ИИ в службе поддержки: подсказки оператору, разбор обращений и обучение базы знаний

Искусственный интеллект в службе поддержки начинается не с покупки бота, а с честного взгляда на то, как устроена работа сегодня. У компаний, которые приходят с этим запросом, поддержка давно живёт в системе: обращения собираются в единой очереди сервис-деска, телефония записывает разговоры, клиентская база ведётся в CRM (CRM, Customer Relationship Management — управление взаимоотношениями с клиентами), срок ответа считается по SLA (Service Level Agreement — соглашение об уровне обслуживания). Но знание почти не живёт в базе знаний: ответ ищут в переписке, у коллег и в голове, резюме обращения пишут в конце смены или не пишут вовсе, а новая статья появляется, когда кто-то выкроил на неё час. Поэтому вопрос 2026 года звучит не «можно ли поставить ИИ на поддержку», а «какие операции в обращении агент закрывает сам, а где остаётся человек».

Роли в поддержке разные, и путать их нельзя. Оператор первой линии отвечает за то, чтобы клиент получил ответ в срок. Вторая линия — за то, чтобы решение было технически верным. Руководитель службы — за то, чтобы одинаковые обращения не решались каждый раз заново, а нагрузка не росла вместе с потоком. Отдел качества и обучения — за то, чтобы знание оседало в базе знаний, а не уходило вместе с человеком. Все четыре роли упираются в одно: пока ответ нужно искать в переписке и в голове, скорость держится на опыте конкретных людей, а не на процессе.

Цифры это подтверждают. По исследованию «Контур Университет» и К2Тех (июль 2026 года; проанализировано 107 проектов развития ИИ в контакт-центрах и подразделениях клиентского сервиса российских компаний, проведены глубинные интервью с 50 директорами по клиентскому сервису), острая нехватка кадров стала главным драйвером цифровизации сервиса: в 29% разобранных кейсов внедрение ИИ продиктовано невозможностью масштабировать бизнес классическим наймом. При этом в успешных проектах нейросети и виртуальные помощники закрывают до 52% обращений клиентов без участия человека.

Коротко

ИИ в службе поддержки — это слой поверх сервис-деска и базы знаний: агент подсказывает оператору ответ в момент обращения, разбирает и маршрутизирует заявки, готовит черновик ответа и резюме для передачи смене, находит дубли и показывает, каких статей не хватает. Разговор с клиентом, решение по спорному случаю и закрытие обращения остаются за человеком. Начать можно с бесплатного разбора стратегии внедрения ИИ в компанию.

Содержание

• Что уже даёт служба поддержки, а что осталось оператору
• Где ИИ в поддержке работает по-настоящему
• Чего ИИ в поддержке не делает
• Какие риски это снимает
• Сколько часов это возвращает: типовой расчёт
• Что остаётся за человеком
• Как это выглядит на практике
• Как внедрить поэтапно
• Что в итоге
• Источники

Что уже даёт служба поддержки, а что осталось оператору

Первая волна цифровизации сервиса в России уже прошла, и она заметна по рынку. По данным ТМТ Консалтинг, объём российского рынка облачных контакт-центров за 2025 год достиг 3,2 млрд рублей, прибавив 19,6% год к году, а на 2026 год аналитики ожидают роста ещё на 19% — до 3,8 млрд рублей; спрос формируют банки, транспортно-логистические компании, промышленные холдинги, федеральный ритейл и электронная торговля (рейтинг рынка облачных контакт-центров, ТМТ Консалтинг и Naumen).

Платформа, очередь, запись разговоров и отчётность — это уже норма, а не преимущество. В топ-79 российских банков голосового помощника на входящих линиях используют 32% организаций, чат-бота — 22%, и автоматизация клиентской поддержки в среднем доходит до 50–60%, упираясь в потолок около 70% на классических ботах, которые понимают запрос по заранее заданным правилам. Агенты на языковых моделях способны поднять этот уровень до 90% (дайджест исследований Naumen по клиентскому сервису).

