Нейросеть для поддержки клиентов: какую выбрать и как внедрить без потери качества

Нейросеть подключили в пятницу вечером. В понедельник в очереди жалоб — сообщение от клиента: бот подтвердил возврат денег, которого на самом деле не было, а оператор, к которому в итоге попал диалог, узнал об этом только из скриншота недовольного клиента.

Это типичный сценарий провального внедрения. Нейросеть отвечает быстро и уверенно, но сама не всегда знает, когда ошибается. Пока команда радуется, что очередь диалогов сократилась, часть ответов клиентам может быть неточной. Качество сервиса, ради которого создавали поддержку, при этом незаметно проседает.

Нейросеть для поддержки клиентов отвечает на вопросы по базе знаний компании, готовит черновики ответов для операторов и передаёт человеку то, с чем не справляется сама. Выбирать её стоит по трём вещам: как она работает с вашей базой знаний, как передаёт диалог оператору и где хранит данные клиентов.

Разберём, какие нейросети используют в поддержке, как выбрать подходящую под свой поток обращений и как внедрить её так, чтобы скорость ответов не досталась ценой доверия клиентов.

Что такое нейросеть для поддержки клиентов

Нейросетью в поддержке клиентов обычно называют большую языковую модель, которую подключили к базе знаний компании и к каналам, куда пишут клиенты. Она читает обращение, находит в базе подходящие статьи и формулирует ответ под конкретный вопрос. Скриптовый чат-бот так не умеет: он выбирает готовую фразу из сценария и теряется, если клиент спросил что-то за его пределами.

В поддержке нейросеть берёт на себя несколько задач:

• Отвечает на типовые вопросы о тарифах, доставке, возврате и настройках круглосуточно и без очереди.
• Готовит черновик ответа оператору, если вопрос сложный и должен включиться человек.
• Разбирает входящие обращения по темам и срочности и направляет их нужному специалисту.
• Пишет короткое резюме диалога, когда передаёт его оператору, чтобы клиенту не пришлось объяснять всё заново.
• Помогает проверять качество: находит диалоги с недовольными клиентами и повторными обращениями.

Какие ещё задачи ИИ решает в клиентском сервисе и чем он отличается от сценарного чат-бота, разобрали в статье «ИИ для поддержки клиентов: как работает и какие задачи решает».

Какие нейросети используют в поддержке

Решения для поддержки на базе нейросетей бывают трёх типов. Они отличаются тем, сколько работы нужно на запуск и сколько контроля над ответами остаётся у команды.

Готовый ИИ-бот в платформе поддержки

Нейросеть уже встроена в онлайн-чат или хелпдеск. Вы подключаете базу знаний, задаёте правила передачи диалога оператору и запускаете бота без разработчиков. Бот отвечает в тех же каналах, где команда уже общается с клиентами.

Этот вариант подходит большинству команд поддержки: чтобы обновить ответы бота, достаточно отредактировать статьи в базе знаний. Логику бота при этом настраивают в рамках того, что позволяет платформа. Сравнение таких сервисов собрали в подборке ИИ-сервисов для обслуживания клиентов.

Языковая модель по API

Компания берёт модель, например YandexGPT или GigaChat, и подключает её к своим системам через API. Чтобы модель отвечала по фактам компании, разработчики настраивают поиск по базе знаний. Перед ответом система находит нужные фрагменты документов и передаёт их модели вместе с вопросом клиента.

Такой подход даёт полный контроль над логикой, данными и интеграциями. Но нужна команда разработки: она соберёт решение, будет следить за качеством ответов и обновлять его. Подходит крупным компаниям со своими ИТ-ресурсами и нестандартными процессами.

Конструктор ботов с блоком нейросети

Это сценарный бот, в который добавили шаг с нейросетью. Например, бот ведёт клиента по кнопкам, а на вопрос, заданный своими словами, отвечает модель. Вариант подходит для узких задач вроде записи, статуса заказа или сбора заявки, где большая часть диалога предсказуема.

	Готовый ИИ-бот на платформе	Модель по API	Конструктор с нейросетью
Запуск	Без разработки: база знаний и правила эскалации	Нужны разработчики	Без разработки, но нужно продумать сценарии
Кто нужен в команде	Руководитель поддержки и автор базы знаний	Разработчики и ответственный за качество ответов	Тот, кто строит сценарии
Контроль над ответами	Через базу знаний и настройки платформы	Полный	Через сценарии и настройки блока
Где хранятся данные	Зависит от платформы, уточняйте у поставщика	Зависит от модели и вашей инфраструктуры	Зависит от платформы
Как считается стоимость	Подписка на платформу и оплата вопросов, на которые ответил бот	Оплата обращений к модели, разработка и поддержка решения	Подписка на конструктор

Как выбрать нейросеть для поддержки

Прежде чем сравнивать сервисы, выгрузите обращения за последний месяц и посмотрите, сколько из них повторяются. Если одни и те же 10–15 тем занимают большую часть потока, нейросеть заметно снимет нагрузку с операторов. Дальше сверяйте решения по шести пунктам.

