ИИ для поддержки: как искусственный интеллект меняет сервис-деск и клиентский опыт

Почему все хотят внедрить ИИ в поддержку? В B2C-поддержке искусственный интеллект уже давно помогает клиентам, крупные интернет-ритейлеры, банки и телеком-операторы сократили нагрузку на операторов, повысили скорость обработки запросов и удовлетворенность клиентов. Чат-боты решают типовые вопросы о статусе заказа, балансе счета или подключении услуг за секунды, освобождая специалистов для сложных случаев.

Успех в B2C-сегменте заставил руководителей корпоративного сектора задуматься: почему внутренние пользователи должны получать менее качественный сервис, чем внешние клиенты? Сотрудники, привыкшие к мгновенным ответам от Алисы или ChatGPT дома, ожидают такого же уровня обслуживания на рабочем месте.

Однако просто перенести B2C-решения в корпоративную среду нельзя. Enterprise-компании сталкиваются с принципиально иными вызовами: сложные бизнес-процессы, специфическая терминология, интеграция с десятками внутренних систем и строгие требования к безопасности данных. Традиционные скриптовые чат-боты и типовые формы оказались неэффективными в B2B-сегменте, где каждое обращение требует индивидуального подхода и экспертного анализа.

Генеративный искусственный интеллект (GenAI) наконец предоставил корпорациям инструменты для автоматизации поддержки, более качественные. В отличие от простых чат-ботов, работающих по заранее заданным сценариям, современные ИИ-системы анализируют корпоративные базы знаний, ведут диалог на естественном языке и принимают решения в контексте конкретного запроса пользователя.

Хотя традиционные подходы к автоматизации поддержки — скриптовые чат-боты и жесткие правила маршрутизации — продолжают использоваться в корпоративной среде, сейчас российские компании могут совершить технологический рывок: каждая четвертая российская компания уже зафиксировала рост производительности более чем на 20% благодаря GenAI. Доступность современных ИИ-решений и растущая экспертиза отечественных разработчиков позволяют внедрять передовые технологии поддержки без зависимости от зарубежных вендоров. При этом отечественные решения учитывают специфику российского бизнеса и требования регуляторов.

В этом материале рассмотрим практический опыт крупных организаций, которые уже трансформируют свои службы поддержки с помощью искусственного интеллекта. Эксперты ФКУ «Соцтех», Президентской Академии и других компаний поделились конкретными результатами и техническими решениями проектов по внедрению ИИ. Также разберем основные технические компоненты GenAI-автоматизации — от векторных баз знаний и технологии RAG до ИИ-агентов и оркестрации моделей — которые позволяют существенно повысить скорость и качество сервиса в корпоративной поддержке.

Зачем используют ИИ в автоматизации клиентской поддержки

Бизнес обращается к искусственному интеллекту, чтобы сократить высокие расходы на персонал в случаях, когда высококвалифицированные сотрудники выполняют рутинные задачи. Это не только экономически невыгодно, но и приводит к снижению мотивации специалистов, текучести кадров и дополнительным затратам на поиск замещающих сотрудников.

Другая проблема, которую бизнес стремится решить, — низкая скорость распространения информации внутри организации. Сотрудники тратят много времени на поиск нужных данных из-за плохо структурированных знаний, что снижает скорость работы службы поддержки и качество обслуживания клиентов.

Когда бизнес не собирает информацию из оперативной деятельности, одинаковые ошибки повторяются регулярно. Специалисты поддержки решают похожие запросы с нуля, не используя опыт коллег при обработке аналогичных заявок. 

Наконец — не самый очевидный, но важный аспект — технологическое отставание негативно сказывается на лояльности персонала. Нейронные сети стали таким же естественным инструментом работы, как Wi-Fi или мобильная связь. Отсутствие современных технологий в рабочем процессе снижает комфорт сотрудников, они не ощущают, что компания развивается. Так затраты на удержание квалифицированного персонала только растут.

Однако важно понимать ограничение: измерять — не значит управлять. Слепое следование KPI без понимания контекста может давать обратный эффект. Именно поэтому такие инструменты, как сбалансированные светофорные карты показателей (TFL), работают не как замена менеджменту, а как расширение его возможностей — делая видимыми те аспекты, которые раньше оставались в слепой зоне, но напрямую влияли на результат.

В чём польза ИИ для техподдержки

Внедрение генеративного искусственного интеллекта в техподдержку приносит измеримые финансовые результаты. Экономический эффект формируется за счет сокращения затрат на персонал, снижения времени простоя сотрудников и повышения скорости обработки запросов.