Но между платформой и решением остаётся слой ручной работы, и он не в диалоге с клиентом, а вокруг него. Обращение нужно прочитать и понять, к какой теме оно относится и на какую линию его отдать. Ответ нужно найти — в базе знаний, в похожем закрытом обращении, в переписке с инженером. После разговора нужно оставить след: что просил клиент, что сделали, что осталось. По исследованию Naumen, резюмирование и контрольный вопрос встречаются лишь в 20% звонков, а имя клиента операторы запрашивают и используют в 31% диалогов — и то, и другое напрямую повышает риск повторных обращений и снижает долю решённых с первого раза.

Именно этот слой — разбор, поиск, черновик и резюме — сегодня и становится участком применения агентов. Диалог с клиентом остаётся человеческим там, где он человеческим быть должен.

Где ИИ в поддержке работает по-настоящему

Разговор про ИИ в поддержке полезно вести не в терминах моделей, а в терминах операций. Ниже шесть операций, где агент действительно снимает ручную работу, и одна, где он пока слабее человека.

Подсказка оператору в момент обращения

Самая ценная операция. Пока оператор говорит с клиентом или читает письмо, агент ищет в базе знаний и в истории обращений подходящий ответ и показывает его вместе со ссылкой на источник: статью, регламент, прошлое обращение с тем же симптомом. Оператор не листает вкладки и не ищет в переписке — он проверяет подсказку и отвечает. Эффект этой операции замерен лучше остальных: по данным вендора Freshworks (отчёт 2025 года построен на анализе более 187 млн обращений из 10 551 организации в 118 странах), при работе с ИИ-подсказками время решения обращения сокращается на 76,6%, а время первого ответа улучшается на 41,1% (бенчмарк службы поддержки Freshworks, 2025).

Важная деталь: цифры вендора описывают верхнюю границу, а не гарантию. В отчёте прямо сказано, что это результат команд, которые выстроили и базу знаний, и правила. Без работающей базы знаний подсказывать нечего.

Черновик ответа по базе знаний и истории обращений

Вторая операция — собрать черновик. Агент формирует текст ответа: что произошло, что нужно сделать клиенту, в какие сроки, с какой ссылкой на инструкцию. Оператор правит формулировки и отправляет. Это не заменяет разговор, но убирает самый скучный участок — набор одного и того же текста в двадцатый раз. Отдельная выгода у новых сотрудников: черновик работает как встроенная шпаргалка, и период, когда новичок боится отвечать сам, сокращается.

Разбор и маршрутизация обращения

Обращения приходят тремя-четырьмя каналами и написаны как угодно: «не работает», «опять то же самое», «прошу ускорить». Агент определяет тему, причину, приоритет и нужную линию, подставляет категорию и отправляет туда, где её решат. Для руководителя это ещё и данные: видно не «много обращений», а сколько из них про одно и то же, какая тема растёт и какой продукт её производит. Именно из этой статистики потом рождается решение — починить причину, а не ускорить ответ.

Резюме обращения и передача смене

Резюме обращения — операция, которую делают последней и хуже всего, потому что на неё не остаётся времени. Агент восстанавливает картину по переписке, записи разговора и действиям в системе: с чем обратились, что проверили, что сделали, что осталось. Резюме попадает в карточку обращения, а не в чей-то личный файл — и следующая смена не начинает разговор с нуля. Это тот случай, когда агент снимает не время, а главную причину повторных обращений.

Поиск дублей и связанных обращений

Один и тот же сбой у клиента часто приходит несколькими заявками — от разных людей и по разным каналам. Агент находит связанные обращения и дубли, показывает их оператору и предлагает объединить, чтобы клиенту не отвечали трижды, а инженер не искал причину заново в каждой заявке. Там, где служба поддержки большая, это экономит не минуты, а часы на разбор инцидента целиком.

Обучение базы знаний: пробелы, устаревшие статьи, частые темы

База знаний стареет молча. Её наполняют в свободное время и правят редко, а расхождение между статьёй и реальностью замечают, когда приходит недовольный клиент. Агент работает в обратную сторону: собирает вопросы, на которые в базе знаний нет ответа, помечает статьи, которые перестали помогать (по ним идут повторные обращения), и предлагает темы для новых материалов и обновления инструкций. Здесь эффект отложенный, но именно он делает остальные операции устойчивыми: подсказка хороша ровно настолько, насколько актуальны статьи под ней.

