Чем шире ИИ используется в сервисе, тем заметнее растет ценность живого общения. Если еще пару лет назад главным источником раздражения было ожидание ответа оператора, то теперь ситуация изменилась на противоположную. Пользователи нередко готовы подождать, чтобы поговорить с человеком, а не с роботом. Это особенно актуально при критических инцидентах, где ошибка может дорого обойтись как финансово, так и репутационно.
В связи с этим по мере развития ИИ все большее значение приобретает человеческое участие — прежде всего в ситуациях, где возможностей технологий недостаточно. Как это проявляется и на что стоит обратить внимание руководителям техподдержки — рассказал директор Центра профессиональных сервисов VK Tech Максим Лысенко.

Позовите оператора
В 2026 году мировой рынок голосовых помощников на базе ИИ достигнет 13,67 млрд долл. против 12,14 млрд долл. в 2025 году, а в 2034 году — 49,85 млрд долл., прогнозируют аналитики Fortune Business Insights. Значительный вклад в эту динамику вносят корпоративные решения, использующие голосовых помощников как часть системы клиентского сервиса. ИИ помогает сотрудникам служб поддержки оптимизировать часть рутинных взаимодействий с пользователями и более гибко распределять свое рабочее время. По данным исследования Gartner, 85% руководителей служб поддержки и клиентского сервиса этим пользуются — расширяют пул задач сотрудников.
Одновременно в ИТ-сфере сложилось мнение, что автоматизация лишает клиентский сервис человеческого лица, что вызывает у пользователей негативные эмоции. Так действительно может быть, если компания полагается только на генеративную модель или, тем более, чат-бота.
Дело не в том, что ИИ отвечает плохо. Модель быстро и качественно дает ответ на типовые запросы, особенно когда у нее есть утвержденные шаблоны и понятные сценарии. Речь о другом. Когда у клиента форс-мажор, «пинг-понг» с уточнениями и бесконечные запросы логов его раздражают, ему нужен специалист, который проникнется ситуацией, задаст корректные вопросы, примет решения за пределами стандартного сценария и, что немаловажно, проявит эмпатию. В сложных случаях люди хотят говорить с людьми.
Чтобы избежать таких проблем, компании выбирают гибридную модель поддержки. В этом случае ИИ берет на себя рутину, а человек подключается там, где его навыки по-прежнему сложно заменить — в решении нестандартных задач и взаимодействии с клиентом в критических ситуациях.
ИИ для рутины
Прежде чем перейти к роли человека в поддержке, стоит рассмотреть, какие задачи уже сегодня можно передавать генеративным моделям. Один из возможных подходов — управляемый генеративный слой, интегрированный в ITSM-систему. По такому принципу, в частности, выстроено и разработанное в нашей компании решение L0.
Схема обработки обращений может выглядеть следующим образом:
- на первом этапе LLM-модель анализирует запрос;
- если ситуация попадает под один из обученных паттернов — простая консультация, заявка на обслуживание, типовой инцидент, — модель проводит предиктивные проверки и выдает заранее утвержденный шаблон ответа.
В остальных случаях задействуется RAG с ранжированием источников. ИИ собирает ответ динамически, опираясь на актуальную документацию.
Гибридный механизм позволяет одновременно поддерживать высокую скорость реакции на обращения, сохранять качество ответов и минимизировать риск ошибок. В такой системе ИИ не вынесен в отдельную «линию общения с роботом», а встроен прямо в рабочий процесс. Для клиента тогда все происходит бесшовно — он получает ответ, не видя переключений и даже не догадываясь, что текст мог быть сгенерирован ИИ.
Помимо коммуникации с клиентами, L0 автоматизирует ряд внутренних задач. ИИ выявляет дубли, сопоставляя заявки между собой. Если система находит точное совпадение, клиенту сразу отдают готовый ответ, что экономит время инженера.
Также L0 фильтрует спам — распознает подобные обращения и автоматически перемещает их в изолированную очередь. Если в заявке не хватает данных для диагностики, ИИ самостоятельно запрашивает дополнительную информацию и отправляет обратившемуся структурированный шаблон с четкими вопросами.
И, наконец, L0 помогает инженерам — при передаче кейса человеку модель оставляет скрытый комментарий с возможным решением или инструкцией по эскалации.
Когда нужен человек
Опыт показывает, что там, где цена ошибки высока, а для решения требуется глубокое погружение в проблему клиента, участие человека становится критически важным. В случае серьезного сбоя, угрожающего финансовыми потерями и репутационными рисками, пользователю нужен не просто ответ — ему важен специалист, который возьмет ситуацию под контроль. Это требует от инженеров особых компетенций:
- Во-первых, они должны уметь грамотно формулировать уточняющие вопросы и принимать решения за пределами типовых сценариев.
- Во-вторых, им необходимы навыки коммуникации с разными аудиториями, чтобы объяснять сложные вещи простыми словами обычным пользователям и вести профессиональный диалог с разработчиками и DevOps-инженерами. Второй линии поддержки приходится регулярно взаимодействовать и с пользователями без специальной подготовки, и с опытными специалистами в своих областях, поэтому умение говорить на языке собеседника становится одним из ключевых навыков.
Главная цель инженера — реальное устранение проблемы. В этом принципиальное отличие человеческого подхода от работы ИИ. Алгоритмы ориентированы на KPI по скорости и доле автозакрытых обращений, а эффективность работы специалиста оценивают по итоговому результату. Именно человеческий фактор — вежливость, эмпатия, глубина проработки вопроса — играет ключевую роль в восприятии качества клиентского сервиса.
Как подружить ИИ и инженера
ИИ трансформирует суть работы техподдержки. Фокус смещается с обработки рутинных обращений на решение сложных задач. Автоматизация типовых операций освобождает инженеров от повторяющейся работы и позволяет направлять время на профессиональное развитие, поиск нестандартных решений и повышение качества обслуживания.
Однако эффективность ИИ напрямую зависит от того, насколько системно организовано управление знаниями. Важное направление здесь — регулярный анализ пробелов в компетенциях специалистов первой и второй линии. Если первой линии не хватает прикладных навыков, обучение сотрудников проводят инженеры второй линии. При нехватке продуктовой экспертизы к процессу подключаются разработчики. Такой подход формирует непрерывный цикл передачи знаний и позволяет быстрее закрывать профессиональные пробелы.
В этой модели ИИ становится не заменой специалисту, а его рабочим инструментом. Он ускоряет поиск данных в базе знаний, ранжирует источники и предлагает релевантные решения. При этом все большее значение приобретают навыки, которые невозможно свести к автоматической обработке запроса. Речь идет о коммуникации, умении объяснять сложное понятным языком, работе с возражениями и выстраивании диалога с клиентом.
В перспективе ИИ станет естественной частью инженерной среды, а развитие специалистов будет строиться вокруг того, что технологии пока не способны заменить — профессионального суждения, любопытства и способности видеть за отдельной проблемой более широкую картину.
Читайте также:



