Голосовой агент провалил колл-центр: разбор ошибок

Розничная компания среднего размера запустила голосового ИИ-агента на первой линии колл-центра, чтобы разгрузить операторов. Через месяц пришлось откатывать проект: доля решённых без человека обращений держалась ниже плановой, время до перевода на оператора выросло, а часть клиентов начала бросать трубку на первых секундах разговора. Это типичный сценарий, и его стоит разобрать по шагам — не чтобы отговорить от голосовых агентов, а чтобы показать, где именно они ломаются.

Детали конкретной компании обезличены, поэтому цифры ниже — иллюстрация класса проблем, а не отчёт по одному внедрению. Но набор ошибок повторяется от кейса к кейсу.

Что именно пошло не так

Голосовой агент — это связка из нескольких моделей: распознавание речи (ASR), языковая модель, которая понимает намерение и формирует ответ, и синтез речи (TTS). Проваливается обычно не одна из них, а стыки между ними и логика вокруг.

1. Распознавание не выдерживало реальный звук

На демо всё работало: чистый микрофон, ровная речь, тихая комната. В проде — звонки из машины, с улицы, с фоновым телевизором, с акцентами и перебивками. Ошибка распознавания на одном ключевом слове (номер заказа, название товара) ломала весь дальнейший диалог. Агент уверенно отвечал не на тот вопрос, потому что не имел механизма усомниться в том, что услышал.

2. Не было честного «я передаю оператору»

Агент пытался довести до конца любой сценарий, даже когда явно не справлялся. Вместо быстрой эскалации он крутил клиента по кругу уточняющих вопросов. Порог перевода на человека настроили слишком высоко — экономия на операторах превратилась в раздражение и потерю клиента.

Хороший голосовой агент измеряется не долей звонков, которые он обработал сам, а долей клиентов, которые остались довольны — включая тех, кого он вовремя передал человеку.

3. Латентность убивала разговор

Пауза в 2–3 секунды перед каждым ответом в тексте незаметна, в живом разговоре — мучительна. Люди начинали говорить в паузу, агент их перебивал или терял реплику. Голосовой канал не прощает задержек, к которым чат-бот в мессенджере относится спокойно.

4. Галлюцинации в фактах

Языковая модель без привязки к базе знаний компании выдумывала условия доставки и статусы заказов. Для текстового бота это плохо, для голосового — катастрофа: клиент не видит дисклеймеров, он слышит уверенный человеческий голос и верит ему.

Сравнение подходов к автоматизации звонков

RAG^* здесь — не украшение, а условие того, чтобы агент отвечал по фактам из базы компании, а не из общих знаний модели.

Что стоило сделать иначе

1. Начать с узкого сценария. Не «вся первая линия», а один-два частых типовых запроса (статус заказа, часы работы), где ошибка дешёва и проверяема.
2. Подключить данные с самого начала. Агент без доступа к CRM и базе знаний обречён выдумывать. Интеграция важнее красоты голоса.
3. Настроить агрессивную эскалацию. При двух неудачных попытках понять клиента — сразу человек. Метрика успеха — удовлетворённость, а не автономность.
4. Тестировать на грязном звуке. Записи реальных звонков с шумом, акцентами, перебивками — до запуска, а не после.
5. Мерить латентность как ключевой параметр. Цель для голоса — ответ быстрее секунды, иначе разговор рвётся.
6. Мониторить постоянно. Выборочное прослушивание диалогов и разметка ошибок первую неделю ежедневно.

Кому голосовой агент пригодится, а кому нет

Пригодится, если у вас большой поток однотипных обращений: проверка статуса заказа, запись на приём, подтверждение брони, ответы на часто задаваемые вопросы с чёткой базой знаний. Здесь агент снимает нагрузку и окупается.

Скорее навредит, если обращения сложные и эмоциональные (жалобы, отмены, споры о деньгах), звук в канале плохой, а базы знаний с актуальными данными нет. В таких условиях агент будет злить клиентов быстрее, чем экономить бюджет.

Отдельный случай — исходящие звонки. Здесь голосовой агент чаще воспринимается как спам, и требования к прозрачности (представиться как ИИ) и к согласию клиента строже. Проверяйте это до запуска обзвона.

^* RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает нужные данные из внешней базы знаний или документов, а не полагается только на то, что запомнила при обучении. Это снижает выдумывание фактов.