Где агент пока слабее человека: нестандарт и эмоции

Слабое место предсказуемо. Нетиповое обращение — редкий сбой, нестандартная конфигурация, ошибка, которая встречается раз в год, — агент либо не находит в базе знаний, либо подсказывает неточную статью. Раздражённый или конфликтный клиент читает подсказки как отписку. Обращения с юридическими и финансовыми последствиями требуют ответственного, а не черновика. Такие случаи нужно не «дообучать», а явно передавать человеку целиком, и делать это раньше, чем оператор потратит на подсказку время.

Чего ИИ в поддержке не делает

Границы определяют, где заканчивается проект и начинается ответственность, поэтому их лучше назвать прямо. Как устроены такие агенты и чем они отличаются от чат-бота, мы разбирали в материале ИИ-агенты для бизнеса: что это, где работают и с чего начать, а пример пределов агента в клиентской системе — в разборе amoCRM и AMMA: что умеет ИИ-агент и где его пределы.

• Не заменяет сервис-деск, телефонию и клиентскую базу. Обращение проходит тот же путь, что и раньше: очередь, каналы, правила, сроки. Агент подключается к этим данным, а не строится вместо них.
• Не меняет обязательства. Условия договора, сроки по SLA, компенсации и скидки — это решение человека, а не подсказка модели.
• Не закрывает обращения и не подводит итог от имени службы. Закрытие и оценка качества ответа — за оператором и руководителем.
• Не даёт гарантии безошибочности. Каждая подсказка идёт со ссылкой на источник, и оператор обязан её проверить; первые недели результат подтверждает человек, а не метрика.
• Не чинит базу знаний сам. Привести статьи в порядок, убрать противоречия, назначить владельца у каждого раздела — отдельная работа, и её часто нужно делать первой, до подключения агента.
• Не решает проблему плохих данных. Если обращения регистрируют в двух системах, а темы ставят «на глаз», никакая модель не сделает статистику корректной. Сначала единые правила, потом агент.

Какие риски это снимает

Риски в поддержке считаются не в баллах, а в деньгах, сроке и клиентах, и начинать надо именно с них.

Просроченный ответ по договору обслуживания

В договоре на обслуживание срок реакции и срок решения прописаны цифрами, и за их нарушение предусмотрена ответственность — скидка, неустойка, право клиента на пересчёт стоимости месяца. Опаснее то, что происходит дальше: если просрочки повторяются, клиент пересматривает сам договор. Одна потерянная заявка стоит не часа оператора, а годового контракта, и для сервисного провайдера это основной риск, а не второстепенный.

Клиент, который уходит из-за качества обслуживания

Порог терпения клиента в сервисе низкий, и это измерено. По исследованиям Naumen, 66% клиентов готовы отказаться от бренда, если опыт взаимодействия не выстроен под них, а 55% чувствуют, что общаются не с одной компанией, а с разными группами людей, — из-за рассинхрона между каналами. В банковских линиях клиент в среднем ждёт оператора 107 секунд; когда ожидание и повторные объяснения складываются, уход клиента становится вопросом случая, а не качества продукта.

Повторное обращение из-за потерянного контекста

Клиент звонит второй раз, потому что резюме не оставили, а новая смена не подняла историю. Каждое повторное обращение — это двойная стоимость: первое уже оплачено, а результата нет. По данным Naumen, резюмирование и контрольный вопрос встречаются лишь в 20% звонков — то есть в четырёх из пяти обращений контекст для следующего шага теряется. Это самый дешёвый риск в списке и самый частый.

Знание, которое держится на одном эксперте

В каждой службе есть человек, который помнит, как это лечится. Пока он в отпуске, вторая линия отвечает медленнее, а сроки по SLA держатся на его согласии работать больше. Уход такого эксперта превращается в потерю компетенции сразу для всего контура. Агент не заменяет эксперта, но переносит часть его знания из головы в подсказки и статьи — это и делает контур менее хрупким.