1. Работа с базой знаний. Проверьте, на чём нейросеть строит ответ: только на ваших статьях или ещё на общих знаниях модели. Удобно, когда оператор видит, из какой статьи взят ответ, а нейросеть можно ограничить, чтобы она не додумывала то, чего в базе нет.
2. Передача оператору. Нейросеть должна уметь сказать «не знаю» и сразу передать диалог человеку. Посмотрите, что оператор получает вместе с диалогом и можно ли задать правила передачи по темам.
3. Каналы. Клиенты пишут в чат на сайте, в VK, Телеграм, WhatsApp, MAX и на почту. Выбирайте решение, которое отвечает там, где у вас идёт основной поток обращений, и собирает диалоги в одном окне.
4. Хранение данных. В диалогах поддержки есть имена, телефоны и номера заказов, то есть персональные данные. По 152-ФЗ персональные данные россиян нужно хранить на серверах в России. Уточните у поставщика, где находятся его серверы.
5. Модель оплаты. Одни решения берут деньги за пакет вопросов или за каждый ответ бота, другие — за операторов или за обращения к модели. Считайте стоимость на реальном месячном объёме обращений.
6. Аналитика. Проверьте, видно ли в отчётах, сколько вопросов нейросеть закрыла сама, сколько передала оператору и как клиенты оценили её ответы. Без этих данных не получится контролировать качество после запуска.

Почему при внедрении часто падает качество сервиса

Нейросеть отвечает уверенно, но неправильно

Нейросеть строит ответ на основе базы знаний компании, но если в базе нет точного ответа на вопрос, она не всегда молчит или зовёт оператора. Иногда она достраивает ответ по смыслу, и звучит это так же уверенно, как правильный ответ. Клиент не видит разницы между точной информацией и предположением нейросети, поэтому доверяет обеим одинаково.

Это известное свойство больших языковых моделей: без достаточных данных они могут выдумывать детали, а на разные формулировки одного вопроса иногда отвечают по-разному — где-то честно признают, что не знают ответа, а где-то отвечают уверенно и неточно. Для поддержки это значит одно: чем реже нейросеть говорит «не знаю», тем внимательнее нужно проверять её ответы.

Операторы теряют контекст диалога после передачи от нейросети

Когда нейросеть передаёт диалог оператору, клиент ожидает, что переписку не придётся начинать заново. На практике оператор часто получает диалог без чёткого объяснения, что уже спросил клиент и что ответила нейросеть, поэтому приходится разбираться заново или переспрашивать. Для клиента, который уже один раз объяснил проблему, это выглядит так, будто его не слушали.

Правила эскалации решают только часть задачи. Вторая половина — что передаётся оператору вместе с диалогом: краткое резюме вопроса, а не только сама переписка.

Метрики фиксируют скорость, а не качество

После запуска команды чаще всего смотрят на самые заметные цифры: сколько диалогов закрыла нейросеть, насколько сократилась очередь, как быстро клиент получил первый ответ. Эти метрики растут почти сразу и создают ощущение, что внедрение прошло успешно.

Точность ответов эти цифры не показывают. Нейросеть может закрыть диалог за десять секунд с неверным ответом, а в статистике он всё равно будет числиться как успешный, пока клиент не напишет повторно или не пожалуется. Без отдельного контроля качества проблема остаётся невидимой ровно до тех пор, пока не превратится в отток или негативные отзывы.

Как внедрить нейросеть, не потеряв контроль над качеством

Соберите базу знаний и проверьте её на реальных вопросах

Нейросеть отвечает настолько точно, насколько подробна и однозначна база знаний, на которую она опирается. Прежде чем подключать нейросеть к живым диалогам, выгрузите 30–50 реальных вопросов клиентов за последний месяц и прогоните их через тестовый режим. Так видно, где база знаний неполная, а где формулировки допускают два толкования, и нейросеть путается между двумя похожими статьями.

Проверяйте не только сам факт ответа, но и источник, на который опирается нейросеть. Если она берёт информацию не из той статьи или додумывает недостающую часть, дорабатывайте базу знаний.