Другой пример экономии с помощью более знакомого рынку предиктивного ИИ — проект «‎ИИ Анюта»‎ в ФКУ «Соцтех», где нейросеть отвечает за диспетчеризацию обращений. Проект помог организации сэкономить 857 часов рабочего времени специалистов диспетчерского пункта‎. Система обрабатывает 70% всех обращений автоматически за 2 секунды, ранее приходилось тратить по 8–10 минут ручной работы.

Помимо прямых финансовых выгод, ИИ помогает повысить качество обслуживания. Искусственный интеллект анализирует базы знаний компании и предоставляет консистентные ответы на типовые вопросы, исключая человеческий фактор при поиске информации. 

Яркий пример — ИИ-помощник на портале самообслуживания, который устраняет традиционный барьер между пользователями и корпоративными услугами. Раньше сотрудник должен был изучать сложную структуру сервисного портала, разбираться в специфической терминологии разных департаментов, искать нужную услугу среди сотен пунктов каталога с множеством уровней вложенности и заполнять сложные формы. Теперь он просто описывает потребность естественным языком — «Нужен доступ к CRM для нового проекта»‎ — и ИИ автоматически находит правильную услугу, правильный типовой запрос, который может быть назван и описан совершенно иначе, чем спросил пользователь. Система заполняет поля на форме запроса на портале за пользователя и направляет этот запрос на обслуживание сразу профильному специалисту, который сразу готов приступить к выполнению обращения без необходимости выяснения деталей. Корпоративное обслуживание становится таким же простым и интуитивным, как в привычных B2C-сервисах.

Исследование Gartner подтверждает этот тренд: порталы самообслуживания, live-чаты и системы управления знаниями становятся ключевыми инструментами для быстрой и масштабируемой поддержки, опережая традиционные каналы вроде телефона и email. В ближайшее время в SimpleOne запланирован выпуск ИИ-гида на портале самообслуживания ITSM, который поможет пользователю не потеряться в массе информации на портале, объединит интеллектуальный поиск услуг, форм типовых запросов, статей базы знаний, объявлений,  автоматическое заполнение форм через Smart Filling, проактивные подсказки на основе RAG и контекстную помощь с учётом роли пользователя.

Автоматизация позволяет службе поддержки сосредоточиться на действительно сложных задачах, требующих экспертных знаний. Рутинные запросы обрабатываются автоматически, а специалисты занимаются нестандартными инцидентами, консультированием и развитием сервисов.

При этом важным преимуществом становится масштабируемость решения. ИИ-система может одновременно обрабатывать множество запросов без снижения качества ответов, что критично в периоды пиковой нагрузки. В Президентской Академии, где в сезон приемной кампании может приходить до 20 тысяч обращений, создали цифрового сотрудника отдела техподдержки — ИИ Артур. Решение не только помогает маршрутизировать заявки, но и учится на ошибках. Чем больше обращений получит ИИ, тем более точными будут результаты его работы.

Традиционная же служба поддержки требует пропорционального увеличения штата для обработки растущего объема обращений, что становится экономически нецелесообразным при современных темпах роста бизнеса.

Как работает ИИ для поддержки: архитектура и инструменты

Автоматизация поддержки с помощью ИИ требует продуманной архитектуры, объединяющей несколько технологических компонентов. Современные решения, например, GenAI-платформы автоматизации, должны обеспечивать интеграцию с корпоративными источниками знаний, управление различными моделями ИИ и создание удобных пользовательских интерфейсов через визуальные конструкторы.

Рассмотрим, какие инструменты и технологии помогают автоматизировать поддержку.

Workflow-конструктор: визуальное построение процессов с ИИ

Workflow-движок — это визуальный конструктор бизнес-процессов, где ИИ встраивается в процессы как обычный этап. Администратор работает в привычном интерфейсе drag-and-drop, перетаскивая блоки действий и соединяя их в логическую цепочку.

Workflow состоит из блоков, которые выполняются последовательно или в зависимости от условий. Наравне со стандартными блоками автоматизации (IF-условия, циклы, скрипты) появляются AI-блоки, выполняющие интеллектуальные операции: классификацию обращений, генерацию текста, распознавание документов, извлечение данных.

Бизнес-пользователь может настроить процесс с интеллектуальной автоматизацией за 1-2 часа через визуальный конструктор, без программирования.

ИИ-агенты: автономные цифровые сотрудники

ИИ-агенты — это автономные программные модули, способные самостоятельно выполнять задачи без постоянного участия человека. В отличие от традиционных чат-ботов, работающих по жестким сценариям, ИИ-агенты анализируют контекст запроса, принимают решения и выполняют действия в корпоративных системах: создают заявки, обновляют данные в CMDB, инициируют согласования.

