Большинство команд поддержки изо дня в день отвечают на одни и те же несколько десятков вопросов: цены, сроки доставки, часы работы, статус заказа, пошаговые инструкции. ИИ-агент службы поддержки может снять эти вопросы с вашей команды, но только если он правильно построен. Плохо сделанный бот выдумывает ответы, раздражает клиентов и создаёт больше работы, чем экономит.
В этой статье мы покажем, как строим ИИ-агентов поддержки, которые самостоятельно закрывают до 80% обращений, что представляют собой оставшиеся 20%, как собрать базу знаний, на которой работает агент, как рассчитать экономический эффект для вашей команды и когда от ИИ-агента лучше отказаться совсем. Ключевые цифры взяты из действующего проекта.
Что такое ИИ-агент службы поддержки?
ИИ-агент поддержки – это ассистент, который отвечает на вопросы клиентов в ваших каналах (сайт, WhatsApp, Telegram, электронная почта), опираясь на знания вашей компании. В отличие от прежних чат-ботов на жёстких сценариях, он понимает вопросы в свободной форме, находит нужную информацию в ваших документах и формулирует естественный ответ. В отличие от универсального ИИ-чат-бота, он ограничен тем, что действительно знает ваша компания, и при необходимости передаёт разговор человеку.
Как ИИ-агент закрывает до 80% обращений?
Ключ не в языковой модели, а во всём, что её окружает. Каждое обращение проходит одни и те же шаги:
- Вопрос клиента
- Поиск по вашим знаниям
- Черновик ответа
- Проверка уверенности
- Человек при сомнениях
- Понять вопрос – в том числе с опечатками, смешением языков и несколькими вопросами в одном сообщении.
- Найти ответ в базе знаний – документы, FAQ, прайс-листы, регламенты, прошлые переписки.
- Подготовить ответ только на основе найденного и в тоне вашего бренда.
- Проверить уверенность – полностью ли ответ подтверждается источниками? Не деликатная ли это тема?
- Ответить или передать – при сомнениях агент передаёт разговор вашей команде вместе с кратким резюме.
Этот подход называется генерацией с дополнением найденными данными (retrieval-augmented generation, RAG), и именно поэтому мы называем наших агентов RAG-чат-ботами, а не «ИИ, который знает всё». Именно это не даёт агенту выдумывать: нет источника – нет ответа.
Как выглядит хорошая передача разговора человеку?
Именно в момент передачи клиенты решают, доверять ли вашей ИИ-поддержке. Вот короткий условный пример (не переписка с реальным клиентом) разговора, который начинается с рутинного вопроса, а заканчивается у человека:
Клиент: Здравствуйте, сколько идёт доставка в Австрию? И в прошлом заказе у меня пришла разбитая крышка.
Агент: Доставка в Австрию обычно занимает 3–5 рабочих дней. Мне жаль, что так вышло с крышкой. Повреждённые товары оформляет наша сервисная команда, чтобы организовать замену или возврат денег, – я прямо сейчас передаю ваш разговор коллегам. Пришлите, пожалуйста, номер заказа и фото повреждения, чтобы им не пришлось переспрашивать.
Клиент: Заказ 10482, фото прикрепил.
Агент: Спасибо. Сегодня в рабочее время коллега продолжит разговор здесь. Повторять ничего не придётся.
Почему эта передача удачная: агент отвечает на ту часть, на которую может (срок доставки из базы знаний), распознаёт часть, которую не должен решать в одиночку (претензию о повреждении), собирает то, что понадобится команде, и честно обозначает, чего ждать. Команда получает номер заказа, фото и резюме в одну строку. (Срок доставки здесь условный; на практике он берётся из ваших условий доставки.)
Как собрать базу знаний для ИИ-агента поддержки?
Ещё до того, как в дело вступает ИИ, мы проводим аудит знаний. По нашему опыту, большинство проблем с качеством ответов – это проблемы знаний, а не ИИ, и этот этап влияет на результат сильнее, чем выбор модели.
- FAQ и статьи справочного центра
- Прайс-листы и каталоги услуг
- Условия доставки, возврата и гарантии
- Пользовательское соглашение и условия продажи
- Описания товаров и инструкции
- Обезличенные прошлые переписки
- Знания команды, которые ещё нигде не записаны
Что собирать
Реальные прошлые переписки – лучший источник из всех: они показывают, как клиенты на самом деле формулируют вопросы, какие темы встречаются чаще всего и о чём ваши документы молчат. Попросите команду назвать ответы из серии «это же все знают» и запишите их.
