Стоит ли делать ИИ-агента для поддержки самим в 2026?
Вопрос, который мучает каждого, кто раздумывает над внедрением ИИ в клиентскую поддержку.
Ещё вчера мы твердили заученный универсальный рецепт — фокусируйся только на ключевой ценности, всё остальное выноси на аутсорс. Но за пару лет мир изменился: прогресс моделей больше невозможно игнорировать, вайб-кодинг перестал быть дорогой игрушкой и начал давать реальную ценность, IT-найм активно перестраивается, а SaaS хоронит каждый второй.
Поменялось ли что-то в одном из самых холиварных вопросов всех времён в 2026 году? Стоит ли тратить силы и время на разработку собственного решения? Попробуем разобраться.
Начать хочу с треда, который недавно попался на глаза:
Почему компания Replit, которая создаёт собственную платформу для разработки ИИ-агентов, не может разработать собственное решение и продолжает пользоваться «чужой» платформой для поддержки пользователей?
К обсуждению подключился основатель и CEO сервиса Plain и озвучил важную мысль — способность что-то «накодить» не всегда является 1:1 тем, что даёт ценность бизнесу.
Ценность для бизнеса заключается в том, что вы берёте его проблемы на себя
В качестве примера он привёл 5 неочевидных проблем при разработке собственного решения, в данном случае хелпдеска:
- Аутлук отображает письма не так, как другие клиенты. Поддержка корректного отображения всех ваших писем во всех почтовых клиентах — теперь ваша проблема.
- Хотите понять медианное время фоллоу-апов по тикетам, которые сломали ваш SLA? Хранение и обработка событий, парсинг, расчёт метрики и аналитика — теперь ваша проблема.
- ИИ придумал ответ? Галлюцинации, эвалы и гардрейлы — теперь ваша проблема.
- Хотите, чтобы ИИ автоматически обучался по хорошим и плохим ответам ваших сотрудников? Создание алгоритма обучения — теперь ваша проблема.
- Клиент несколько раз открывает один и тот же тикет в разных каналах? Дедупликация и объединение таких тикетов — теперь ваша проблема.
Вайб-кодинг не решает напрямую проблемы выше, но вы должны быть экспертом в их решении, при помощи вашего продукта.
ИИ-агенты для разработки дают много возможностей для быстрого старта, но что будет дальше с вашим продуктом? Проживёт ли он дольше 3-4 месяцев?
Начать хочу с очень простого вопроса, но который упускает абсолютное большинство, поддавшись на чары быстрой разработки — кто владеет вашим продуктом, определяет требования, приоритеты и формирует беклог? ИИ может написать код, но не примет за вас ключевых решений по продукту.
Вопрос 1 — У вас есть проектная команда?
Первая версия ИИ-агента на базе RAG готова — ответы выглядят неплохими, но чем больше вы их анализируете, тем больше важных деталей замечаете: неточности, тон, полнота ответа. Улучшение ответов бота требует дисциплины и времени, и наличие готовых инструментов сильно снижает ваши расходы.
Вопрос 2 — У вас есть инструменты для оценки и улучшения качества ответов ИИ-агента?
Вы добились нужного качества в ответах агента, но вдруг на один из вопросов не получили совсем никакого ответа. Кончились деньги на балансе провайдера LLM? Техническая проблема с сервером? Поменялся контракт взаимодействия и температура теперь не поддерживается? Премодерация модели?
Вопрос 3 — В вашей команде есть ответственный за надёжность и отказоустойчивость сервиса для ваших клиентов?
До сих пор мы не касались технических деталей, но они неизбежны. Например, у вас большой набор документов, статей на сайте и инструкций, которые нужно загружать. Поддержка различных форматов, автообновление документов, перестроение индекса, точность скачивания — теперь тоже ваша проблема, как и все сопутствующие технические вопросы и проблемы.
Вопрос 4 — У вас есть специалист c реальным опытом эксплуатации мультиагентных систем?
Наверняка вы захотите, чтобы ваш агент не только отвечал в чате, но и выполнял реальные действия. Например, мог посмотреть историю переписки с клиентом или сделать резюме диалога. Для этого вам понадобятся знания по работе с функциями в LLM-моделях. Также нужно выбрать или написать библиотеку и сами функции, которые вы планируется вызывать. Подключение MCP не решит всех проблем, но создаст новые, потому что теперь вы должны следить за размером контекстного окна, чтобы агент не терял важную информацию, и научить его OAuth.
Вопрос 5 — Понимаете ли вы особенности использования функций и требования к моделям?
После добавления функций всё работает близко к идеалу, но реальный рынок вносит свои особенности и однажды у вас спросят: «Как вы обрабатываете персональные данные (ПД)?».
Наверняка вы используете регулярные выражения, либо он-премис, но что будет, если «регулярки» промахнутся из-за падежей и сложной морфологии и ПД уйдут в обезличенном виде? Либо злоумышленник проникнет в ваш внутренний контур? Дополнительно необходимо проработать сценарии, где необходимо передавать обезличенные ПД в LLM и затем делать обратную замену, например при проверке статуса заказа по номеру телефона.
Вопрос 6 — Вы уверены в отсутствии трансграничной передачи данных при работе с LLM-моделями и сможете ли вы это доказать при проверке?
Финальный босс — это интеграция в ваши процессы. Агент должен работать на вас и усиливать вашу команду и процессы, а не перестраивать их. Архитектура вашего решения должна быть готова к расширению и закрыта к изменению ключевых функций.
Вопрос 7 — Вы уже общались с сотрудниками, которые работают с хелпдесками и чатами, которые вы планируете подключать?
На этом фаза разработки закончена и теперь вам необходимо тестировать и запускать ваш продукт, что наверняка потребует новых доработок и бюджетов, которые необходимо согласовывать с руководством.
Когда писать самим?
В некоторых случаях разработка собственного решения оправдана и необходима:
- Поддержка клиентов и клиентский опыт — ваша ключевая экспертиза, на которой строится ваш бизнес.
- Повышенные требования к информационной безопасности (ИБ) и регуляциям, критически важные сервисы и инфраструктура.
- Осознанный выбор после проведённого исследования и анализа всех плюсов, минусов и подводных камней.
Выбор за вами!