ИИ для колл-центра: что он берёт на себя в отделе операторов

Когда владелец бизнеса читает про ИИ для колл-центра, он почти всегда представляет себе одно: робота, который снимает трубку вместо оператора.

В отделе на пять или двадцать человек это только первый участок. Остальное интересное начинается дальше: кому достанется звонок, что оператор увидит на экране в момент разговора, кто проверит качество смены и по каким числам руководитель поймёт, стало лучше или нет.

Разбираю ИИ для колл-центра по шести участкам работы отдела. По каждому показываю, что забирает машина, что остаётся человеку и что меняется в управлении. Цен не называю: они зависят от числа каналов и от того, что у вас уже стоит.

Такие разборы у меня выходят раз в неделю, по одной задаче: что работает, где ломается, чего ждать не стоит. Подпишитесь, если тема ваша.

Что такое ИИ для колл-центра и чем он отличается от одного бота на линии?

Разница между «поставить бота» и «внедрить ИИ в отдел» видна на простом примере.

Отдел из восьми операторов принимает триста обращений в день. Поставили голосового бота на первую линию, он забрал шестьдесят типовых вопросов. Хорошо. Но остальные двести сорок по-прежнему падают в общую очередь случайным порядком, оператор по-прежнему ищет клиента в CRM руками, супервизор по-прежнему слушает по пять звонков на человека в месяц, а норматив времени обработки не менялся с прошлого года.

Отдел стал работать иначе только на одном участке из шести.

Пять участков разобраны дальше отдельными разделами, постобработка звонка - внутри раздела про подсказки оператору: на практике это один и тот же инструмент.

Технически за всеми шестью участками стоит одно и то же семейство инструментов. Языковая модель понимает обращение, сформулированное обычными словами, и умеет вытаскивать смысл из расшифровки разговора. Распознавание речи превращает звонок в текст. Интеграции дают доступ к данным.

Поэтому дальше в статье я говорю про участки: инструмент на рынке меняется каждый год, а участки у отдела те же.

Первая линия: что ИИ снимает с очереди до оператора?

Критерий отбора обращений на первую линию простой: можно ли ответ проверить по записи в базе или по вашему же регламенту.

Статус заказа лежит в системе - машина его прочитает и отдаст. Часы работы филиала лежат в справочнике. Свободные слоты записи лежат в расписании. Это хорошие кандидаты.

А вот «почему с меня списали больше» проверяемого ответа не имеет до того, как человек посмотрит историю платежей и разберётся. И «верните деньги» тоже: здесь машина может принять обращение, но решение по нему принимает человек.

Две метрики, которыми это меряют в индустрии. Первая - доля обращений, отведённых на самообслуживание до того, как они дошли до живого оператора. Есть метрика строже: доля обращений, которые машина довела до конца сама, включая уточняющие вопросы, без передачи человеку. Она всегда ниже первой, и ориентироваться стоит на неё - обращение, которое бот принял и тут же передал оператору, очередь не разгрузило.

В текстовых каналах этот участок устроен проще, чем в голосовых: клиент готов переспросить, пауза его не раздражает, историю переписки видно. Как он собирается в переписке, я разбирал в статье про чат-бота поддержки.

В голосе тот же участок сложнее: там важны задержка ответа, распознавание речи в шуме и умение прервать себя, когда клиент заговорил. Устройство голосового агента на входящих, включая перечень российских сервисов, лежит в отдельном разборе - голосовой ИИ-агент на входящих звонках. Здесь я эту механику не повторяю.

Одно предупреждение по объёму. Соблазн отдать машине сразу весь поток заканчивается одинаково: обращения, которых бот не понимает, начинают ходить по кругу, клиент злится и требует человека, а руководитель получает падение оценок и вывод «ИИ не работает». В автоматизацию отдают самые частотные и самые типовые вопросы, а дальше расширяют список по замеру.

Как передать разговор человеку и не потерять контекст?

Это участок, на котором ломается больше внедрений, чем на самом боте.

Выглядит поломка так. Клиент десять минут объяснял боту номер заказа, подтверждал телефон, описывал проблему. Бот не справился и перевёл на оператора. Оператор снимает трубку и спрашивает: «Здравствуйте, чем могу помочь?»

Для клиента эти десять минут только что обнулились.

