Эволюция поддержки: от правил к AI-агентам
Ключевые тезисы
Переход от дискретных ботов на правилах (if/else) к континуальным AI-агентам, понимающим контекст.
AI пронизывает весь путь клиента в поддержке: от первого ответа до помощи оператору.
Главные вызовы внедрения: адаптация инфраструктуры, создание контекста и построение пайплайнов качества.
Ключевой инсайт: Не разделять процессы для людей и AI. Сразу строить инфраструктуру, готовую и для тех, и для других.
Контекст: Уникальная роль поддержки в Т-Банке
- В банке не было отделений, поэтому саппорт — единственная точка контакта с клиентом по любым вопросам.
- Поддержка отвечает не только на технические проблемы, а на абсолютно любые запросы пользователей.
Как устроена AI-поддержка
- Первый контакт: С клиентом общается AI-агент.
- Перевод на человека: Если тема сложная или не хватает контекста, агент передаёт диалог оператору.
- Выбор оптимального оператора — это тоже отдельный AI-продукт.
- Копилот для оператора: Даже когда отвечает человек, у него есть AI-помощник, который:
- Подсказывает лучшие ответы.
- Сглаживает тональность, если у оператора плохое настроение.
Эволюция: от правил к контексту
- Было (
if/else): Дискретный набор жёстких сценариев. Бот отвечал только на заранее прописанные вопросы. - Стало (LLM): Континуальный мир. Модели получают структурированный контекст (например, политики компании, описание действий) и самостоятельно решают сложные комбинированные кейсы.
Пример: Раньше под запрос "Если не привезёте до пяти, отмените заказ" нужно было писать отдельное правило. Теперь модель, зная, как делать отмену и понимая контекст, решает сама.
Три ключевых этапа перехода на AI (пройдено ~20%)
Адаптация инфраструктуры- Все backend-сервисы и API должны быть переписаны как "инструменты для роботов" — понятные и удобные для AI.
Создание структурированного контекста- Нужно уйти от бизнес-правил и описать процессы в виде чётких, структурированных документов (например, в Markdown), чтобы модель понимала, как действовать.
- Это сложная задача, для решения которой создавались специальные копилоты и агенты.
Построение пайплайнов качества- Самая сложная часть. Необходимо измерять, как и где ошибается модель, и оценивать критичность ошибок для бизнеса.
- Пример проблемы: Модель может сказать "Я вернул деньги", но не вызвать соответствующий API. Клиент будет обманут, а стандартные проверки этого не заметят.
- Решение: Полный пересмотр операционных процессов и методов контроля качества, чтобы проверять AI так же тщательно, как и людей.
Рекомендации для старта с нуля
- Не создавайте отдельные процессы для людей и AI. Стройте единую инфраструктуру, где и те, и другие работают по одним принципам.
- Обучение человека и "обучение" модели схожи: даёшь общий контекст, принципы и инструменты, а дальше они действуют на основе этого.
Наследие (Legacy): Плюсы и минусы
- Плюсы:
- Уже были эксперты с глубокими знаниями процессов.
- Был большой трафик, что позволяло на основе данных понимать приоритеты автоматизации.
- Минусы:
- Существующая система не была адаптирована под LLM.
- Потребовались силы на изменение мышления команды и принятие стратегии AI-first (не "только AI", а "в первую очередь готовые к AI процессы").
Личный воркфлоу: Как AI экономит время
- Написание отчётов после собеседований: Раньше 2 часа на составление. Теперь — запись интервью, транскрибация, отправка текста модели с промптом. Остаётся только на 20-30% отредактировать готовый отчёт.
Скрининг резюме: Для отбора 600 человек из 4500 заявок:- Вручную проверил 100 анкет, дал комментарии.
- Обучил на этих 100 примерах модель оценивать так же.
- Модель отобрала топ-600, их проверка заняла минимум времени.
- Фидбек на документы (типа PRD):
- Выявил часто повторяющиеся замечания.
- Создал AI-бота ("Что сказал бы Даниэль?"), который оценивает документы по заданной шкале.
- Правило: "Пока бот не одобрит (скор >80%), не показывайте мне документ".
Будущее: Переход в индустрию генерации видео
- Уход в компанию Hixlti, которая меняет индустрию, позволяя легко и дёшево генерировать и монтировать видео с помощью AI.
- Версия: Молодость (25-45) — ключевое время для создания чего-то прорывного, и генеративное видео — одна из таких возможностей.
Выводы
- AI трансформирует поддержку из реактивной службы в проактивную, контекстно-aware систему.
- Успех зависит не от модели, а от готовности инфраструктуры, качества контекста и системы контроля.
- Главный тренд: Стирание границ между человеческими и AI-процессами, создание гибридных, эффективных систем.