ИИ в клиентском сервисе 2025: тренды и перспективы

Фрэнк Шихалиев

Куратор ИИ-проектов RGS Lab СК «Росгосстрах»

ИИ-революция или устоявшийся тренд

По оценкам аналитиков Gartner, объем использования ИИ в клиентском сервисе в 2025 году может вырасти сразу на 300% — цифра впечатляющая, но она отражает именно углубление известных трендов. Такой же рост ожидали и в 2023, и в 2024 годах. Компании все больше полагаются на ИИ, и это нормально, однако речь здесь идет не о фантастических прорывах, а о масштабном распространении уже отлаженных решений. Время пилотов постепенно заканчивается, и начинается эпоха промышленной эксплуатации решений, успешно прошедших экономическое обоснование.

Основная задача, которая стоит перед большинством бизнесов, — не совершить технологический прорыв, а научиться практическому внедрению и адаптации ИИ-инструментов там, где они действительно необходимы. И сделать это важно таким образом, чтобы жизнь клиентов стала проще, а общение с ИИ-ассистентом упрощало жизнь, а не наоборот. На сегодняшний день, по данным опроса Accenture, только 18% людей говорят, что технологии улучшили их клиентский опыт. Активное проникновение речевой аналитики в колл-центрах будет способствовать увеличению данного числа.

Гиперперсонализация: собираем портрет клиента

Персонализация давно стала своеобразной мантрой клиентского сервиса. Компании либо активно разрабатывают продукты на основе ИИ, которые могут подстраивать предложения под набор определенных фактов о клиенте, либо используют готовые решения. Классика жанра — рекомендательные системы. У большинства крупных компаний финансового сектора данные системы работают больше 5 лет как на сайтах, так и в мобильных приложениях. Похожие технологии активно развивают в ритейле и e-com.

Даже на неполных данных можно делать выводы о склонностях клиентов: сейчас системы анализируют историю покупок, поведение на сайте и даже то, как и на что клиент тратит деньги. Данная информация, при наличии согласий клиента, может быть перемещена между разными компаниями, что повышает уровень обслуживания, делая его более гармоничным, зачастую незаметно для клиента. С точки зрения алгоритмов, помимо уже зарекомендовавших себя методов коллаборативной фильтрации, развивается применение нейросетевых методов, анализирующих последовательности и графы.

Помимо рекомендательных систем, речевая аналитика становится также незаменимым инструментом для формирования индивидуального подхода к клиенту.

В будущем векторные представления от звонков, текстов, полученных при взаимодействии с клиентом, и, в общем-то, любая информация, оставленная пользователем, будет проверена на значимость и использована для повышения метрик качества обслуживания за счет гиперперсонализации.

Искусственный интеллект как лучший друг для пользователя (эмоциональный ИИ)

Корпорации заинтересованы во внедрении все более качественно «общительных» голосовых помощников, однако, по сути своей, они остаются функциональным инструментом, а не полноценным собеседником. Основной фокус бизнеса на текущий момент — не создать цифрового друга, а эффективно решать проблемы клиентов с минимальными операционными издержками. Самые продвинутые языковые модели вроде ChatGPT пока не интегрированы массово в телефонию или чат-боты из-за высоких требований безопасности персональных данных и иногда стоимости. Поэтому мечты об ИИ-друге с чувством юмора и глубокой эмпатией в клиентском сервисе пока остаются перспективой. У немногих компаний хватит внутренних ресурсов для разработки схожих решений для закрытого контура компании, а решения такого плана во внешнем контуре не являются доступными.

Пока технологии сложных копайлот-ассистентов в конечном счете были и будут завязаны на человеке, ИИ здесь выступает только как «сканер» эмоционального состояния и помощник, но не особо полезен в общении с клиентом самостоятельно. Эмоции по-прежнему остаются одной из сложнейших задач для алгоритмов, особенно юмор, который требует сильного погружения в контекст, знания культурного кода и интуитивного понимания. Генеративные модели умеют генерировать текст шутки, но обычно они далеко не смешные (метрики около 25%), к тому же клиентский сервис сталкивается в основном с проблемами и жалобами клиентов, в этом контексте пытаться делать эмпатичный ИИ с юмором на данном этапе кажется рискованным.

Важно отметить, что большинство клиентов предпочитают текстовые каналы общения с ботом, метрики голосовых ботов, как правило, ниже просто потому, что ошибка накапливается при решении задачи ASR (automatic speech recognition) и при решении, например, целевой задачи классификации намерения пользователя.

Кроме того, важно также понимать, что далеко не все клиенты готовы к дружбе с искусственным интеллектом. В «Росгосстрахе» в 2024 году по результатам роботизированного обзвона выяснилось, что 16% клиентов готовы разговаривать с роботом в любом случае, треть — только если робот проинформирует о действиях по их полису. Остальные участники пилота либо просили переключить на оператора, либо не готовы были общаться в момент звонка.

Сервис до возникновения проблемы

Любой хороший сервис способен предугадать проблему до того, как клиент о ней узнает. Сегодняшние модели преимущественно реагируют на входящие запросы: предиктивный сервис способен сделать ИИ более проактивным и не ожидать первого шага от пользователя. Активно с такими алгоритмами экспериментируют в сфере коммунальных услуг. Например, ИИ вместе с IoT-датчиками, анализируя потоки данных об утечках, могут предсказать аварийные ситуации и отправить клиенту уведомление, что пора провести осмотр, или заранее отправить мастера проверить ситуацию. Похожее решение сейчас разрабатывается в «Росгосстрахе» совместно с компаниями-операторами умного дома.

