Фото: пресс-служба
— По прогнозам компании Global Information (GII), объем мирового рынка услуг обслуживания клиентов — когда компании передают на аутсорсинг функции поддержки или внедряют цифровые сервисы для обслуживания своих покупателей — вырастет с $62,07 млрд в 2025 году до $146,26 млрд в 2033 году. Почему бизнес наращивает инвестиции в этот сегмент?
— Клиентский сервис напрямую влияет на лояльность компании. Например, когда пользователь в первый раз тестирует новый облачный сервис, у него могут возникнуть технические вопросы. И именно опыт их решения во многом определяет дальнейшее отношение к провайдеру: насколько легко получить помощь, приходится ли несколько раз объяснять проблему, знает ли специалист контекст и насколько быстро удается прийти к результату. Чем эффективнее действует служба поддержки, тем больше нагрузок клиент перенесет в облако, а это уже напрямую отражается на выручке провайдера.
— Каковы современные подходы к клиентской поддержке и какие из них могут быть ценными для российских компаний?
— Изучая опыт крупнейших мировых игроков — от облачного подразделения американской Amazon, AWS, до китайской Alibaba, можно заметить общий вектор: переход от реактивной модели к проактивной. Мировые лидеры придерживаются принципа, что лучшая поддержка — та, куда не надо обращаться. Поэтому провайдеры тщательно выстраивают пользовательский путь, готовят подробные информационные материалы, чтобы клиент в стандартных сценариях мог разобраться сам. Поддержка остается лишь для исключительных ситуаций.
Такой подход ценят и российские клиенты — об этом говорят наши исследования, например «Индекс клиентоцентричности IT-компаний», который мы уже несколько лет готовим совместно с Высшей школой экономики. Реактивная модель «клиент сообщил — мы исправили» сменяется проактивной заботой, когда провайдер заранее продумал, в какой точке у клиентов могут возникнуть сложности. Также активно развиваются инструменты мониторинга: чтобы клиент мог самостоятельно отслеживать метрики, касающиеся его бизнеса, уже это снижает количество обращений в поддержку.
Для нас как enterprise-провайдера эта логика особенно важна. Большинство наших клиентов — не просто крупные компании, а организации со сложной структурой, многоуровневыми бизнес-процессами и жесткими внутренними регламентами. В такой среде поддержка — это не только реакция на инцидент: она помогает запускать и настраивать сложные сервисы, оперативно решать возникающие проблемы и выстраивать корректное взаимодействие между технологическими и бизнес-командами. Поэтому качество поддержки напрямую связано с тем, насколько хорошо мы понимаем контекст заказчика и можем предупредить трудности еще до того, как они повлияют на его процессы.
Еще один глобальный тренд — использование искусственного интеллекта (ИИ) в клиентском сервисе. Зарубежные провайдеры в большинстве своем уже внедрили ИИ для общения с клиентами. Сейчас они находятся на этапе оценки эффекта: насколько ИИ справляется лучше живых операторов, насколько это выгодно для компании.
Российские IT-компании сейчас только начинают переходить от тестовых запусков к полноценному развертыванию ИИ-сервисов. Так, по данным совместного исследования Контур Университета, К2Тех и Naumen, обнародованного в июле 2026 года, к 2030 году расходы российского бизнеса на ИИ в клиентском сервисе достигнут 43% от бюджетов контакт-центров, превысив затраты на линейный персонал (37%).
— Как в целом можно определить, что клиентская поддержка работает эффективно?
— Несколько лет назад перед нашей командой клиентского сервиса возникла задача существенно пересмотреть подход к поддержке. Причина — обратная связь пользователей, которым казалось, что их не слышат и, как итог, дают неработающие советы. Параллельно появилась цель снизить зависимость от внешнего подрядчика первой линии поддержки, который берет на себя прием, обработку и решение типовых обращений пользователей, и решать эти задачи внутри.
Первое, с чего мы начали, — пересмотрели подход к тому, что вообще означает хорошая поддержка. Для этого была разработана новая система метрик. Раньше одним из ключевых параметров была скорость реакции на обращение. Но быстрый ответ в духе «Мы зарегистрировали вашу заявку» только запутывает и раздражает клиентов, так как они не понимают, когда и как именно будет решен их вопрос.
Поэтому сейчас в основе нашей системы метрик — оценка результата. Мы смотрим, сколько запросов решается в первый час и в первый день, как часто тикет (цифровая заявка или карточка, которая создается в системе для фиксации обращения клиента. — «РБК Отрасли») открывается повторно по той же проблеме в течение суток, сколько уточняющих вопросов пришлось задать заказчику, чтобы он получил ответ. Всего на данный момент в системе более 20 метрик, которые дают возможность комплексно оценить работу команды.