Что должно уехать вместе со звонком:

1. Личность клиента и то, что уже подтверждено: телефон, номер заказа, договор.
2. Тема обращения в понятной оператору формулировке - одна строка, без дословной расшифровки на две страницы.
3. Что машина уже сделала: какие данные показала, какие варианты предложила, что клиент отклонил.
4. Эмоциональное состояние по ходу разговора, если система его размечает: оператор должен знать, что человек на той стороне уже на пределе.
5. Короткое резюме на человеческом языке - три-четыре строки, которые оператор читает за секунды, пока соединение устанавливается.

В голосовом канале есть отдельный приём: машина сначала дозванивается оператору, проговаривает ему сводку так, чтобы клиент этого не слышал, и соединяет линии только после того, как убедилась, что трубку взял человек. Клиент при этом не слушает тишину и не попадает в пустую линию.

Правило, которое стоит зашить жёстко: прямая просьба соединить с человеком выполняется сразу, без попытки «давайте я всё-таки попробую помочь». Клиент, которого бот удерживает против его воли, потом пишет об этом в отзывах.

Если поток входящих обращений идёт у вас и с сайта, и из мессенджеров, то первая линия с передачей человеку собираются в один контур - его мы делаем как ИИ-продавца на входящих обращениях, с передачей заявки в CRM.

Как ИИ распределяет обращения между операторами?

Пока отдел маленький, распределения нет вовсе: звонок падает на того, кто свободен. При двадцати операторах и пяти продуктовых линиях такой порядок начинает стоить денег.

Простой случай: клиент звонит по вопросу о рекламации, а попадает на оператора, который занимается только новыми заказами. Оператор слушает, извиняется и переводит. Клиент ждёт второй раз.

Оси, по которым распределяют обращения:

Ось «приоритет клиента» требует отдельной оговорки. Приоритет по размеру чека выглядит логично, пока у вас в очереди не оказывается клиент с претензией на грани обращения в суд: он приносит мало денег и уедет в конец очереди по всем правилам. Правила распределения стоит пересматривать после каждого такого случая.

На российском рынке это не новая история: умное распределение звонков на правилах и данных коллтрекинга появилось у Mango Office ещё в 2019 году. То есть задача решается не только зарубежными платформами, и сравнивать стоит по тому, как поставщик стыкуется с вашей CRM: наличие функции в списке само по себе ничего не говорит.

Отдельно про исходящий обзвон. У него другие правила - там свои законные основания, своя логика сценария и своя ответственность за звонок человеку, который вас не ждал. Это отдельная тема, и она разобрана в статье про голосового робота для обзвона.

Хотите собрать связку телефонии, распределения и CRM под свой отдел - в ClaudeLab мы делаем такие контуры целиком, от сценариев до сдачи заявок в вашу систему. Вход - бесплатный аудит на тридцать минут, разбор остаётся у вас.

Подсказки оператору в моменте: что меняется в работе смены

Это самый недооценённый участок, потому что снаружи он незаметен. Клиент разговаривает с человеком, никакого бота в разговоре нет.

Что происходит на стороне оператора:

1. Разговор расшифровывается в текст в реальном времени.
2. Система находит в базе знаний фрагмент, который отвечает на вопрос клиента, и показывает его оператору.
3. Из CRM подтягивается карточка клиента: последние заказы, открытые обращения, договор.
4. По ходу разговора предлагается следующий шаг - что уточнить, что предложить, где остановиться.
5. После звонка собирается резюме, заполняются поля карточки и создаётся задача, если она нужна.

Пятый пункт часто оказывается самым ценным по деньгам. Работа после звонка - поле «тема обращения», комментарий, задача коллеге - занимает у оператора время, которое не видно ни в одном отчёте. Оператор, который дописывает карточку три минуты после каждого разговора, за смену теряет час.

Порядок в данных. Типичная поломка выглядит так: в CRM клиент записан как «ООО Ромашка», а в системе, из которой машина берёт историю, он же идёт по ИНН. Связать одно с другим не получается, и оператор получает подсказку по чужому клиенту либо не получает ничего. Это чинится до внедрения, а не после. Как подключают модель к данным компании и что при этом ломается, разобрано отдельно в статье про ИИ для CRM.

Задержка ответа. Если подсказка появляется через пять-десять секунд после того, как клиент задал вопрос, оператор ею не пользуется: разговор уже ушёл дальше. Живой диалог не ждёт. Скорость ответа здесь важнее полноты, и замерять её надо на приёмке живым звонком.

Почему сплошная проверка разговоров важнее выборочного прослушивания?

Посчитайте свой охват сами, это одно умножение.

