с оплатой за решённый вопрос или за диалог. Это упрощает старт, но не снимает задачи: кто-то должен поддерживать базу знаний, разбирать ошибки и решать, где проходит граница между ботом и человеком.
Вопросы и ответы
Может ли ИИ полностью заменить службу поддержки?
На практике нет. Даже компании, которые громко заявляли о замене операторов, вернули людей для споров, сложных возвратов и чувствительных ситуаций. Реалистичная цель: автоматизировать типовые обращения и разгрузить команду.
Отвечает ли компания за слова своего чат-бота?
Да. Дело Air Canada 2024 года показало, что суд считает ответ бота ответом компании. Поэтому бот должен опираться на актуальную базу знаний и не придумывать условия, особенно касающиеся денег.
С каких сценариев начинать автоматизацию поддержки?
С частых и простых: статус заказа, смена данных, ответы по базе знаний. Важно сразу настроить передачу диалога человеку с полным контекстом, чтобы клиенту не пришлось повторять вопрос.
Какая метрика важнее всего?
Решение вопроса с первого контакта. Доля закрытых ботом диалогов может выглядеть хорошо, но если клиенты возвращаются с той же проблемой, автоматизация только перекладывает нагрузку на операторов и ухудшает впечатление о сервисе.



