ИИ в поддержке пользователей: конкурент или помощник

Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги.

Распространение искусственного интеллекта в различных отраслях привело к тому, что на рынке труда у соискателей появился реальный страх того, что ИИ их заменит. В определённой степени это подтверждается и тем, что некоторые крупные компании начали сокращать часть персонала, заменяя их чат‑ботами и нейросетями.

Сегодня мы поговорим об использовании ИИ для задач поддержки пользователей, но посмотрим на проблему с точки зрения руководителя отдела поддержки. В частности, попробуем разобраться в том, какие задачи ИИ может выполнять эффективнее человека уже сейчас, а что роботам в ближайшем будущем не светит.

В процессе внедрения ИИ‑инструментов в команду руководитель подразделения может наблюдать одну и ту же реакцию у специалистов:

1. Сначала тревога: «Меня заменят».

2. Потом облегчение: «Он тупой, ничего не может».

3. Потом снова тревога, когда ИИ начинает реально помогать.

Но в реальности правда будет где‑то посередине, и она может оказаться неприятна для тех, кто привык видеть ценность поддержки в скорости ответа на тикет, так как ИИ уже забирает именно эту часть работы.

Но хорошая новость заключается в том, что он не забирает то, что на самом деле делает поддержку ценной.

Что уже заменяется

Давайте для начала разберём некоторую специфику выполняемых техподдержкой задач. Дело в том, что значительная часть работы первой линии представляет собой не «поддержку», а маршрутизацию запросов пользователей и поиск информации. И нравится это кому‑то или нет, но здесь ИИ объективно лучше человека.

Например, в одной крупной ИТ‑компании интеллектуальный ассистент смог объединить разрозненные источники знаний в единую систему поиска. Раньше инженеры тратили часы на анализ документации и архивных записей, теперь же получают релевантные разделы и описания похожих проблем за несколько минут.

Время ответа на запросы крупного банка‑заказчика сократилось на 29%.

При этом компания пересмотрела не только процессы, но и мотивационную систему сотрудников, по сути сделав так, чтобы люди действительно пользовались инструментом и пополняли базу типовых решений.

При этом компания пересмотрела не только процессы, но и мотивационную систему сотрудников, по сути сделав так, чтобы люди действительно пользовались инструментом и пополняли базу типовых решений.

То есть здесь речь идёт не о замене людей, а об отказе от поиска иголки в стоге сена в пользу нормального инструмента.

Однако это не единственный пример того, что искусственный интеллект умеет хорошо делать. Также нейросети прекрасно справляются с другими задачами:

• Классификацией обращений по темам и приоритетам.

• Подготовкой черновиков ответов на типовые вопросы (с последующей проверкой человеком).

• Извлечением фактов из документации и истории тикетов.

Кроме того, агенты могут делать подсказки оператору в реальном времени, например указав:

«Похожий кейс был в марте, решение такое».

Если специалист поддержки проводит 60% времени за этими задачами, то ИИ не «съедает» его работу, вместо этого он освобождает время для того, что человек делает лучше.

Здесь руководитель поддержки пользователей может смело полагаться на использование ИИ по той причине, что они лучше справляются с этими задачами. Но не всё так просто, и далее мы поговорим о тех случаях, когда нейросети оказались не на высоте.

Что ИИ заменить не может (и вот тут начинается рост)

В одном из экспериментов продуктовая команда заменила первую линию поддержки на ChatGPT. Через канал поддержки проходило около 20% продаж: люди писали, уточняли детали, менеджеры превращали диалоги в заказы.

После автоматизации доля продаж через поддержку упала с 20% до 3%.

И причина оказалась в том, что просто ИИ отвечал на вопросы. Но не умел вести диалог, слышать сомнение, предлагать альтернативу, снимать возражение, то есть он не «продавал», а только «информировал».

Другая история взята из обсуждения на просторах сети о подключении LLM к поддержке. Пользователи описывают классическое поведение модели: она уверенно выдумывает факты, которых нет, и почти никогда не говорит «я не знаю» (да, инженер техподдержки тоже не должен такое говорить пользователям, но по другим причинам).

При этом один из комментаторов сформулировал решение:

«Если не нашёл в контексте, просто скажи, что не знаешь».

Плюс принудительная верификация ответа перед отправкой.

И здесь обратите внимание, что и то, и другое — это, по сути, работа человека. ИИ не умеет ни ставить себе ограничения, ни проверять себя достаточно надёжно.

Здесь нам также необходимо совместить использование ИИ с человеком. Так, пользователь с проблемой — это не просто запрос, а на самом деле это человек в стрессе. Да, ИИ может написать «я понимаю ваше разочарование», но он не может на самом деле понять и изменить тон разговора, когда человек на грани.

Кроме того, не стоит забывать о суждении в неопределённости. Когда баг не воспроизводится, когда два отдела говорят разное, когда нужно решить, эскалировать или подождать, ИИ даёт варианты, но решение всегда принимает человек.

Или это может быть проблема поиска несуществующей информации. ИИ ищет в том, что ему дали, тогда как человек замечает, что это уже пятый раз за неделю, тут системная проблема, и запускает её решение.

И наконец, вопрос доверия, который заключается в том, что пользователи могут простить человеку ошибку, но если ИИ ошибся и не признал это, он теряет доверие навсегда.

Что освобождается у специалиста и куда с этим расти

Мы начинали эту статью с того, что говорили про задачи, которые ИИ отбирает у людей, делая последних безработными. Если убрать из картины «ИИ отнимает», то остаётся более полезный взгляд на проблему.

А именно: ИИ освобождает время, и вопрос в том, на что его потратить.

Да, там, где раньше специалист искал нужный раздел в документации и архиве тикетов, теперь поиск делает ассистент. Освободившееся время уходит не на поиск, а на разбор сути проблемы, и это первый шаг к экспертизе по продукту, возможность понимать причины, а не симптомы.