Популярность текстовых интерфейсов

Текстовые интерфейсы все еще доминируют в коммуникациях: 80% клиентов скорее предпочтут быстрый запрос в чате, чем голосовое сообщение или видео. Объясняется это просто — текст понятен, удобен и привычен для клиента, чего, например, нельзя сказать про VR/AR-технологии.

AR-приложения остаются нишевым развлечением: клиент вряд ли воспользуется очками дополненной реальности ради решения бытовой задачи. Во-первых, это сильно выбивается из привычного ритма жизни среднестатистического клиента, а во-вторых, это банально дорого.

Голосовые интерфейсы в этом плане куда более гибкие. Они развиваются параллельно чат-ботам — это удобный канал «на ходу», но в ближайшие годы они, скорее всего, лишь дополнят, а не заменят чат. Для рутинных запросов многие по-прежнему набирают текст.

Голос и визуализация определенно интересны клиенту. Они дают ощущение «новизны», но лидером остаются привычные текстовые диалоги.

ИИ + блокчен накопленные данные

Идея объединить ИИ с блокчейном довольно заманчива, но пока это скорее концепт, чем массовая практика.

Например, зарубежные коллеги из страхового бизнеса предложили интересную концепцию. Стартап-страховщик Lemonade создал «Lemonade Crypto Climate Coalition» — децентрализованную DAO-систему параметрического страхования фермеров. Умный контракт на блокчейне автоматически выплачивает компенсации фермерам при засухе на основе полученных метеоданных. В таком сценарии алгоритмы анализируют данные, зачастую даже не прямые данные о погоде, а косвенные, за счет более сложной логики анализа урожайности фермеров на участке, а блокчейн гарантирует неизменность условий выплат.

Интеграция ИИ и умных контрактов в целом видится одним из наиболее перспективных направлений в ближайшем будущем. Такой симбиоз позволит не только автоматизировать процессы, но и как раз встроить «эмоциональность» в цифровые сервисы. Представим потенциально возможный кейс: клиент обращается в службу поддержки, ИИ определяет, что клиент крайне недоволен, и с помощью умного контракта на блокчейне автоматически начисляет ему бонус от компании.

В такой модели создается устойчивая цепочка: «клиент → ИИ → блокчейн → решение». Блокчейн в этом случае фиксирует каждую операцию, обеспечивая прозрачность и исключая подмену условий.

Этика и доверие

Мы сейчас находимся в той точке, когда актуален не только вопрос «Что может ИИ?», но и «Что должен делать ИИ?». Это вопрос прозрачности. Во всем мире люди опасаются возможной дискриминации в алгоритмах и думают, как защитить данные клиентов и дать объяснения: как и почему ИИ принял то или иное решение.

При этом важно понимать, что полностью объяснить каждое решение нейросети невозможно — это сродни попыткам внятно рассказать, как другой человек формирует мнение. Поэтому на первый план выходят правила и стандарты: разработка и обучение ИИ по этическим кодексам, проверка на отсутствие дискриминации, защита персональных данных.

В России действует Кодекс этики в сфере ИИ, устанавливающий общие этические принципы и стандарты поведения, которыми следует руководствоваться участникам отношений в сфере ИИ. Кроме того, сейчас активно обсуждается новый законопроект о регулировании искусственного интеллекта (ИИ) — требование обязательной маркировки систем ИИ и результатов их использования.

Другими словами, все понимают: вопрос доверия к ИИ актуален как никогда. Это особенно важно в клиентском сервисе — у клиента должно быть ощущение, что боту компании можно доверять. Пользователь должен быть уверен, что система, даже если допустит ошибку, не введет в заблуждение и не нарушит его права.

Как внедрять ИИ в 2025 году

Комплексное внедрение ИИ в клиентский сервис стоит выстраивать поэтапно.

• Автоматизация бэк-процессов. Сначала следует внедрить ИИ во внутренние операции (анализ входящих заявок, маршрутизация, обработка данных). Это повышает эффективность и одновременно создает накопленную базу качественных данных для дальнейшего обучения моделей.
• Обучение и тестирование: модели ИИ следует тренировать на исторических данных под контролем экспертов. Например, ИИ анализирует опросы и отзывы клиентов, а специалисты проверяют его выводы. Проводится регулярный замер метрик.
• Пилотные проекты под конкретные задачи: запускать ИИ лучше на ограниченных сценариях. Например, чат-бот может отвечать только на часто задаваемые вопросы или предлагать клиенту заранее подготовленные варианты решений. Стоит выделять часть трафика на тестирование и подходы канареечных релизов, когда ИИ-решение постепенно покрывает взаимодействие и проводится постоянный контроль метрик при внедрении.
• Мониторинг и улучшение: после внедрения на каждом этапе необходимо отслеживать метрики качества и ошибки ИИ. Важно организовать обратную связь: операторы и клиенты будут сообщать о сбоях системы. Это позволит вовремя обучать модель и корректировать алгоритмы.

Например, в «Росгосстрахе» мы начали с двух задач: контроля качества голосовых обращений и анализа исследований клиентской удовлетворенности. Для ускорения процесса обработки комментариев клиентов, полученных в рамках различных опросов клиентской удовлетворенности, быстрого поиска весомых инсайтов разработали ИИ-инструмент, типизирующий «боли» клиентов. Уже сейчас точность определения топ-3 «боли» клиента свыше 90%, но обучение еще продолжается.

Общение с клиентом — это всегда деликатная тема для бизнеса. Важно не оставить человека без поддержки, не ввести его в заблуждение и не вызвать раздражение. При грамотном поэтапном подходе ИИ вполне способен справиться с этой задачей. Компании смогут повысить эффективность поддержки, а клиенты — получить удобный и надежный сервис. Однако на сегодняшний день еще однозначно рано говорить о революции ИИ в клиентском сервисе.