Как внедрить ИИ, чтобы принести пользу поддержке и клиентам

Сотрудники поддержки ежедневно сталкиваются с потоком заявок и необходимостью погружаться в контекст каждого инцидента. Как помочь им работать быстрее и качественнее, не увеличивая штат?

В Naumen Service Desk эта задача решается с помощью ИИ-ассистентов — это интеллектуальные инструменты, встроенные в интерфейс системы. Разберемся, как ИИ применяется в службе поддержки и влияет на ключевые KPI.

Для чего внедрять ИИ в службу поддержки

ИИ  помогает справляться с большим потоком обращений, берет на себя рутинные задачи, но не заменяет операторов и инженеров поддержки полностью. Сложные задачи пока остаются за человеком. Кроме того, часть задач можно закрыть возможностями базовой сервисной автоматизации.

Разграничим зоны ответственности между технологиями и людьми, чтобы эффективнее распределить нагрузку.

Задача	Что используется	Что именно делает инструмент
Маршрутизация запросов	Автоматизация	По категории обращения направляет заявку нужной команде без участия человека
Сбор недостающих данных у пользователя	ИИ-ассистент	Задает уточняющие вопросы, собирает полную информацию до подключения оператора
Подведение итогов общения с пользователем	ИИ-ассистент	Обобщает цепочки коммуникации в емкий формат для оператора
Быстрое решение простых типовых вопросов	ИИ-ассистент	Отвечает по сценарию, использует базу знаний и выдает готовое решение
Поиск решения по базе знаний и открытым источникам	ИИ-ассистент + оператор	Ассистент находит релевантные статьи и кейсы, оператор проверяет и адаптирует решение
Обработка эмоционально сложных запросов	Оператор	Человек проявляет эмпатию, гибкость, меняет скрипт диалога

ИИ-ассистент эффективно справляется с типовыми задачами и сокращает среднее время решения заявки. Ключевое условие — качество исходных данных.

Что учесть при внедрении ИИ

Разберем подробнее, какие вопросы стоит задать перед тем, как внедрять ИИ-ассистентов в процессы сервисного обслуживания.

Шаг 1. Проанализировать, с какими запросами работает служба поддержки

Прежде всего необходимо исследовать поток обращений, который разбирает поддержка. Это поможет определиться с объемом работ и понять, целесообразно ли подключать для этого ИИ и какие возможности ему нужны.

Массив обращений стоит проанализировать по трем направлениям.

Общая нагрузка. Внедрение технологий на основе ИИ потребует затрат, которые окупятся при больших масштабах обращений. Если в поддержку приходят 20 запросов в день и команда справляется, то внедрение ИИ, скорее всего, не оправдает себя. А если поддержка разбирает тысячи обращений, то передача даже 30% типовых вопросов поможет ощутимо снизить нагрузку на сервисных специалистов.

Есть ли ответы в базе знаний. Если база знаний содержит устаревшие или противоречивые статьи, ИИ-ассистент не сможет помочь оператору, так как не найдет нужную информацию. Опыт клиентов Naumen показывает, что при хорошо структурированной базе знаний процент корректных ответов ИИ достигает 94%, а в ином случае падает до 50%.

Каналы подачи. Здесь важно, каким образом пользователи связываются с поддержкой. В компании могут использоваться разные каналы: электронная почта, портал самообслуживания, веб-формы, мессенджеры. Необходимо предусмотреть, чтобы ИИ мог обрабатывать запросы из всех источников и предоставлять обслуживание по единым правилам вне зависимости от канала подачи. Это позволяет специалисту поддержки видеть полную историю взаимодействия с пользователем и работать с заявкой в привычном интерфейсе без переключения между системами.

Шаг 2. Убедиться в соблюдении требований к конфиденциальности и безопасности данных

При внедрении ИИ-ассистента важно понимать, как в компании организован доступ к данным. Это позволяет контролировать, кто именно может использовать ИИ-функции при работе с заявками.

