Руководство требует внедрить ИИ в поддержке. Шесть шагов, чтобы агент закрывал обращения, а не плодил новые

ИИ-агент может быстро обрабатывать сотни обращений, но высокая скорость ещё не означает, что он решает проблемы клиентов. Разбираемся, как внедрить автоматизацию в поддержку, контролировать качество ответов и не превратить экономию времени в поток повторных заявок.

Вторник, 9:15. Руководитель поддержки открывает дашборд и видит: агент закрыл за неделю 1 200 диалогов, среднее время ответа — 8 секунд. Руководство довольно, бюджет на ночные смены сократили. А через месяц в отчёте по качеству появляется то, чего в дашборде нет: число повторных обращений выросло, потому что агент «закрывает» диалог после первого ответа. Три жалобы на одинаковые бессмысленные «отписки». И одно обращение, где агент пообещал клиенту возврат, которого по правилам быть не могло, — последствия разгребал оператор.

Это не антиутопия: так выглядит внедрение ИИ-агента, когда начинают не с процессов, а с кнопки «подключить нейросеть». Разберём, как внедрить агента в поддержку так, чтобы он закрывал обращения, а не плодил новые.

Gartner в октябре 2025 года опросил 321 руководителя служб поддержки. 91% признались, что испытывают давление руководства с требованием внедрять ИИ. Salesforce в отчёте State of Service прогнозирует: в 2025 году ИИ закрывает около 30% сервисных обращений, а к 2027-му эта доля должна вырасти до 50%.

В России картина та же. Согласно опросу «СберАналитики» и «Сбер Бизнес Софт» (ноябрь 2025 года), 39% компаний уже используют ИИ-агентов и ассистентов, а эксперты оценивают: ИИ на первой линии поддержки сокращает расходы на оплату труда до 30–40%. На платформе Yandex AI Studio создано больше 7,5 тыс. агентов, ежедневно запускается около 200 новых, платформой пользуются 40 тыс. компаний — и 86% из них это малый и средний бизнес. По данным Ассоциации ФинТех, в ряде системно значимых банков до 70% типовых клиентских запросов уже обрабатывается без участия сотрудника, а рутинные операции местами автоматизированы на 90%.

То есть вопрос «нужен ли нам ИИ в поддержке» для большинства компаний уже решён. Вопрос другой — как внедрить, чтобы не потерять на этом клиентов.

Часто под «ИИ-агентом» понимают чат-бота, который стал чуть умнее. Разница принципиальная. Чат-бот работает по правилам: «сказали А — отвечай Б». Если вопроса нет в сценарии — бот сдаётся и переключает на оператора.

Агент сам понимает, чего хочет клиент, строит план действий и выполняет их в системах. Пример: клиент пишет «не могу войти в аккаунт и хочу сменить тариф». Бот предложит сбросить пароль и «забудет» про тариф. Агент решит обе задачи в одном диалоге: отправит ссылку на сброс, дождётся подтверждения и оформит смену тарифа.

Из этого вытекают и уровни зрелости. Начинать эксперты советуют с исполняющих агентов — тех, что закрывают типовые задачи: классификация и маршрутизация обращений, обновление данных, ответы по базе знаний. Дальше идут агенты-координаторы (ведут сквозной сценарий через CRM и базу знаний), аналитические (подсказывают оператору в реальном времени) и целевые (получают бизнес-цель вроде «сократить повторные обращения» и сами строят план). Не надо стартовать с последнего уровня.

Платформа Comm100 проанализировала больше 220 миллионов чатов в 18 отраслях: её ИИ-агент обрабатывает 75,3% входящих диалогов, а 44,8% обращений закрываются полностью без человека. Это цифры вендора касательно собственного продукта, но они показывают потолок: на типовых темах автономность реально достигает половины.

Экономика проста: себестоимость обработки одного обращения агентом на порядок ниже, чем оператором, — по оценкам рынка, разница может составлять 10–20 раз в зависимости от сценария. Но есть три оговорки.