Отдел из десяти операторов, у каждого сорок разговоров в день, двадцать рабочих дней. Восемь тысяч разговоров в месяц. Супервизор, который слушает по пять звонков на человека, покрывает пятьдесят из восьми тысяч.

Про остальные семь тысяч девятьсот пятьдесят руководитель не знает ничего. И выборка эта не случайная: слушают обычно тех, на кого пожаловались, и тех, кто вызывает сомнения.

Порядок величины по отрасли примерно такой же. Поставщики платформ контроля качества оценивают охват ручной проверки в один-пять процентов разговоров. Оценка их собственная: первичного исследования под этой цифрой нет ни у одного из них, и относиться к ней стоит как к мнению заинтересованной стороны. В примере выше вышло меньше процента. Расчёт при этом верный: пример описывает один конкретный отдел, отраслевым нормативом он не является.

Что даёт сплошная разметка:

• Проверка чек-листа на каждом разговоре. Представился, уточнил проблему, предложил решение, проговорил следующий шаг, попрощался.
• Видимость тем. Список тем по частоте за неделю вместо смутного ощущения, что вопросов про доставку стало больше.
• Ранние сигналы. Оператор, у которого выросла доля разговоров с раздражённым клиентом, попадает в отчёт до того, как на него напишут жалобу.
• Причины вместо симптомов. Пятнадцать человек за неделю спросили одно и то же - значит причина лежит в тексте на сайте или в письме, которое вы им отправляете, и операторы тут ни при чём.

Механику того, как нейросеть разбирает запись разговора, что она из неё вытаскивает и чего не может, я подробно разобрал в статье про речевую аналитику. Здесь важно другое следствие - управленческое.

Супервизор, у которого есть разметка всех разговоров, занят другой работой. Раньше он искал проблему вслепую, теперь ему приносят список и он решает, что с ним делать: править скрипт, учить конкретного человека, менять текст на сайте, поднимать вопрос к другому отделу.

И тут же появляется риск, о котором стоит подумать заранее. Сплошной контроль легко читается командой как слежка за каждым словом. Это не мелочь: именно на этом месте внедрения тихо саботируют, и разговор с людьми надо провести до включения разметки.

Какие KPI отдела двигает ИИ для колл-центра, а какие нет?

Сначала про цифры, которых здесь не будет.

Отраслевые ориентиры вроде «среднее время обработки около шести минут» или «решение с первого обращения семьдесят процентов» гуляют по десяткам блогов, и почти ни один из них не ссылается на первичное исследование. Я такие числа в статью не несу: сравнивать свой отдел надо со своим же замером месяц назад, а не с чужой медианой неизвестного происхождения.

Что действительно стоит знать - какую метрику ИИ для колл-центра двигает и через какой участок.

Из таблицы вылезают три вывода, которые редко проговаривают вслух.

Среднее время обработки может вырасти, и это нормально. Машина забрала короткие типовые разговоры, у операторов остались сложные. Средняя длительность пошла вверх, потому что изменился состав потока. Руководитель, который не ждал этого заранее, получает красный отчёт на ровном месте и делает вывод «стало хуже».

Загрузка операторов - метрика с двумя концами. Низкая означает, что вы платите за простой. У высокой другая беда: люди работают без паузы между разговорами, и к середине смены это слышно в том, как они говорят с клиентом. Рост загрузки после внедрения сам по себе не победа.

Удовлетворённость клиента ИИ не поднимает. Он показывает вам причины недовольства раньше и полнее. Поднимать оценку будете вы - правкой процесса, текста, регламента.

Отсюда главное практическое требование: снять числа до внедрения. Время ответа, долю потерянных вызовов, среднюю длительность, долю повторных обращений за две недели работы отдела как есть. Без этого замера через месяц спорить будет нечем.

Что меняется в работе оператора и супервизора?

Про оператора первым делом неприятное. Его работа становится тяжелее в расчёте на один разговор.

Раньше смена состояла из смеси: десяток простых вопросов, на которых можно выдохнуть, и несколько сложных. Теперь простые забрала машина, и разговоры идут сложные подряд. Это другая нагрузка, и прежние нормативы по длительности и по числу разговоров в смену её не описывают.

Второе следствие: растёт цена ошибки одного оператора. Он теперь разговаривает с теми клиентами, которые уже раздражены, уже не получили ответа от машины или пришли со спорным случаем.

Супервизор теряет две привычные задачи и получает две новые.