Чем агент отличается от чат-бота и ассистента:

Цикл работы агента:

1. Получает цель — например, «Закрой все просроченные заявки со статусом "Ожидание ответа клиента"».
2. Анализирует ситуацию — проверяет статусы заявок в системе, определяет просроченные более 3 дней.
3. Составляет план — определяет последовательность действий: выделить заявки → отправить напоминание → закрыть при отсутствии ответа → уведомить менеджера.
4. Выполняет действия — последовательно реализует шаги через доступные методы.
5. Проверяет результат — оценивает прогресс, корректирует план при необходимости.

GenAI-платформы предоставляют инструменты для создания таких агентов для службы поддержки, механизмы их координации и систему управления жизненным циклом — от разработки до мониторинга работы.

Векторные хранилища знаний и технология RAG

Основой любой ИИ-системы для поддержки выступают векторные базы данных, работающие по принципу Retrieval-Augmented Generation (RAG). Эта технология позволяет нейронным сетям не просто генерировать ответы на основе обучающих данных, а находить релевантную информацию в корпоративных источниках и использовать ее для формирования точных ответов.

Оркестрация моделей ИИ

Современные платформы для ИИ-автоматизации позволяют использовать различные модели ИИ одновременно: от open-source решений до коммерческих российских и зарубежных сервисов. GenAI-платформы работают с ИИ-моделями через унифицированный интерфейс для управления множеством ИИ-нексусов.

Нексус — это не просто модель ИИ, а абстракция более высокого уровня, которая описывает:

• какая LLM-модель используется (ChatGPT, Claude, YandexGPT, локальные модели);
• как к ней обращаться (API endpoints, параметры подключения);
• какие правила поведения применяются (лимиты, права доступа, политики использования);
• какую модальность поддерживает (текст, изображения, аудио).

Преимущества мультимодельного подхода для поддержки:

Low-code инструменты для разработки и настройки

Low-code инструменты для создания ИИ-процессов позволяют быстрее настраивать автоматизацию процессов поддержки. Визуальные редакторы workflow содержат специализированные блоки для работы с нейронными сетями, готовые шаблоны и паттерны интеграции. Разработчики собирают сложные сценарии автоматизации из готовых компонентов без написания кода с нуля.

Современные платформы поддерживают три уровня настройки — от визуального конструктора без кода до Pro-Code для сложных интеграций. Можно использовать гибридный подход: большая часть задач решается быстро через No-Code/Low-Code, а сложные сценарии реализуются через Pro-Code без необходимости переписывать всю систему.

Инструменты контроля безопасности

Один из главных рисков автоматизации через ИИ — непрозрачность решений. Почему ИИ выбрал именно это действие? Какие данные использовал? Можно ли отследить ошибку? Решение: полное логирование всех действий ИИ на уровне платформы.

Каждый запущенный workflow с участием ИИ создаёт запись, где фиксируется:

• когда запущен процесс;
• какие AI-блоки выполнялись;
• какие данные были на входе и выходе;
• кто инициировал процесс;
• результат выполнения (успех/ошибка).

Также фиксируются этапы задач ИИ (AI Task Steps) — детализация каждого AI-действия внутри процесса:

• какой промпт отправлялся в модель;
• какой ответ вернула модель;
• сколько токенов потрачено;
• время выполнения;
• параметры (модель, нексус).

Логирование нужно, чтобы можно было проследить, почему система приняла то или иное решение. Если ИИ ошибся, можно точно увидеть на каком этапе и почему, скорректировать промпт или настройки.

Кроме того, важно наличие Role-Based Access Control (RBAC) для гранулярного управления доступом к ИИ-функциональности. Система ролей определяет четыре уровня прав: 

• просмотр результатов работы ИИ (кто может видеть записи в таблице «Задачи ИИ»);
• запуск AI-процессов (кто может инициировать workflow с AI-блоками);
• настройка AI-блоков (кто может редактировать промпты, выбирать нексусы, менять параметры температуры и итераций);
• доступ к нексусам (какие роли могут использовать какие модели). 

Например, роль «Администратор ИИ» получает полный доступ ко всем нексусам, настройке промптов и просмотру логов всех задач, роль «Оператор поддержки» — только к запуску готовых процессов и просмотру результатов своих задач, а роль «Пользователь» — доступ исключительно к чат-ботам с ограниченным набором лёгких моделей. Это обеспечивает принцип минимальных привилегий: сотрудники получают доступ только к тем ИИ-инструментам, которые необходимы для их работы.