Кроме того, если для работы ИИ-ассистента используются большие языковые модели (LLM), важно учитывать, что информация может обрабатываться внешними сервисами. Поэтому необходимо заранее проверить, как регулируется хранение данных: заключено ли соглашение с разработчиком LLM о том, что данные клиентов не сохраняются, и как организован контроль доступа к конфиденциальной информации.

В отличие от систем, предлагающих заменить операторов на ИИ-агентов, Naumen Service Desk нацелен на поддержку и повышение эффективности первой линии, а не на замену. Это снижает риски, связанные с передачей полномочий ИИ: финальные решения всегда остаются за человеком, а модели работают только в рамках настроенных прав доступа.

Шаг 3. Определить место ИИ-ассистента в текущих процессах

Прежде чем внедрять ИИ-ассистента, важно понять, как он впишется в существующие процессы поддержки. В идеальном сценарии изменения минимальны: операторы продолжают работать в привычной системе, а ИИ-функции помогают быстрее обрабатывать заявки.

Например, в Naumen Service Desk ИИ-ассистенты уже встроены в систему и не требуют отдельной интеграции. Они анализируют заявки, предлагают подсказки, ищут ответы в базе знаний и заполняют отчеты. Единственное, что требуется от компании, — подготовить качественную базу знаний и исторические данные, на которых будет обучаться ИИ.

Шаг 4. Оценить качество данных

ИИ-ассистент помогает оператору обрабатывать заявки за счет доступа к внутренним источникам данных.

Технология, которая лежит в основе этой возможности, — RAG (Retrieval-Augmented Generation). ИИ-ассистент сначала находит в корпоративных источниках релевантные фрагменты, а затем на их основе формирует ответ или подсказку для оператора.

В Naumen Service Desk ИИ-ассистенты интегрированы с системой управления знаниями Naumen KMS. Это позволяет оператору получать через специальный виджет готовые ответы, сгенерированные с учетом контекста заявки.

Это позволяет:

• давать ответы, актуальные для конкретной компании;
• ссылаться на конкретные источники информации;
• обойтись без переобучения ИИ — достаточно вовремя обновлять знания.

Тип источников не ограничен: это могут быть структурированные объекты системы и файлы: инструкции, регламенты или ранее решенные заявки.

Шаг 5. Сформулировать ключевые показатели эффективности внедрения ИИ

Перед внедрением любой технологии важно определиться, на какие показатели она повлияет. Когда часть задач поддержки возьмет на себя ИИ, привычные метрики нужно будет модернизировать.

Например, ИИ-ассистенты улучшают ключевые показатели эффективности службы поддержки, которые важны для бизнеса:

1. Скорость обработки обращений (MTTR). ИИ мгновенно находит информацию, которую оператор искал бы вручную.
2. Процент решений с первого контакта (FCR). Оператор получает точные инструкции из внутренней базы знаний или проверенные гипотезы для диагностики.
3. Операционные затраты. Когда рутинные задачи автоматизированы, операторы обрабатывают больше запросов.
4. Удовлетворенность клиентов (CSAT) и воспринимаемую простоту решения проблемы (CES). Клиенты ценят, когда вопросы решаются быстро и без лишних уточнений.

Таким образом ИИ-инструменты становятся стратегическим активом: влияют на скорость, качество и стоимость поддержки, что открывает возможности для масштабирования бизнеса.

Главное

1. ИИ не заменяет оператора, а помогает ему. Он берет на себя рутинные задачи: собирает данные, ищет решения в базе знаний, заполняет отчеты.
2. Безопасность при внедрении ИИ в Service Desk строится на двух принципах: разграничении прав доступа к данным и сохранении контроля за человеком. Это исключает риски несанкционированного использования информации.
3. Внедрение ИИ-ассистента не требует перестройки процессов, если он встроен в привычную среду оператора.
4. Эффективность ИИ напрямую зависит от качества данных. Перед внедрением важно провести аудит базы знаний и исторических данных.
5. Внедрение ИИ влияет на ключевые показатели службы поддержки. MTTR, FCR, CSAT и операционные затраты улучшаются, когда рутинными задачами занимается ИИ.

Готовы оптимизировать сервисные процессы с помощью ИИ? Покажем, как это сделать на примерах в Naumen Service Desk.