Рост нагрузки при дефиците кадров

По разбору 107 российских кейсов внедрения ИИ в клиентском сервисе главным драйвером цифровизации стала именно нехватка кадров: в 29% проектов внедрение объясняется невозможностью масштабировать бизнес классическим наймом. Поток обращений при этом растёт вместе с клиентской базой. Если снимать эту нагрузку только наймом, стоимость часа сервиса растёт вместе с потоком, а качество падает при первых же пиках.

Ответ, в котором ошиблись

Ошибка в сроке, в инструкции или в условиях обслуживания, сказанных клиенту, возвращается претензией, а иногда и спором о стоимости работ. Отсюда простое правило: агент показывает источник и обоснование, а не «мнение». Формулировки, за которые служба отвечает деньгами, сочиняет человек.

Сколько часов это возвращает: типовой расчёт

Часы и деньги — уже следствие: они появляются потому, что сняты риски выше. Но считать их нужно, иначе проект нечем защитить перед финансовым директором.

Типовой расчёт для службы поддержки с потоком 3 000 обращений в месяц и 14-минутным ручным циклом (прочитать обращение, найти ответ в базе знаний и истории, собрать ответ, оформить резюме). Стоимость часа оператора с налогами берём 550 рублей.

Показатель	Вручную	С агентом
Обращений в месяц	3 000	3 000
Минут на одно обращение	14	6
Часов в месяц на поток	700	300
Часов высвобождается	—	400
Деньги на одной линии, ₽ в месяц	—	220 000

Арифметика открытая: 3 000 × 14 минут = 42 000 минут, или 700 часов; 3 000 × 6 минут = 18 000 минут, или 300 часов. Разница — 400 часов в месяц, при стоимости часа 550 рублей это около 220 000 рублей на одной линии. На трёх линиях (город, филиал, направление обслуживания) — порядка 660 000 рублей в месяц.

Дальше честная поправка, без которой расчёт превращается в обещание. Агент не снимает разницу целиком: часть времени уходит на проверку подсказок, разбор нетиповых обращений и работу с базой знаний. Если в первый проект заложить половину расчётной разницы, остаётся 200 часов и около 110 000 рублей на линии — и это уже цифра, которую можно подтвердить по журналу обращений, а не на словах. Для сравнения: ориентиры бенчмарков выше расчётных (сокращение времени решения на 76,6% и закрытие 65,7% типовых обращений агентами у вендора) — мы сознательно берём более консервативную оценку.

Что остаётся за человеком

• Разговор со сложным клиентом. Конфликт, претензия, эмоции — человек, а не подсказка.
• Решение по спорным случаям. Компенсация, скидка, изменение условий, признание ошибки.
• Оценка качества ответа. Проверка, что подсказка подошла, а ответ был точным.
• Приоритеты и правила. Что считать критичным, кого эскалировать, где граница «сами решаем».
• Владелец знания. У каждой темы базы знаний должен быть ответственный человек, иначе статьи стареют быстрее, чем их переписывают.
• Формулировки с последствиями. Сроки, гарантии, условия — текст утверждает человек.

Как это выглядит на практике

Начинается такой проект не с выбора модели, а с инвентаризации: сколько обращений, по каким темам, какая их доля типовая, где база знаний расходится с реальностью, укладывается ли служба в сроки по договорам.

Обезличенный контур, с которого это обычно видно: у федеральной сети B2B-сервисов запрос начинался не с ИИ, а с данных по филиалам — одинаково ли считают обращения на местах, где теряются заявки, какая линия держит срок по договору. В таких контурах сначала приводят в порядок правила маршрутизации и базу знаний, и только после этого появляется смысл подключать агента: подсказывать оператору нечего, пока статьи противоречат друг другу.

Второй тип контура — сервисный провайдер с распределённой линией: сервис-деск, телефония, несколько каналов (почта, чат, мессенджеры), база знаний в корпоративной вики. Здесь первым участком берут не автоответы клиенту, а помощь оператору: подсказка в момент обращения, черновик ответа и резюме для передачи смене.

Важная оговорка про цифры: измеренных показателей «до и после» по таким контурам у нас нет, и мы их не публикуем. Эффект в первом проекте берётся из отраслевых бенчмарков и открытого расчёта, а базовая линия фиксируется до старта — иначе результат будет нечем подтвердить.

