Поддержка клиентов

Что отдавать ассистенту

Ассистент первой линии выигрывает не на сложных случаях, а на повторяющихся и скучных: статус заказа, срок доставки, как поменять пароль, какие документы нужны, где найти счёт. Именно они составляют большую часть обращений и именно они не требуют экспертизы.

Разумный старт — не «пусть отвечает на всё», а узкий набор тем с понятным источником ответа. Расширять область стоит по логам: смотреть, какие вопросы люди задают на самом деле, а не какие предполагала команда.

Устройство

flowchart LR
    U["Обращение"] --> C["Классификация<br/>и поиск знаний"]
    C --> A{"Хватает<br/>знаний?"}
    A -- "да" --> R["Ответ<br/>с источниками"]
    A -- "нет" --> E["Эскалация<br/>с контекстом"]
    R --> F["Оценка<br/>и разбор"]
    E --> H["Оператор"]

Четыре решения, которые определяют качество:

Что считается ответом. Границы темы и правило «нет данных — не отвечаем».
Откуда берутся факты. База статей поддержки, документация, статусы из систем. Внутренние регламенты не должны попадать в публичный ответ.
Когда звать человека. Не только при неуверенности, но и при эмоциях, юридических формулировках, угрозе возврата и любой теме, где ошибка дороже ожидания.
Что передаётся при эскалации. История, определено, что уже проверено, найденные заказы. Оператор, начинающий с нуля, — это провал, а не эскалация.

Тон и формулировки

Коротко и по делу. Пользователь пришёл за решением, а не за эссе.
Без корпоративного оптимизма. «Я понимаю, это неприятно» работает; «Мы ценим ваше обращение» — нет.
Не обещать. Сроки, компенсации и исключения берутся из регламента, а не из вежливости модели.
Признавать ограничение. «Уточню у коллеги» лучше выдуманного ответа.
Не имитировать человека. Если пользователь спрашивает «вы бот?», ответ должен быть честным.

Интеграции

Ассистент почти никогда не работает в вакууме:

Helpdesk (Zendesk, Help Scout, Intercom, Freshdesk) — тикеты, история, статусы.
CRM — кто клиент, что покупал, какой тариф.
Заказы и оплата — статус, доставка, возвраты, счета.
База знаний — статьи, которые пишут люди и которые надо поддерживать в актуальном виде.

Через MCP эти интеграции подключаются единообразно, но каждая добавляет риск: ассистент с доступом к заказам может не только прочитать, но и изменить. Права на запись — отдельное решение с подтверждением.

Где ломается

Устаревшая статья. Бот уверенно рассказывает про старую цену возврата. Хуже, чем молчание.
Ответ на «похожий» вопрос. Поиск нашёл соседнюю тему (см. Поиск и reranking), модель достроила ответ.
Утечка между клиентами. Контекст одного обращения попал в другое; фильтры по правам должны стоять до поиска.
Ложная дефлексия. Диалог закрыт как решённый, клиент вернулся через день с тем же вопросом.
Эмоциональный тупик. Формальный ответ на жалобу усиливает негатив; нужен триггер эскалации.
Отсутствие разбора. Без чтения диалогов деградация не видна: метрики стабильны, пока не начнётся отток.

Метрики без самообмана

Метрика	Что показывает	Как испортить
Deflection	Доля обращений без человека	Закрывать тикеты до подтверждения
Повторные обращения	Решён ли вопрос	Считать только в течение 24 часов
CSAT по диалогам с ИИ	Впечатление	Спрашивать только довольных
Время до решения	Скорость	Считать с момента эскалации
Доля эскалаций по причине	Где не хватает знаний	Не размечать причины
Стоимость диалога	Экономика	Считать без затрат на разбор

Здоровая картина: deflection растёт медленно, повторные обращения не растут, эскалации остаются осмысленными. Быстрый рост deflection почти всегда означает, что бот научился закрывать разговор, а не решать проблему.

Связанные материалы

AI-ассистенты — общая архитектура и метрики.
Проверка документов — сценарий, где важнее точность, чем скорость.
Guardrails — защита от инъекций и утечек.
Наблюдаемость — как видеть, что происходит в диалогах.

Материалы и источники

Intercom Fin: как устроен AI-агент поддержки — продуктовая реализация и метрики
Zendesk: AI agents for customer service — сценарии и интеграции
OpenAI: A practical guide to building agents — guardrails и human-in-the-loop
Anthropic: Building effective agents — выбор между workflow и агентом