Разделите правила эскалации по критичности вопроса

Списка тем, которые нейросеть закрывает сама, недостаточно. Внутри одной темы бывают вопросы разной критичности. «Как оформить возврат» — рутинный вопрос. «Оплата списалась дважды» — вопрос про деньги, и для клиента он очень важен. Разделите правила эскалации не только по теме, но и по тому, что теряет клиент, если нейросеть ответит неточно.

Отдельно пропишите, что передаётся оператору вместе с диалогом: не только сама переписка, но и краткое резюме: что спросил клиент и что уже ответила нейросеть. Без этого оператор теряет контекст диалога.

Сравните метрики качества до и после

Не подключайте нейросеть сразу на весь поток обращений. Запустите нейросеть на части диалогов, например на одном канале или по нескольким темам. Сравните не только скорость ответа, но и долю диалогов, которые клиент открыл повторно после ответа нейросети. Рост повторных обращений по теме, которую нейросеть якобы закрывает, верный признак, что ответы неточные.

Ведите пилот минимум пару недель: за это время набирается достаточно диалогов, чтобы отличить единичную ошибку от системной проблемы в базе знаний или правилах.

Научите операторов работать в связке с нейросетью

Оператору, который получает диалог после нейросети, нужно быстро понять, что уже произошло в разговоре, и не повторять вопросы, на которые клиент уже отвечал. Обучите команду читать историю диалога с нейросетью так же внимательно, как диалог с другим оператором.

Отдельная задача команды — отмечать неточные ответы нейросети, а не просто исправлять их для клиента. Без обратной связи от операторов база знаний не улучшается, и одна и та же ошибка повторяется в разных диалогах.

Как контролировать качество сервиса после запуска

Какие метрики отслеживать

Скорость ответа и доля закрытых диалогов ничего не говорят о том, насколько ответы точные. Вместе с ними отслеживайте три метрики:

Метрика	Что показывает
Доля повторных обращений по закрытой теме	Клиент написал повторно после ответа нейросети — признак неточного ответа
Доля своевременных эскалаций	Нейросеть передала диалог оператору сразу, а не после нескольких попыток ответить
CSAT по диалогам с нейросетью	Считается отдельно от общего CSAT команды, показывает точность именно автоматических ответов

Подробнее о том, как считать и на что смотреть в этих метриках, читайте в статье «CSAT и CSI: в чём разница и как считать метрики удовлетворённости клиентов».

Отдельно смотрите на диалоги, где нейросеть ответила уверенно, но клиент всё равно написал оператору с тем же вопросом. Это первый признак, что ответ был неточным, даже если формально диалог закрылся автоматически.

Как часто пересматривать сценарии и базу знаний

Через две-три недели работы нейросети накапливается достаточно диалогов, чтобы увидеть закономерности: какие темы она закрывает, а где чаще ошибается или передаёт оператору. Разберите эти диалоги вместе с командой поддержки и обновите базу знаний по фактическим ошибкам.

После правок в базе знаний нейросети нужно время, чтобы начать использовать обновлённую версию в ответах, поэтому проверяйте результат не сразу, а через сутки после изменений. Дальше повторяйте цикл на регулярной основе: смотрите диалоги, находите ошибки, вносите правки и проверяйте результат.

Частые ошибки при внедрении, которые портят качество поддержки

Даже если вы уже разобрались, как работает нейросеть в поддержке, при внедрении легко допустить типовые ошибки.

• Отключить операторов сразу на всём потоке. Без параллельной работы человека не с чем сравнить ответы нейросети, а ошибки не с кем сверить, пока не накопятся жалобы.
• Не обучить команду работать с диалогами после нейросети. Операторы либо теряют контекст, либо относятся к переданным диалогам как к второстепенным.
• Не задать порог эскалации по критичности вопроса. Нейросеть одинаково уверенно отвечает и на вопрос про режим работы, и на вопрос про возврат денег, если правила это не разделяют.
• Игнорировать повторные жалобы клиентов на ответы нейросети. Одна жалоба может быть случайностью. Несколько похожих жалоб по одной теме — сигнал, что надо дополнить базу знаний.
• Не тестировать базу знаний перед запуском. Если нейросеть впервые встречает реальные вопросы клиентов уже на проде, ошибки клиенты увидят раньше, чем команда.

Похожие ошибки команд поддержки разобраны в статье «Основные ошибки операторов поддержки».

Как это устроено в Carrot quest

ИИ-бот Carrot quest отвечает на основе опубликованных статей базы знаний и внешних источников, которые вы укажете. Настройка креативности регулирует точность: чем она ниже, тем меньше нейросеть додумывает то, чего нет в базе знаний. Если нужной информации нет, диалог уходит оператору. Так же происходит при срабатывании заданных стоп-фраз.

