Поддержка на ИИ-агентах: разбор кейса и его пределы

Идея звучит просто: подключить к базе знаний и CRM набор ИИ-агентов, которые сами читают обращение, находят ответ, при необходимости оформляют возврат или заводят тикет — и закрывают до 80% запросов без человека. Публичные кейсы такого рода уже есть: компания Klarna в феврале 2024 года заявила, что её ассистент на технологиях OpenAI за первый месяц обработал 2,3 млн диалогов, что она приравняла к работе 700 агентов на полную ставку (данные из пресс-релиза самой Klarna, независимой проверки цифр не публиковалось). Разберём, как устроен полностью агентный отдел поддержки, что в нём работает, а что ломается на практике.

Из чего собирается автономная поддержка

Под «отделом на агентах» обычно понимают не одну модель, а связку из нескольких компонентов, каждый из которых отвечает за свой шаг. Ключевое отличие от старого чат-бота на сценариях — модель сама решает, какой инструмент вызвать, а не идёт по заранее нарисованному дереву.

• Классификатор входящего — определяет тему обращения и язык, отсекает спам.
• Поисковый слой (RAG)¹ — подтягивает релевантные куски из базы знаний, чтобы ответ опирался на документы компании, а не на общие знания модели.
• Агент-исполнитель — формулирует ответ и при необходимости вызывает инструменты: проверку статуса заказа, оформление возврата, создание тикета.
• Слой эскалации — по заданным правилам или по неуверенности модели передаёт диалог человеку.

Инструментами выступают API вашей CRM, биллинга и складской системы. Именно от их качества зависит, сможет ли агент реально что-то сделать, а не только рассказать пользователю, что делать самому.

Что показывает реальный кейс

Возьмём типичный сценарий для интернет-магазина среднего размера: около 15 000 обращений в месяц, первая линия из шести операторов, темы — статус заказа, возвраты, вопросы по оплате. После внедрения агентной поддержки картина обычно выглядит так.

Первое, что закрывается почти полностью, — повторяющиеся фактические вопросы. «Где мой заказ», «как оформить возврат», «почему списали дважды» — здесь у агента есть и данные (через API), и регламент (через RAG). Второе — ночные и пиковые нагрузки: агент не уходит на обед и одинаково отвечает в три часа ночи.

Ломается всё там, где нужен контекст за пределами базы: нестандартный спор, эмоционально заряженный клиент, ошибка на стороне самой компании, которую надо признать и компенсировать. Здесь автономность превращается в риск: агент либо уверенно выдаёт неверное решение, либо бесконечно извиняется, не эскалируя.

Полная автоматизация первой линии — это не «убрать людей», а перераспределить их: снять рутину и оставить операторов на сложных 15–20% диалогов, где цена ошибки высокая.

Метрики, которые стоит смотреть

Доля автономно закрытых обращений (deflection rate) сама по себе лукава: агент может «закрыть» диалог, оставив проблему нерешённой. Смотрите её в связке с повторными обращениями по той же теме и с CSAT (оценкой удовлетворённости). Если deflection растёт, а повторные обращения тоже — вы не автоматизировали поддержку, а спрятали проблему.

Сравнение подходов

Ниже — три типовых способа автоматизировать первую линию. Конкретные цены платформ меняются часто, поэтому здесь только порядок величин и модель тарификации; актуальные ставки сверяйте на страницах вендоров.

Отдельно отметим тарификацию «за решённое обращение»: в 2024 году её начала продвигать Intercom со своим агентом Fin (около 0,99 доллара за автономно решённое обращение по данным компании, дату и валюту сверяйте на сайте). Модель прозрачная, но при больших объёмах может выйти дороже подписки — считайте на своих цифрах.

Кому это пригодится, а кому нет

Пригодится, если у вас:

• большой поток однотипных запросов и внятная, актуальная база знаний;
• API, через которые можно реально выполнять действия, а не только читать статусы;
• терпимость к периодическим ошибкам на нечастых сценариях и настроенная эскалация.

Скорее навредит, если у вас:

• каждое обращение уникально и требует юридической или медицинской точности — цена галлюцинации слишком высока;
• база знаний устарела или её нет: агент будет уверенно выдумывать;
• маленький объём (пара сотен обращений в месяц) — интеграция не окупится, дешевле оставить людей.

Промежуточный, самый безопасный вариант на 2024–2025 годы — агент как «второй пилот» оператора: он готовит черновик ответа и подтягивает данные, а человек одним кликом отправляет или правит. Скорость растёт, а ответственность остаётся на сотруднике.

¹ RAG (retrieval-augmented generation) — подход, при котором модель перед ответом ищет релевантные фрагменты в вашей базе документов и опирается на них, а не только на то, что «запомнила» при обучении. Это снижает выдумывание, но не устраняет его полностью.