Как автоматизировать: модели внедрения ИИ по линиям поддержки

Для разных задач бизнес может использовать индивидуальный набор инструментов, например:

• Нулевая линия поддержки автоматизируется через интеллектуальные чат-боты, которые принципиально отличаются от скриптовых решений. Используются не жёсткие деревья решений, а анализ запроса пользователя через ИИ. Нейросеть находит релевантную информацию в базе знаний и формирует персонализированный ответ на естественном языке.
• Первая линия поддержки получает ИИ-ассистентов для поиска решений в базе аналогичных инцидентов, автоматические подсказки по классификации обращений и инструменты для работы с многоязычными запросами. Специалисты тратят меньше времени на рутинный поиск информации и могут сосредоточиться на решении проблем.
• Управление знаниями трансформируется благодаря обратному контуру накопления экспертизы. ИИ-агенты анализируют решения, которые специалисты описали при закрытии нестандартных обращений, и автоматически создают статьи для базы знаний. Эти черновики проходят проверку у менеджеров базы знаний перед публикацией, обеспечивая постоянное пополнение корпоративной экспертизы.

Успешные кейсы внедрения ИИ

Ниже — кратко о том, каких результатов крупные компании добились с помощью внедрения ИИ в поддержку. Полные выступления экспертов можно посмотреть на Rutube.

Соцтех — ИИ «Анюта»‎ для государственных услуг

Федеральное казенное учреждение «Соцтех»‎ под ведомством Минтруда России реализовало один из первых в госсекторе проектов автоматизации ITSM-процессов с помощью искусственного интеллекта. Модуль «ИИ Анюта»‎ был создана собственным силами специалистов учреждения на базе PyTorch — полностью самостоятельная разработка без зависимости от внешних вендоров. При этом приходилось работать в условиях сложной ИТ-инфраструктуры.

Результаты проекта:

• 70% обращений обрабатываются ИИ автоматически
• Время обработки: 2 секунды против 8-10 минут ручной работы
• Точность системы: 83,4% при первичной классификации
• 90,1% обращений успешно закрываются без участия человека
• Экономия: 857 часов рабочего времени специалистов за период эксплуатации

Модуль «ИИ Анюта»‎ обслуживает 89 регионов России и работает с 7 информационными системами Минтруда по 16 различным ИТ-операциям.

Президентская Академия РАНХиГС — масштабирование поддержки в образовании

Президентская Академия РАНХиГС, крупнейший вуз в Европе с 50 филиалами, где учится 270 тысяч студентов, использует ИИ для поддержки всех категорий пользователей: студентов, преподавателей и административного персонала.

ИИ-система помогает автоматически классифицировать обращения по различным направлениям технических и сразу же определять правильного исполнителя. Классификация происходит без участия человека. Тем самым первая линия «не трогает руками» больше 72% обращений, приходящих по почте.

Резюме

Генеративный ИИ меняет саму философию корпоративной поддержки: от реактивной обработки заявок к проактивному предотвращению проблем и накоплению организационных знаний.

С точки зрения операционной эффективности генеративный ИИ автоматизирует до 70% типовых обращений, сокращает время обработки заявок в 4-5 раз и высвобождает специалистов от рутинных задач. Компании экономят миллионы рублей на персонале и минимизируют потери от простоев сотрудников. При этом GenAI применим не только для диалога и генерации ответов, но и для классификации и маршрутизации обращений – без необходимости собирать размеченные датасеты и обучать отдельную модель. В кейсах ФКУ «Соцтех» и Президентской Академии для этих задач использовались предиктивные модели – привычный и проверенный рынком подход, тогда как генеративные модели в этой роли только набирают распространение.

С точки зрения качества услуг GenAI обеспечивает консистентность ответов, персонализацию обслуживания на основе контекста обращения и корпоративных знаний, а также масштабируемость без снижения качества в периоды пиковой нагрузки. ИИ не просто быстрее обрабатывает запросы – он делает это точнее, опираясь на всю накопленную экспертизу компании через технологию RAG, и обеспечивает одинаково высокий уровень сервиса для всех пользователей.

Этот подход универсален: технология работает там, где есть три критических условия. Первое – процессная зрелость: хаотичные процессы ИИ только усилит. Второе – качество корпоративных знаний: нейросеть учится на том материале, который есть в организации, будь то 39 тысяч исторических заявок или структурированная Wiki. Третье – культурная готовность команды принять новую роль: не «исполнителей заявок», а «менеджеров знаний», работающих в гибридной модели «человек + ИИ».

Российские компании получают окно возможностей: доступность отечественных LLM-моделей и GenAI-платформ, понятные регуляторные рамки и растущие ожидания сотрудников делают внедрение ИИ-инструментов не технологическим экспериментом, а стратегической необходимостью для сохранения конкурентоспособности.