Как структурировать прайс-листы и таблицы
Именно на прайс-листах типовые решения ломаются чаще всего. Если таблицу из PDF разрезать на произвольные фрагменты текста, теряется связь между товаром, его вариантом и ценой, и агент отвечает по чужой строке. Мы превращаем прайс-листы в чистые записи по принципу «одна позиция – одна запись»: товар, вариант, цена, валюта, включён ли налог, срок действия и особые условия. Если цены меняются часто, база знаний должна брать их из системы, где они ведутся, а не из копии.
Что делать с противоречиями
Они есть почти в каждой компании: на сайте написано, что вернуть товар можно в течение 14 дней, в старом PDF – 30, а команда делает так, как нужно клиенту. Перед запуском мы выписываем все найденные противоречия и просим одного ответственного решить, какая версия действует. Устаревшие документы удаляются, а не просто «понижаются в приоритете». У каждого источника появляются владелец и дата пересмотра, чтобы следующее противоречие заметил сотрудник, а не клиент.
Что ещё нужно, чтобы его построить?
Поиск, тон и границы
Документы делятся на смысловые разделы и индексируются, чтобы агент находил нужный абзац, а не просто нужный документ. Мы определяем, как агент говорит (официально или неформально, коротко или подробно), и что он не должен делать никогда: обещать скидки, давать юридические консультации, обсуждать конкурентов. Эти правила мы тестируем, а не просто записываем.
Интеграции
Чтобы ответить на вопрос «где мой заказ?», нужен доступ к системе заказов; чтобы перенести запись – к календарю. Мы подключаем эти системы через API или инструменты автоматизации; варианты разобраны в нашем сравнении n8n, Make и Zapier.
Тестирование на реальных вопросах
Перед запуском мы прогоняем агента через сотни реальных обезличенных вопросов клиентов и оцениваем ответы. В работу он выходит только тогда, когда точность и тон нас устраивают.
Какие обращения может закрыть ИИ, а какие лучше передать человеку?
| Обычно закрывает ИИ | Обычно передаётся человеку |
|---|---|
| Цены, сроки доставки, наличие | Жалобы и эмоциональные ситуации |
| Инструкции и характеристики товаров | Индивидуальные предложения и переговоры |
| Часы работы, адреса, контакты | Юридические, медицинские и финансовые консультации |
| Статус заказа и изменение бронирований (при наличии интеграции) | Нестандартные случаи, которых нет в базе знаний |
| Квалификация лидов и запросы на встречу | VIP-клиенты, если вы предпочитаете личный контакт |
Те 20%, что уходят к людям, – это как раз разговоры, в которых человек действительно что-то меняет. В этом и состоит настоящая польза: ваша команда перестаёт отвечать на вопрос «сколько стоит?» и занимается случаями, от которых зависит лояльность клиентов.
Как рассчитать экономический эффект от автоматизации поддержки?
Чтобы оценить выгоду, не нужны обещания поставщика – нужны четыре цифры из ваших собственных данных поддержки:
Сэкономленные часы в месяц = обращения в месяц × доля автоматизируемых × минуты на обращение ÷ 60
Выгода в месяц = сэкономленные часы × полная стоимость часа сотрудника поддержки
- Обращения в месяц
- × доля автоматизируемых
- × минуты ÷ 60
- × стоимость часа
Условный пример с гипотетическими цифрами, а не результат клиента:
| Параметр | Гипотетическое значение |
|---|---|
| Обращений в месяц | 2 000 |
| Доля автоматизируемых (осторожная оценка) | 60% |
| Среднее время обработки одного обращения | 5 минут |
| Полная стоимость часа | 35 € |
| Сэкономленные часы в месяц | 2 000 × 0,6 × 5 ÷ 60 = 100 часов |
| Выгода в месяц | 100 × 35 € = 3 500 € |
Три правила помогут сохранить оценку честной. Во-первых, не подставляйте 80% только потому, что их достиг наш проект: разметьте выборку из нескольких сотен реальных обращений и посчитайте, на сколько из них можно ответить по задокументированным знаниям. Во-вторых, вычтите текущие расходы: модель и хостинг, а также время команды на проверку ответов и обновление базы знаний. В-третьих, учтите выгоды, которые не измеряются в часах: ответы в нерабочее время, отсутствие очередей в часы пик и команду, которая тратит время на более сложные 20%. Для быстрой оценки в часах воспользуйтесь нашим ROI-калькулятором: укажите, сколько часов вы рассчитываете сэкономить, и вашу почасовую ставку.