Там, где раньше уходили часы на подготовку ответов на типовые вопросы, освобождается время для сложных и конфликтных диалогов. Здесь растёт работа с эскалациями и эмоционально тяжёлыми кейсами, то есть то, что требует активного участия человека.

Сортировка и маршрутизация обращений тоже уходят к ИИ. Но это даёт время замечать повторяющиеся паттерны и задаваться вопросом, почему эти обращения вообще появляются. Именно с этого начинается анализ первопричин.

И наконец, черновики ответов «на подпись» — это не конечный продукт, а материал для проверки и доработки, но именно здесь появляется отдельная профессия под названием инженерия знаний.

Человек решает, что ИИ должен знать, как он должен отвечать и как проверить, что он не врёт. В приведённом выше кейсе мотивацию сотрудников специально перенастроили на пополнение базы типовых решений. И это уже не побочная задача, а новая ценность для компании.

Что делать руководителю

Теперь давайте посмотрим на проблему с точки зрения руководителя отдела поддержки пользователей. Да, можно тупо внедрить ИИ, но тогда есть риски, что команда выгорит от тревоги и разбежится. Потому что «нельзя просто взять и внедрить ИИ».

Вместо этого необходимо пересмотреть цели и мотивацию, то есть KPI. Если специалист знает, что его оценивают по количеству закрытых тикетов, он будет сопротивляться ИИ, потому что он закрывает тикеты быстрее. Вместо этого можно добавить метрику «качество базы знаний» и «доля кейсов, решённых с помощью ИИ‑ассистента», убрав вес «скорость ответа» для сложных категорий.

Своим сотрудникам надо дать время на переход, так как инженер знаний не появляется за неделю. Например, можно выделить 10% времени на проекты по улучшению базы и разбор ошибок ИИ. Это не «дополнительная нагрузка», а инвестиция в то, чтобы через полгода команда работала иначе.

Также можно защитить людей от того самого «ИИ всё сделает». Главный источник выгорания это вовсе не ИИ, а руководство, которое решило, что ИИ всё сделает, и сократило штат. Так в одной компании продажи через поддержку упали в шесть раз, именно потому что кто‑то поверил в «ИИ всё может». И здесь задача руководителя поддержки донести до вышестоящего руководства тот факт, что ИИ ускоряет поиск, но не заменяет суждение. И следить, за тем, чтобы команда не платила за это своим выгоранием.

Куда идти, если «отвечать на тикеты» больше не карьера

Давайте немного поговорим о том, что может предложить руководитель тем сотрудникам, чьи задачи ИИ может выполнять эффективно.

1. Инженер знаний

В первую очередь это специализация — инженер знаний. Человек, который знает продукт и знает, какие вопросы задают пользователи, теперь будет отвечать за то, чтобы ИИ отвечал правильно.

Это включает:

• Написание инструкций.

• Проверку ответов модели.

• Обновление базы при изменениях продукта.

Здесь основными навыками являются структурированное письмо, понимание ограничений LLM, дисциплина проверки.

Срок подготовки: 3–6 месяцев при наличии поддержки руководителя.

2. Специалист по сложным кейсам (L2+)

Так как ИИ забирает себе типовые задачи, людям остаётся нетиповое, то есть баги, которые не воспроизводятся, конфликты интеграций, пользователи, которым нужно не «решение», а «разговор».

Здесь нам потребуется специалист по сложным кейсам (L2+). Это человек, который разбирается в причинно‑следственных связях, а не в скриптах.

И здесь потребуется:

• Системное мышление.

• Умение читать логи и документацию.

• Переговоры.

Срок подготовки: в зависимости от текущей квалификации сотрудника — от 6 до 12 месяцев.

3. Аналитика качества поддержки

Ну и аналитика качества поддержки. Здесь необходимо анализировать, какие обращения ИИ закрывает, какие проваливает, где пользователи возвращаются с тем же вопросом.

Специалист запускает изменения в базе, в продукте или в скриптах. Этот сотрудник является мостом между поддержкой и продуктом.

Здесь требуются:

• Навык работы с данными.

• Понимание метрик.

• Умение формулировать требования.

Срок подготовки: также зависит от текущей квалификации, и подготовка может занять до года.

Общим у всех трёх направлений является то, что вы перестаёте быть «тем, кто отвечает», и становитесь «тем, кто делает так, чтобы отвечать было не нужно», либо потому, что ИИ отвечает правильно, либо потому, что проблема устранена на уровне продукта.

Итог

Подводя итог статьи, заметим, что ИИ не заменит специалиста поддержки, но он может выполнить поиск ответа. И это освобождает время специалистов для решения более сложных задач, таких как понимание причин проблем, работа с людьми в сложных ситуациях, улучшение продукта так, чтобы обращений в принципе становилось меньше.

Карьерный рост в поддержке — это больше переход от исполнения к проектированию баз знаний, процессов и качества.

Кто сделает этот переход раньше, тот перестанет бояться ИИ, а тот, кто будет держаться за скорость ответа на тикет, будет конкурировать с машиной и проиграет.

ИИ освобождает специалистов поддержки от рутины, но как использовать это время, чтобы повысить ценность команды для бизнеса? На курсе «Руководитель поддержки пользователей в ИТ» этой теме уделяется особое внимание.

А на бесплатном открытом вебинаре поговорим о том, как перейти от решения проблем к работе над успехом клиента:

• 17 ноября в 20:00. «Customer Support vs. Customer Success: где заканчивается поддержка и начинается работа с успехом клиента». Записаться.

Только сегодня, 11 ноября, в OTUS действует скидка 20% на курсы и подписку. Подробности — в каталоге.