ИИ — прекрасный усилитель. Именно поэтому он опасен.
Если в компании понятный процесс, качественные знания, связанный клиентский контекст и владелец результата, AI может снять рутину, ускорить поиск, помочь сотруднику и масштабировать хорошую практику.
Если статусы противоречат друг другу, база знаний устарела, причины обращений не нормализованы, а эскалация существует только в презентации, AI тоже всё масштабирует. Только быстрее и убедительнее.
В своих материалах я формулирую это жёстко: AI без знаний, процесса и контроля — не инновация, а ускоритель ошибок.
Начинать нужно не с модели
Вопрос «какую нейросеть выбрать?» появляется слишком рано. До него есть пять более важных вопросов.
- Какой конкретный клиентский или операционный сценарий меняем?
- Как выглядит хороший результат до появления AI?
- Откуда система возьмёт контекст и знания?
- Что произойдёт при ошибке или нехватке данных?
- Кто отвечает за эффект после запуска?
Без этих ответов компания покупает демонстрацию возможностей, а не управляемое изменение пути.
Пять слоёв готовности
1. Процесс
Нужны вход, шаги, правила, исключения, владелец и результат. Если два сильных сотрудника решают один кейс принципиально по‑разному, сначала разберитесь, где действительно нужна вариативность, а где отсутствует договорённость.
Автоматизировать хаос можно. Просто он станет дешевле в одной операции и дороже в масштабе.
2. Данные и контекст
AI должен понимать, кто Клиент, что уже произошло, какой статус актуален, какие ограничения действуют и что обещано. Если информация разбросана между CRM, телефонией, email, личным кабинетом и Excel, модель не создаст единую правду из воздуха.
Именно поэтому
сервисный контур CX важнее отдельного бота: он связывает каналы, обращения, знания, ресурс, качество и аналитику.
3. Знания
RAG позволяет модели обращаться к выбранным корпоративным источникам, но не делает плохой источник хорошим. Нужны владельцы статей, версии, сроки актуальности, понятный поиск, правила исключений и обратная связь от пользователей.
Confluence, папка документов или wiki могут быть хранилищем. KMS начинается там, где появляется управляемый жизненный цикл знания. Если знания плохие, AI просто быстрее масштабирует плохой ответ.
4. Контроль и безопасный выход
Человек должен оставаться в контуре там, где есть существенный риск, эмоции, деньги, право, безопасность или репутация. Это не означает вручную подтверждать каждую подсказку. Уровень контроля должен соответствовать последствиям ошибки.
NIST AI Risk Management Framework предлагает управлять AI‑рисками через функции govern, map, measure и manage, а
профиль для генеративного AI отдельно рассматривает управление, тестирование до запуска, происхождение контента и раскрытие инцидентов. Для CX‑практика важен общий смысл: риск управляется на всём жизненном цикле, а не одной проверкой модели перед релизом.
5. Эффект
У use case должна быть исходная линия и набор результатов. Не только «доля автоматизации», но и:
- решение задачи и повторность;
- CSAT или CES конкретного сценария;
- передача человеку без потери контекста;
- качество и критические ошибки;
- время сотрудника и стоимость обработки;
- жалобы, эскалации и инциденты;
- фактический бизнес‑эффект.
Высокая доля ответов бота ничего не доказывает, если Клиенты после него звонят.
Где AI действительно полезен
Я бы начинал с задач, где результат можно проверить и где ошибка обратима.
Copilot для сотрудника
Поиск знания, сводка истории, подготовка черновика, классификация темы, подсказка следующего шага, заполнение полей. Часто это полезнее внешнего бота: AI усиливает человека, а не закрывает Клиенту путь к нему.
Аналитика обращений и отзывов
Кластеризация тем, первичная разметка, суммаризация, поиск новых причин. Но выборка, справочник и проверка качества остаются. Красивый кластер не становится корневой причиной автоматически.
Простое самообслуживание
Стандартная, частая, хорошо описанная задача с понятной передачей оператору. Начинайте там, где знания устойчивы и можно измерить полное решение, а не только завершение диалога.
Проактивная помощь
Сигнал о риске задержки, незавершённом шаге или возможной ошибке. Здесь особенно важны точность триггера, объяснимость действия и возможность Клиента отказаться от ненужного вмешательства.
Паспорт AI‑сценария
Перед пилотом я бы заполнил одну страницу.
- Путь и задача Клиента. Что именно происходит сейчас?
- Проблема. Где лишнее время, повтор, ошибка или потеря контекста?
- Роль AI. Найти, классифицировать, сгенерировать, рекомендовать или выполнить действие?
- Источники. Какие данные и знания разрешено использовать?
- Граница. Что AI не делает никогда?
- Передача человеку. Когда, кому и с каким контекстом?
- Метрики до/после. Клиентские, операционные, качественные и экономические.
- Риски. Ошибка факта, утечка, предвзятость, вредный совет, неверное действие.
- Владелец. Кто принимает решение о запуске, остановке и изменении?
- Контроль. Тестовая выборка, мониторинг, журнал инцидентов и регулярный пересмотр.
Если паспорт не заполняется, use case ещё не созрел.
CCO и CIO: разделить ответственность, а не смысл
CX‑руководитель не обязан обучать модель или строить data lake. Но он обязан понимать, какие клиентские данные нужны, где им нельзя доверять и какое решение поддерживает AI.
Моя рабочая модель такая: CCO владеет логикой опыта и измерения, совместно с IT владеет платформами и данными, влияет на roadmap интеграций, автоматизации, безопасности и AI. Подробнее — в статье
«CCO и CIO: кто владеет цифровым клиентским опытом».
IT обеспечивает архитектуру, надёжность и технический контроль. CX отвечает, чтобы технология не потеряла задачу Клиента. Бизнес‑владелец отвечает за процесс и эффект. Юристы, безопасность и данные подключаются по риску. «Это проект AI‑команды» — плохая модель ответственности.
Итак
ИИ не отменяет зрелость сервиса. Он делает её заметнее.
Сначала путь, процесс, данные, знания, контроль и метрика. Потом модель. Начинайте с проверяемого сценария, сохраняйте человека там, где цена ошибки высока, и считайте полное решение задачи.
Тогда AI масштабирует систему. Иначе — хаос, только теперь он отвечает мгновенно и очень уверенным тоном.