Как внедрить поэтапно

1. Зафиксировать базовую линию. Обращения в месяц по темам, минуты на обращение, доля повторных, срок первого ответа, нарушения сроков по договорам. Без этих цифр проект нечем защищать.
2. Разобрать поток и найти типовое. Какие темы дают 60–70% обращений, в каких из них ответ уже есть в базе знаний, а в каких он живёт только у эксперта.
3. Привести в порядок знание. Свести статьи по самым частым темам, убрать противоречия, назначить владельца раздела. Часто это самая полезная часть проекта — её результат виден и без ИИ.
4. Подключить агента к данным. Сервис-деск, телефония, база знаний, история обращений. Отдельная учётная запись, ограниченные доступы, журнал действий. Общий порядок проекта — в материале Внедрение ИИ-агентов: от аудита до сопровождения.
5. Запустить первый сценарий в режиме подтверждения. Подсказка оператору и черновик ответа: агент предлагает, человек решает. Так видно качество подсказок, и это не пугает клиентов.
6. Расширять по эффекту. Классификация и маршрутизация, резюме обращений, поиск дублей, анализ пробелов в базе знаний. Автоответы клиенту — последними и только там, где базе знаний можно доверять. Состав работ и бюджет такого проекта разобраны в статье Автоматизация бизнес-процессов с помощью ИИ.

Что в итоге

Первыми снимаются риски: просроченный срок по договору обслуживания, клиент, который ушёл из-за качества и ожидания, повторные обращения из-за потерянного резюме, знание, запертое в одном эксперте, рост нагрузки при нехватке кадров, ошибочный ответ с последствиями. Деньги и часы идут вторым блоком: при потоке 3 000 обращений и 14-минутном цикле высвобождается порядка 400 часов в месяц — около 220 000 рублей на линии и порядка 660 000 рублей на трёх, из них в первый проект разумно закладывать половину и подтверждать её по журналу обращений.

Главное, что стоит унести из разбора: поддержка уже автоматизирована на уровне платформы — очередь, каналы, запись разговоров. Ручная работа осталась вокруг обращения: разбор, поиск, черновик, резюме и обновление базы знаний. Именно с этих операций и стоит начинать — и лучше с бесплатного разбора стратегии внедрения ИИ в компанию, чтобы первый участок выбрался по данным, а не по интуиции.

Источники

• Исследование «Контур Университет» и К2Тех (июль 2026 года): проанализировано 107 реализованных кейсов развития ИИ в контакт-центрах и подразделениях клиентского сервиса российских компаний, проведены глубинные интервью с 50 директорами по клиентскому сервису; в успешных проектах нейросети и виртуальные помощники закрывают до 52% обращений без участия человека, в 29% кейсов драйвером внедрения стала нехватка кадров, прогноз структуры расходов контакт-центров к 2030 году — 43% на технологии против 37% на линейный персонал: CNews
• ТМТ Консалтинг и Naumen, рейтинг российского рынка облачных контакт-центров за 2025 год: объём рынка 3,2 млрд рублей, рост 19,6% год к году, прогноз 3,8 млрд рублей на 2026 год: naumen.ru
• Дайджест исследований Naumen по клиентскому сервису: автоматизация банковской поддержки в среднем 50–60% с потолком около 70% на классических ботах и потенциалом до 90% на агентах, голосовой помощник у 32% и чат-бот у 22% из топ-79 банков, резюмирование и контрольный вопрос лишь в 20% звонков, имя клиента — в 31%, ожидание оператора в среднем 107 секунд, 66% клиентов готовы отказаться от бренда без персонализированного опыта, 55% чувствуют рассинхрон между каналами: skorozvon.ru
• Freshworks, бенчмарк службы поддержки 2025 года (анализ более 187 млн обращений из 10 551 организации в 118 странах), данные вендора: сокращение времени решения обращения на 76,6% и улучшение времени первого ответа на 41,1% при работе с ИИ-подсказками, автоматическое закрытие 65,7% типовых обращений, экономия 431 270 часов работы поддержки в год: freshworks.com
• О принципах работы с данными клиентов: Федеральный закон № 152-ФЗ «О персональных данных» — требования к обработке, хранению и доступу: КонсультантПлюс