Возможно, я всё-таки немного переобулась по поводу ИИ.
Про искусственный интеллект в поддержке сейчас не говорит только ленивый. По крайней мере, если вы крутитесь где-то рядом с этой сферой. Со стороны всё выглядит довольно просто. Берём ИИ, скармливаем ему базу знаний и готово. Операторы больше не нужны, клиент пишет в поддержку, через секунду ему отвечает невероятно умный бот, ещё через пару секунд проблема решена. Клиент счастлив, бизнес счастлив, расходы уменьшились, наступило великое технологическое будущее. Но не все так просто. Сделать бота, который действительно решает проблемы, а не просто стоит забором между клиентом и живым человеком, довольно сложная и дорогая история. Я в неё сейчас как раз довольно глубоко залезла, но рассказывать об этом буду позже, желательно после того, как сама доведу всё до состояния, которым не стыдно хвастаться. Пока мои сотрудники всё ещё работают, массового восстания машин не случилось.
Но вот что действительно изменилось за последнее время: я стала гораздо чаще использовать ИИ не как игрушку в духе «помоги красиво ответить на комментарий», а как полноценный рабочий инструмент.
Например, одна из вещей, с которыми мне сейчас помогают AI-агенты, — поиск и первичная проверка потенциального фрода. Проверять всё это вручную практически невозможно. Есть пользователи, транзакции, контент, огромное количество сигналов и связей между ними. Если посадить человека и попросить внимательно пройтись по всему глазами и головой, быстро понимаешь, что там нужно очень много людей. Рассказывать, что именно мы ищем и по каким критериям принимаем решения, я по понятным причинам не буду. Было бы довольно глупо сначала построить антифрод, а потом написать инструкцию о том, как его обходить.
Но одну цифру назвать могу. Сейчас ИИ делает примерно за 15 минут объём первичной работы, на который человеку потребовалось бы около 11 рабочих часов в день. Причём даже эта цифра не совсем честная в пользу ИИ: часть процесса была автоматизирована ещё раньше, до того как к нему вообще подключался человек.
Второй пример — анализ диалогов поддержки.
За год к нам приходит около 150 тысяч обращений. Конечно, мы и раньше понимали, о чём пишут клиенты. У нас есть тематики обращений, статистика, контроль качества, оценки, выборочная проверка диалогов, мы видим, когда какая-то проблема начинает расти, читаем обратную связь, разбираем отдельные кейсы. Но между «понимать в целом» и «иметь возможность посмотреть на все 150 тысяч разговоров» есть довольно большая пропасть. Человек эту пропасть просто не перепрыгнет, а ИИ может.
Сейчас мы постепенно приходим к постоянному анализу практически всего массива обращений. Пока я не использую это как полноценный автоматический контроль качества сотрудников — это отдельная сложная задача. Меня сейчас гораздо больше интересует другое: что происходит с клиентами. Как они реагируют на проблемы и баги, что их действительно раздражает, о чём они начинают чаще спрашивать, какие изменения замечают, где мы думаем, что всё прошло спокойно, а на самом деле в диалогах уже что-то начинает гореть.
Раньше обратная связь в другие команды часто попадала либо в виде больших агрегированных цифр, либо в виде отдельных историй: «клиенты часто об этом спрашивают», «кажется, им это не нравится», «несколько человек попросили такую функцию». Но человеческое ощущение проблемы довольно плохо подходит для аналитики. Десять одинаковых сообщений за день начинают казаться огромным трендом, а потом открываешь весь массив данных и обнаруживаешь, что на фоне десятков тысяч обращений это буквально несколько человек. И бывает наоборот: проблема не выглядит серьезной и большой, потому что каждый отдельный клиент пишет о ней немного по-разному, а когда собираешь всё вместе, удивляешься объему проблемы.
Именно здесь я и переобулась. Я всё ещё довольно скептически отношусь к обещаниям, что завтра ИИ заменит весь саппорт. Зато всё больше верю в другое — ИИ позволяет делать работу, которую раньше мы не делали вообще.
