Сегодня разберём, что даёт внедрение ИИ в обслуживании и сервисе.
Сделаем это на примере трёх компаний: 1 зарубежная и 2 российских.
Поехали сразу к делу.
Кейс № 1. Klarna
Это финтех, специализирующийся на модели оплаты BNPL (Buy Now, Pay Later): купи сейчас, заплати потом. Покупатель получает товар сразу, а оплачивает его частями в течение короткого срока (обычно от нескольких недель до пары месяцев).
Компания запустила ИИ-ассистента на базе OpenAI в 2024.
Кейс интересен тем, что это был не запуск в формате ограниченного пилота, а сразу замена основного процесса.
Компания работает в 23 странах, на 35 языках, естественно, 24/7, и на таком охвате ассистент взял на себя ⅔ всех чатов поддержки. Это было эквивалентно работе 700 фуллтайм сотрудников.
Время решения обращения сокращено с 11 минут до 2 минут.
Повторные обращения сокращены на 25% за счёт более точного решения с первого раза.
Вроде все идеально.
Однако в 2025 гендир компании Семятковский публично признает, что перестарались в попытке покрыть ИИ максимум чатов, и сложные вопросы (споры, эмоции, финансовые трудности клиентов) откатывает обратно на людей. Это такие вопросы, где цена ошибки высока и ситуация не алгоритмизируема. В дополнение к самой сложности решения самого вопроса, передача контекста от робота к оператору страдала, и клиенту приходилось его повторять.
Это единственный публичный кейс такого масштаба, где компания отыграла назад и объяснила почему.
Модель, к которой в итоге пришли: ИИ отрабатывает часто повторяемые простые вопросы (которых большинство), а люди разбирают сложные, при этом у человека в каждом разговоре встроен ИИ-помощник.
Итоговый эффект внедрения с учётом переделки логики: 60 млн долларов экономии в год.
Вывод, который можно сделать из кейса: гибрид человек + машина лучше обеих крайностей (только люди или только боты).
Кейс № 2. Тбанк
Тбанк построил собственный ИИ-стек, в отличие от Klarna, которая взяла готовый сервис у вендора.
Причины прагматичные:
В 2019 году, когда начинали готовых LLM просто не было
Требования в области персональных и коммерческих данных
Независимость от внешнего вендора: когда LLM появились, то выбор пал на открытые модели, как часть стратегии
Важно, что обслуживание было только частью кейса, ИИ также раскатан на скоринг и кредитные решения, антифрод и кибербез.
Сейчас часть решений банк уже продает наружу, то есть ИИ является не только источником экономии или роста продуктивности, а уже становится источником новой выручки.
Чего добились в обслуживании: - Около 45% обращений в чатах закрываются без участия сотрудника. - 40 секунд - среднее время решения вопроса в контакт-центре.
Чего добились в целом от внедрения ИИ в операционные процессы: - Несколько десятков миллиардов рублей прямого эффекта за 2025 год, по словам Константина Маркелова, директора по продуктам и технологиям. - 30% инцидентов в кибербезопасности ИИ обрабатывает сам.
Тбанк не заявлял о развороте подхода, как Klarna, однако они итеративно докручивали логику около 2 лет, это было видно при каждом следующем обращении в банк.
Кейс № 3. Контакт-центр “Открытая линия”
Это аутсорсинговый контакт-центр, 15 лет на рынке, три площадки в России, обрабатывает 7.5 млн минут звонков в месяц.
Что было сделано?
Начали с обучения ИИ для руководителей высшего и среднего звена, выявили самые приоритетные процессы для перестройки, определили ключевые метрики успеха, создали дорожную карту ИИ-трансформации.
Шли функция за функцией в разработке агентов и ассистентов:
Контроль качества звонков был полностью автоматизирован, 10 супервайзеров стали не нужны.
Массовый найм операторов (100 человек в месяц) в части первичного отбора проводит нейроассистент, а человек принимает уже тёплых кандидатов на финальное интервью и контрактование.
Кадровые вопросы про отпуск и другие заявления - также ушли на ассистента, в отдел кадров улетает заполненное и проверенное заявление.
Постобработка звонка: раньше оператор руками заносил суть проблемы, теперь это делает ИИ, время оператора освобождается под следующий звонок.
Стек: локальный доработанный Whisper для распознавания голоса в реальном времени, локальный Qwen для анализа, облачная модель ChatGPT для кадровых вопросов.
Самыми сложными были 2 вещи, по словам Алексея Белова, генерального директора Открытой линии:
достичь качественного распознавания голоса с телефонии из-за фоновых шумов, различий в настройках АТС и кодеков
заменить человека в голосовом канале полностью на ИИ оказалось утопией, пришли к комбинированному решению, когда автосуфлер на лету подсказывает оператору ответ для улучшения качества ответа и его скорости (такие решения часто называются копилотами)
Чего добились:
Количество супервайзеров сократилось с 10 до 0
Количество рекрутеров сократилось с 3 до 1, при этом нанимается больше сотни операторов в месяц
Роль супервайзера, обеспечивающего контроль качества звонка, исчезла
Вывод нового сотрудника сокращается в разы за счёт автосуфлёра, который работает на уровне лучших сотрудников, которые уже работают 3 года
Стабильность голосового решения доведена до 95% - это сопоставимо с человеком
Сокращение времени звонка на 20% без потери качества
Рост метрик у клиентов на примере ресторана в Москве: минута оператора 19 руб. против 16 руб. у ИИ, экономия сама по себе неощутима, но быстрый ответ за 3 секунды даже в нерабочее время дал ресторану 3.9 млн руб. прибыли в месяц.
Сейчас Открытая линия начинает продавать платформу голосовых ассистентов, чтобы рестораны, отели, клиники, автодилеры и застройщики могли собрать своими силами ИИ-ассистента меньше чем за день, база знаний парсится с сайта клиента.