Одних метрик для эффективной работы поддержки оказалось недостаточно, поэтому следующим шагом стали изменения в подходах к найму. Инженеру обычно интереснее решить техническую задачу, а не вести клиента за руку. Поэтому мы поняли, что для поддержки нужны люди, которые смогут одинаково талантливо разбираться в проблеме и объяснять свое решение так, чтобы его поняли. Эмпатия, умение работать с контекстом и способность говорить понятным языком стали обязательной частью профиля инженера поддержки наравне с техническими навыками.
— Как правильно внедрить ИИ в поддержку?
— Перед тем как передавать задачи агентам, необходимо понять, какой именно путь в реальности проходит обращение: почему иногда запрос уходит не в ту команду или клиенту приходится долго ждать. Когда мы провели такую работу, процессы стали прозрачнее и эффективность выросла еще до масштабного внедрения ИИ.
Далее нужно определить, в каких именно процессах необходим ИИ. Иногда достаточно просто четкого алгоритма действий без какой-либо сложной автоматизации. Мы подошли к его внедрению избирательно: выделили повторяющиеся сценарии с четкими правилами и безопасными границами. При этом на каждом этапе нужно отслеживать, как компании воспринимают инновации. Мы проводим опросы NPS (метрика, которая измеряет лояльность клиентов и их готовность рекомендовать компанию) два раза в год. После внедрения ИИ клиенты стали отмечать, что скорость реакции на обращение и решения проблемы выросли. Сейчас у нас около 10% тикетов закрываются вообще без участия людей.
— Какие конкретно задачи в клиентской поддержке эффективнее переложить на ИИ-агентов, а какие — оставить за человеком?
— ИИ-агенты могут эффективно выполнять несколько типов задач. Прежде всего, это классификация обращений. Запросы обычно приходят из разных каналов, особенно сложно работать с письмами: это слабоструктурированный текст, из которого нужно вычленить тип обращения, конкретный сервис, причины проблемы. Раньше на ручной разбор уходило 15–20 минут, что критично при инциденте. Если на решение критической проблемы есть два часа, тратить 20 минут на сортировку просто нельзя.
Еще одна задача — сбор диагностической информации. Клиент может написать «что-то не работает», но для анализа нужны данные. Теперь агент сам запрашивает нужную информацию и передает инженеру уже готовую заявку.
Также ИИ-агент отлично собирает контекст. Когда инженер открывает тикет, система сразу показывает: с какими проблемами этот клиент обращался раньше, похожие кейсы и статьи из базы знаний, которые могут помочь. Раньше на поиск этой информации уходило 15–20 минут, а с ИИ-помощником — от 30 секунд до трех минут.
Это заметно и при адаптации новых сотрудников: раньше от первого дня в компании до самостоятельной работы с запросами проходило около шести месяцев, сейчас — два-три. Новый инженер получает накопленные знания команды прямо во время работы с тикетом.
Но даже в самой передовой мультиагентной системе обойтись без человека пока невозможно. У клиента обязательно должна быть опция переключиться от общения с ИИ на оператора call-центра или инженера. В сложных случаях только человек способен принять неочевидное решение, которое не заложено ни в один алгоритм. Особенно это важно в премиальной поддержке, когда заказчик ждет персонального подхода.
— Как вы оцениваете влияние ИИ на качество и персонализацию клиентской поддержки в b2b-сегменте?
— Вовлеченность в b2b — это не только про теплый тон. Это способность учитывать историю обращений клиента, специфику его архитектуры и ожидания от коммуникации. В потоке из сотен тикетов держать все это в голове невозможно — ИИ помогает собрать контекст и передать инженеру в нужный момент.
Есть и менее очевидный пример. Инженеры пишут по-разному: кто-то сухо, кто-то слишком вольно. Поэтому было принято решение встроить инструмент выравнивания тона: инженер фокусируется на сути решения, а система помогает сделать ответ понятнее и вежливее. Парадоксально, но мы больше работаем с ИИ именно для того, чтобы быть более человечными.
— По вашим прогнозам, как будет развиваться клиентский сервис в ближайшем будущем?
— Можно выделить два основных направления. Первый — дальнейшее развитие ИИ-агентов и переход к сценарию «агент-агент» (Agent-to-Agent, a2a), когда часть запросов на стороне клиента будет формировать ИИ. Если запрос приходит от агента, логично, что на нашей стороне его тоже должен обрабатывать агент. Это изменит не только скорость поддержки, но и сам формат ее работы: из диалога двух людей она превратится во взаимодействие систем, за которыми стоят люди.
При этом для крупных корпоративных клиентов базовым требованием останется премиум-сервис с живым экспертом. Не исключено, что это потребует создания двух принципиально разных моделей служб клиентской поддержки — каждая со своими тарифами и метриками.