AI и технологии в клиентском опыте: от «экзоскелета» к инфраструктуре

Не «где внедрить ИИ», а где он действительно изменит результат. Сначала — задача и экономика. Потом — технология, граница автономности и масштабирование.

Автор: Алексей Шеметов · Head of CX, IEK Group

ИИ — это не обязательно замена человека. Очень часто это экзоскелет. А в зрелой компании — вообще часть инфраструктуры, как электричество.

Когда я впервые много работал с автоматизацией клиентского сервиса, ещё до нынешней генеративной волны, мне уже тогда не очень нравилась идея прикладывать технологию ко всему подряд как «замену человека».

Был простой соблазн: вот оператор — давайте сделаем вместо него бота. Вот специалист — давайте автоматизируем его работу полностью. Вот процесс — давайте «уберём людей».

Иногда это правильно. Но часто гораздо разумнее спросить иначе: как технология может сделать хорошего специалиста сильнее?

Отсюда моя старая формула: ИИ как ассистент, co-pilot, экзоскелет. А дальше уже смотреть, где автономность действительно безопаснее, дешевле и полезнее клиенту.

Сначала усилить. Потом заменять — если вообще надо

Представьте оператора контактного центра. Вместо того чтобы заставлять его держать в голове сотни процедур, модель может в реальном времени:

найти нужную статью базы знаний;
подсказать следующий шаг;
суммировать историю клиента;
предупредить о противоречии;
сформировать черновик ответа;
после разговора сделать резюме и заполнить часть CRM.

То же самое работает в B2B: AI помогает KAM подготовиться к встрече, собрать историю отношений, найти нетипичное изменение в закупках, подготовить account plan. В юридическом сервисе — подать эксперту релевантную практику. В HR — подсветить несостыковки и вопросы для интервью.

В моих старых заметках я называл это «допингом» или «экзоскелетом». Формулировка немного хулиганская, но смысл до сих пор нравится: человек остаётся оператором системы, а технология расширяет его возможности.

У такого подхода есть сильный плюс: его проще внедрять поэтапно. Сначала модель советует. Потом выполняет часть действий. Потом, если качество и риск позволяют, получает больше автономности.

Но augmentation — не религия

Я не считаю, что человек обязательно должен оставаться в каждом процессе.

Если задача простая, массовая, повторяемая и хорошо контролируемая — полная автоматизация может быть лучше. Проверить статус заказа, сообщить баланс, выдать стандартный документ, перенести типовое действие по понятным правилам — зачем обязательно нужен человек?

Поэтому спор «human vs AI» для меня довольно бессмысленный. Нужна не идеология, а архитектура:

какие задачи оставляем человеку;
какие задачи человек выполняет вместе с AI;
какие AI выполняет автономно;
где нужен обязательный human override;
какой риск допустим;
какой бизнес-эффект ожидаем.

Именно это, а не количество купленных AI-модулей, определит качество внедрения.

Конфетно-букетный период закончился

Ещё недавно большинство разговоров про ИИ звучали примерно так: «что это умеет?» и «как это внедрить?».

Сейчас мне гораздо интереснее вопрос:

Где здесь деньги?

Не обязательно только экономия ФОТ. Это может быть:

рост FCR;
сокращение времени до решения;
снижение cost-to-serve;
рост конверсии;
меньше дефектов;
быстрее onboarding;
больше продуктивного времени эксперта;
снижение повторных обращений;
лучшее удержание клиентов.

Но цепочка должна быть. Иначе мы просто финансируем интересную технологическую игрушку.

McKinsey в обзоре ранних внедрений gen AI в customer care пишет примерно о той же проблеме: потенциал большой, но фактическое извлечение ценности у компаний очень неравномерно. Само наличие модели не превращает операцию в результат. Нужны процесс, данные, роли, контроль и change management.

ИИ — инфраструктура. Значит, сначала надо разобраться со своей инфраструктурой

В 2026 году на конференции по контактным центрам я зафиксировал очень простой вопрос: куда именно вы собираетесь внедрять ИИ?

CRM. Телефония. Чаты. База знаний. QA. BI. Речевая аналитика. LMS. Личный кабинет. Боты. ERP. Продуктовые данные. Документооборот.

Вот он — реальный «зоопарк». И если данные внутри него плохо связаны, AI не исправляет архитектуру магическим образом. Он просто получает фрагменты контекста.

Поэтому CX-директору всё сложнее оставаться человеком, который знает только исследования и сервис-дизайн. Я всё больше вижу роль CCO / Head of CX как архитектора цифрового опыта: понимать, какие системы формируют опыт, какие данные в них рождаются и как они соединяются.

На CX Global Day я формулировал это совсем просто: CCO должен уметь говорить с CIO/CTO на одном языке и быть мостом между клиентом, бизнесом и IT.

Результат важнее функций

Одна из самых опасных стадий закупки CX-технологий — демо.

На демо всё умеет всё. Красивый sentiment. Автосаммари. «Next best action». Генерация ответа. Предиктивный churn. Оркестрация пути. Красивые дашборды.

Но платформа не должна выигрывать тендер количеством функций. Я бы сначала фиксировал три вещи:

Бизнес-задача. Что меняем?
Механизм эффекта. Почему эта функция должна изменить результат?
Метрика результата. Где увидим эффект — и за какой период?

А уже потом — API, SLA, безопасность, масштабирование, кастомизация, стоимость владения и так далее.

Иначе очень легко купить «дорогую пустышку» — технологически впечатляющую и управленчески бесполезную.

AI в CX: четыре класса задач

Для себя я сейчас делю применение ИИ в клиентском опыте на четыре слоя.

1. Понимать

анализ звонков и чатов;
классификация обращений;
выявление новых тем;
поиск причин повторных контактов;
объединение VoC и process data.

2. Помогать человеку

agent assist;
поиск знания;
резюме клиента;
черновики;
контроль полноты;
подготовка account plan.

3. Автоматизировать взаимодействие

чат / голосовой AI;
self-service;
стандартные консультации;
типовые действия.

4. Действовать автономно

создать обращение;
перенести заказ;
оформить возврат;
запустить процесс;
оркестрировать следующий шаг без ручного участия.

Чем ниже по списку, тем выше не только потенциальная ценность, но и цена ошибки. Поэтому зрелость внедрения — это ещё и способность правильно выбирать границу автономности.

Клиенту не нужен AI. Клиенту нужен результат

Это кажется очевидным, но вокруг AI снова легко забыть клиента.

Qualtrics в исследовании 2026 года показывает любопытный разрыв: AI уже широко используется людьми вообще, но прямое взаимодействие с AI в customer support заметно менее распространено. В отдельном исследовании клиентского сервиса Qualtrics более чем на 7 000 потребителей отмечает: «понимание» сильнее всего связано с успешным решением вопроса, а AI agents по этому измерению отстают.

Для меня это не аргумент «AI плох». Это аргумент против технологического фетишизма.

Клиент не обязан радоваться, что мы внедрили новейшую модель. Ему важны:

поняли ли его;
решили ли вопрос;
не заставили ли повторять;
быстро ли это произошло;
можно ли доверять результату;
есть ли понятная эскалация к человеку.

Если AI делает это лучше — прекрасно. Если хуже — количество параметров модели клиента не утешит.

Скорость — не единственный критерий

ИИ почти всегда продают через скорость. И это действительно сильная сторона.

Но есть ловушка: быстро дать неправильный результат хуже, чем чуть медленнее дать правильный.

Поэтому для AI-service я бы смотрел одновременно:

resolution / FCR;
время до результата;
CES;
повторное обращение;
ошибки и compliance defects;
доля эскалаций;
CSAT / доверие;
стоимость решения;
качество handoff AI → human.

И отдельно — не ухудшился ли опыт тех сценариев, где мы добились эффективности.

Самый недооценённый риск — слабая управленческая способность

Я всё меньше верю, что главный дефицит компаний — отсутствие AI-инструмента. Инструментов уже более чем достаточно.

Дефицит скорее в другом:

качественно сформулировать use case;
связать его с экономикой;
подготовить данные;
назначить владельца;
изменить процесс;
переучить людей;
поставить контроль качества;
остановить решение, если гипотеза не подтвердилась.

ИИ не отменяет менеджмент. Наоборот — делает плохой менеджмент заметнее.

В своих заметках по итогам исследований рынка я формулировал это ещё жёстче: главный дефицит уже не в AI-инструментах, а в способности внедрять их без потери доверия и без потери экономики. Купить agentic AI проще, чем изменить роли, процессы, систему контроля и компетенции людей вокруг него.

Есть и внешний сигнал в ту же сторону. В исследовании Qualtrics 2026 на более чем 7 000 потребителей «понимание проблемы» оказалось измерением, наиболее связанным с её решением; AI-агенты по этому параметру получили более слабые оценки, чем по дружелюбности. Для меня управленческий вывод простой: containment сам по себе — плохой финальный KPI. Если бот удержал контакт внутри automation, но не понял контекст и не решил задачу, мы автоматизировали фрустрацию.

Поэтому скорость внедрения — не тот показатель, по которому я хотел бы выигрывать. Я бы выигрывал по способности связать технологию с контекстом, качеством решения, handoff к человеку и экономическим результатом.

Как я бы запускал AI-use case в CX

Боль. Что сейчас плохо для клиента / сотрудника / бизнеса?
Текущий процесс. Где именно возникает потеря?
Роль AI. Анализирует, советует, отвечает или действует?
Граница человека. Где обязательна проверка / эскалация?
Данные. Есть ли нужный контекст и качество?
Baseline. С чем сравним?
Метрики. Клиентская + операционная + экономическая.
Пилот. Маленькая зона, понятный риск.
QA. Какими типами ошибок управляем?
Scale / stop. Масштабируем только подтверждённый эффект.

Последний пункт особенно важен. В AI сейчас слишком легко продолжать проект потому, что «мы уже столько вложили». Но sunk cost не должен становиться аргументом за следующий рубль.

Итого

Моя позиция за несколько лет эволюционировала, но не перевернулась.

Сначала я говорил: смотрите на AI как на ассистента, а не как на замену.

Теперь добавляю: AI становится инфраструктурой. И именно поэтому его надо перестать внедрять как аттракцион.

Инфраструктуру не любят за количество кнопок. Она либо даёт устойчивый результат, либо нет.

Так что главный вопрос не «какой AI мы купили?», а какой клиентский и бизнес-результат изменился благодаря ему — и смогли ли мы это доказать?

Мои материалы по теме

Источники и исследования

McKinsey & Company (2024). Gen AI in customer care: Early successes and challenges: mckinsey.com.
McKinsey & Company. The economic potential of generative AI — customer operations use cases: mckinsey.com.
Qualtrics (2026). Consumer Experience Trends Report: qualtrics.com.
Qualtrics (2026). The future of customer service: Measuring and improving agent performance across AI and human channels: qualtrics.com.