Первая: экономия не появляется сама. Если база знаний в беспорядке, агент будет отвечать «примерно», и клиенты пойдут к оператору по второму кругу — а это дороже, чем если бы обращение сразу взял оператор.

Вторая: поддержка самого агента стоит денег. Мониторинг ошибок, обновление знаний, донастройка сценариев — на российском рынке это обычно 10–15% стоимости внедрения в месяц. Дешевле штата операторов, но все равно не бесплатно.

Третья: людям, которые остались, достаются только сложные и эмоциональные диалоги. По тем же данным Comm100, нагрузка на оператора в количестве чатов снижается, но лёгких в очереди больше нет — требования к квалификации растут.

Когда агент подключён к CRM и платёжным системам, у него буквально есть ключ от критичных данных. Четыре правила безопасности:

Отдельная памятка — когда передавать человеку: финансовые операции, удаление и изменение данных, юридические претензии, VIP-клиенты и клиенты в крайней степени недовольства, коммерческая тайна. Здесь агент работает только как помощник оператора.

История Air Canada — прекрасная иллюстрация, почему границы важны. В 2022 году чат-бот авиакомпании пообещал пассажиру скидку по «траурному» тарифу задним числом. Компания отказала, а в суде заявила, что бот — «отдельная сущность, отвечающая за свои действия». Трибунал Британской Колумбии этот аргумент отверг и обязал авиакомпанию выплатить около 812 канадских долларов: бот — часть сайта, и за его слова отвечает компания. Принцип, который суд сформулировал ещё в 2024 году, в 2026-м звучит как правило для всех: что бы ни сказал ваш агент, юридически это сказали вы.

Пара основных показателей, которые путают чаще всего:

Автоматизация при низком проценте решений — это имитация: агент «отвечает», клиент переспрашивает, потом пишет повторно. Отдельно следят за уровнем эскалации (40–60% на старте — норма; если не снижается, агент не учится или база знаний протухла), временем первого ответа и решения заявки, стоимостью решения одного обращения и CSAT. Если автоматизация растёт, а CSAT падает — вы автоматизируете не то.

Это самый чувствительный вопрос — и здесь данные Gartner противоречат «страшилкам». Почти 80% опрошенных руководителей планируют перевести хотя бы часть операторов в новые роли, 84% собираются добавлять новые навыки в профиль сотрудника, а 58% — доучивать операторов до специалистов по управлению знаниями. Речь не о тотальных увольнениях, а о перестройке работы. Появляются роли, которых раньше не было: специалист по работе ИИ-агентов, менеджер знаний, дизайнер диалогов, тренер ИИ, который разбирает ошибки агента на реальных диалогах.

Роли пока формируются, в России они встречаются в основном у лидеров рынка. Но направление задано: рутину забирает агент, человеку достаются сложные диалоги, контроль качества и развитие самой системы.

ИИ-агент в поддержке — это не про замену людей и не про кнопку «подключить нейросеть». Это процесс: вычищенная база знаний, узкая зона применения, пилот, жёсткие границы и метрики, которые показывают не «на сколько обращений ответили», а «сколько решили». Всё остальное — имитация автоматизации, которая обходится дороже, чем её отсутствие.

Технически агент — это надстройка над учётом обращений: он берёт данные из тикет-системы, общается с клиентом и возвращает результат обратно. Так устроен и ИИ-агент в нашем Админ24: он работает как второй пилот — анализирует заявку и предлагает готовый ответ, а финальное решение остаётся за оператором. Намеренно: качество ответа важнее скорости закрытия. Но главная работа всё равно не в подключении агента, а в том, что до него: процессы, база знаний и понимание, где автоматизация помогает, а где мешает.

А как у вас: пробовали использовать ИИ-агента в поддержке? Что закрыли автоматизацией, что вернули людям и что не пошло с первого раза? Особенно интересно, какие обращения вы бы точно не отдали агенту.