Как измерять успех?
С первого дня мы отслеживаем четыре показателя:
- Доля решённых обращений – доля разговоров, закрытых без участия человека. В нашем действующем проекте: 80%.
- Удовлетворённость клиентов – оценка в конце разговора. В нашем проекте: 70% положительных.
- Причины передачи – почему агент передал случай дальше. Это готовый список задач по улучшению базы знаний.
- Точность ответов – выборочные ответы, которые команда проверяет каждую неделю.
Сама по себе доля решённых обращений может вводить в заблуждение: у бота, который никогда не передаёт разговор человеку, «100% решённых обращений» и злые клиенты. Поэтому мы всегда смотрим на неё вместе с удовлетворённостью и причинами передачи.
Может ли один ИИ-агент работать в разных каналах и на разных языках?
Да. Одна база знаний обслуживает чат на сайте, WhatsApp, Telegram, Instagram, электронную почту и голосовой канал. Меняется только формат: в WhatsApp – короткие сообщения без таблиц, в письме – полный структурированный ответ, в голосовом канале – никаких ссылок, по которым нужно кликать.
С многоязычной поддержкой всё так же. База знаний может оставаться на одном языке, а агент отвечает на языке клиента. Важны две детали: цены, юридические формулировки и названия продуктов стоит проверить на каждом языке, на котором вы работаете, а резюме при передаче должны составляться на рабочем языке вашей команды, даже если клиент писал на другом.
Когда ИИ-агент поддержки вам не нужен?
ИИ-агент подходит не каждой команде. По нашему опыту, он обычно не окупается, если:
- Обращений мало. Если команда отвечает на несколько обращений в день, может хватить хорошо поддерживаемой страницы FAQ.
- Почти каждое обращение индивидуально. Проекты под заказ, переговоры и сложные B2B-случаи редко повторяются настолько, чтобы их автоматизировать.
- Знания нигде не записаны, и никто не готов за них отвечать. Без поддерживаемой базы знаний точность быстро падает.
- Ответы – это регулируемые консультации. Юридические, медицинские и финансовые рекомендации должны давать квалифицированные специалисты.
- Некому принимать переданные разговоры. Агент, который передаёт разговор в пустой ящик, хуже, чем отсутствие агента.
Какие ошибки встречаются чаще всего?
- Позволить модели отвечать из общих знаний. Она будет звучать уверенно и ошибаться в ваших ценах. Ограничьте её вашими источниками.
- Нет выхода на человека. Клиенты, которые не могут связаться с человеком, уходят. Сделайте передачу простой и заметной.
- Скрывать, что это ИИ. С августа 2026 года Регламент ЕС об ИИ (EU AI Act) обязывает чат-ботов сообщать пользователям, что те общаются с ИИ; подробнее в нашем руководстве по статье 50 (не является юридической консультацией). Клиентов это не смущает; их раздражают медленные или неверные ответы.
- Запустить и забыть. Товары, цены и правила меняются. Без обновлений точность падает за несколько недель.
- Считать только экономию. Если падает удовлетворённость, экономия исчезает вместе с ушедшими клиентами.
Сколько времени это занимает и что от вас потребуется?
Первый агент для одного канала обычно запускается за несколько недель. С вашей стороны нам нужны доступ к документации и прошлым перепискам, один человек, который знает ответы и может проверить результаты тестов, а также доступ к каналам и системам, с которыми будет работать агент. Если вы обрабатываете чувствительные данные клиентов, агент может работать на локальной модели в вашей собственной инфраструктуре. Подробнее о нашем подходе – на странице ИИ-агенты поддержки.
Хотите узнать, какую долю ваших обращений мог бы закрывать ИИ-агент? Пришлите нам выборку обезличенных вопросов и запишитесь на бесплатную консультацию – мы дадим честную оценку.