Это вариант из первой группы: готовый ИИ-бот в платформе поддержки. Он отвечает на основе ваших материалов, работает в онлайн-чате Carrot quest и оплачивается пакетами по 1000 вопросов. Подключать его имеет смысл, когда в поддержку приходит от 800 вопросов в месяц.

МТС Линк подключали нейросеть на первую линию поддержки. Сначала протестировали ответы на реальных вопросах, затем запустили нейросеть на части потока, и только после проверки результатов включили её на все диалоги. В результате нейросеть стала закрывать 30% вопросов из чата самостоятельно, а очередь диалогов сократилась в два раза. Полный кейс читайте в статье: «AI-бот от Carrot quest решает 30% вопросов из чата и сокращает очередь диалогов в 2 раза».

Коротко

Нейросеть для поддержки клиентов бывает трёх видов: готовый ИИ-бот в платформе поддержки, языковая модель по API и блок в конструкторе ботов. Большинству команд подходит первый вариант: он запускается без разработки, а ответы обновляются через базу знаний. При выборе проверьте, как решение работает с базой знаний, передаёт диалог оператору, хранит данные и считает стоимость.

Нейросеть в поддержке ускоряет ответы, но не гарантирует их точность сама по себе. Без проверки базы знаний, разделения правил эскалации по критичности и контроля качества после запуска скорость может расти на фоне падающей точности ответов. А команда узнаёт об этом только из жалоб клиентов.

Внедрение стоит начинать с проверки базы знаний на реальных вопросах. Запускайте нейросеть поэтапно на части потока и сравнивайте метрики качества до и после, а не только скорость. После запуска регулярно отслеживайте CSAT по диалогам с нейросетью и долю повторных обращений.

Операторы остаются частью процесса даже после подключения нейросети: они проверяют её ответы на старте, разбирают диалоги с жалобами и помогают дорабатывать базу знаний. Качество сервиса при внедрении нейросети зависит не от самой технологии, а от того, насколько тщательно команда проверяет её ответы на каждом шаге.

Частые вопросы

Какую нейросеть выбрать для поддержки клиентов?
Большинству команд подходит готовый ИИ-бот в платформе поддержки: он подключается к базе знаний и каналам без разработки. Языковую модель по API стоит выбирать, если у вас есть разработчики и процессы, которые не укладываются в настройки готовых сервисов.

Безопасно ли передавать данные клиентов нейросети?
Зависит от того, где решение хранит и обрабатывает данные. По 152-ФЗ персональные данные россиян нужно хранить на серверах в России, поэтому уточните у поставщика, где находятся его серверы, и проверьте, есть ли это в договоре.

Сколько стоит нейросеть для поддержки клиентов?
Цена зависит от типа решения. Готовые ИИ-боты обычно берут деньги за пакеты вопросов сверх подписки на платформу. Языковая модель по API оплачивается по числу обращений к ней, но к этому добавляется стоимость разработки и поддержки. Считайте на реальном месячном объёме обращений.

Как понять, что нейросеть в поддержке снижает качество сервиса?
Смотрите не только на скорость и долю закрытых диалогов, но и на долю повторных обращений по темам, которые нейросеть якобы закрывает сама, и на CSAT именно по диалогам с нейросетью. Рост повторных обращений — первый признак неточных ответов.

Нужно ли полностью убирать операторов при внедрении нейросети?
Нет. Операторы нужны для сложных, эмоциональных и критичных по деньгам вопросов, а также для проверки ответов нейросети на этапе пилота. Полное отключение операторов лишает команду возможности сравнивать ответы и вовремя заметить ошибку.

Сколько времени занимает внедрение без потери качества?
Зависит от того, насколько готова база знаний и сколько диалогов проходит через пилот. Проверка на реальных вопросах и пилотный запуск занимают минимум две-три недели. За это время накапливается достаточно диалогов, чтобы отличить единичную ошибку от системной.

Как часто нужно проверять ответы нейросети вручную?
В первые недели после запуска — на каждой пилотной партии диалогов. После выхода на постоянный поток — регулярно, например раз в одну-две недели, и обязательно после каждого крупного обновления базы знаний.

Что делать, если клиенты жалуются на ответы нейросети?
Разберите конкретный диалог: на какую статью базы знаний опиралась нейросеть и была ли она точной. Если проблема повторяется у нескольких клиентов по одной теме, обновите статью или добавьте правило эскалации для этого типа вопросов.