И появляется роль, которой в отделе обычно нет вовсе: владелец базы знаний и сценариев. Машина отвечает клиенту тем, что лежит в базе. Если база устарела на полгода, машина уверенно рассказывает клиентам прошлогодние условия. Эта работа не приделывается к обязанностям супервизора «заодно»: у неё должен быть человек и время в графике.

Как нейросети перераспределяют работу в отделе, где основная задача - разговор с клиентом, я разбирал на примере продаж в статье про ИИ для отдела продаж. Механика похожая, метрики другие.

Чего боятся сотрудники и что проговорить до внедрения?

Сопротивление ИИ-агентам в организациях обсуждают отдельными статьями - на Хабре про это пишут как про самостоятельную задачу внедрения. То есть это не особенность вашего отдела.

Разложим страхи по существу, потому что отвечать на них надо по-разному.

«Нас сократят». Самый частый и самый понятный. Честный ответ здесь один: сказать, что происходит на самом деле. Если сокращения не планируются - сказать это прямо и назвать, за счёт чего отдел справится с тем же числом людей. Если планируются - врать бесполезно, слухи придут быстрее решения.

«Меня будет оценивать машина». Отвечается механикой, обещания здесь не работают. Разметка разговоров - это входные данные для человека, который принимает решение. Покажите операторам их собственный разбор до того, как он начнёт влиять на оценку: неделя-две в режиме «смотрим, но не оцениваем» снимает больше сопротивления, чем любое собрание.

«Мои разговоры куда-то уедут». Тут вопрос по существу, и у него есть правильный ответ: назвать, кто имеет доступ к записям и расшифровкам, где они хранятся и сколько. Заодно этого требует и закон о персональных данных.

Отдельный сюжет - что говорить про качество сервиса. У ИИ есть ограничение, которое признают и его сторонники: он не учитывает эмоциональное состояние и индивидуальные потребности клиента так, как это делает человек. Оператор, которому сказали, что машина справится лучше него, в это не поверит и будет прав. Формулировка, которая работает: машина забирает повторяющееся, человек остаётся там, где нужно решение.

Где ИИ в колл-центре ошибается и кто отвечает за его слова?

Начну с разобранного случая, потому что он закрывает вопрос об ответственности лучше любых рассуждений.

Ноябрь 2022 года, Канада. Пассажир Джейк Моффатт покупает билет после смерти бабушки и спрашивает у чат-бота на сайте авиакомпании про льготный тариф для таких поездок. Бот отвечает, что заявку можно подать и после полёта, в течение девяноста дней с даты выписки билета.

Пассажир летит, подаёт заявку - и получает отказ: политика авиакомпании такого не допускает. Правильная информация лежала на другой странице сайта, куда бот давал ссылку.

Дело дошло до трибунала Британской Колумбии. Авиакомпания заявила, что не отвечает за информацию, которую выдал её чат-бот.

Довод примечательный. У чат-бота есть интерактивная часть, но он по-прежнему остаётся частью сайта Air Canada. Для Air Canada должно быть очевидно, что она отвечает за всю информацию на своём сайте. Нет никакой разницы, пришла эта информация со статической страницы или от чат-бота.

• Кристофер Риверс, член трибунала, решение Moffatt v. Air Canada, 2024 BCCRT 149 от 14 февраля 2024 года (перевод мой)

Трибунал признал небрежное введение в заблуждение и обязал авиакомпанию выплатить в общей сумме 812,02 канадского доллара: 650,88 убытков, 36,14 процентов и 125 сбора трибунала. Отдельно в решении отмечено, что авиакомпания не объяснила, почему клиент должен перепроверять информацию из одной части сайта в другой его части.

Суммы здесь мелкие. Важна установленная норма: слова машины на вашем канале - это ваши слова.

Второй случай про другой риск - репутационный. Январь 2024 года, Великобритания. Клиент службы доставки DPD искал посылку через чат-бота, не нашёл и начал экспериментировать.

Бот по его просьбе выругался, а потом сочинил про себя стихотворение: бесполезный чат-бот, потраченное время и худший кошмар клиента. Отдельной репликой, уже на другую просьбу, он назвал DPD худшей службой доставки в мире и сказал, что никому её не порекомендовал бы. Переписка разошлась по соцсетям и попала в крупные издания. Компания заявила, что причиной стало обновление системы, и отключила ИИ-часть бота.

Из двух случаев складывается список зон, где ИИ для колл-центра не должен говорить от имени компании:

1. Отказ клиенту. «Это не по гарантии», «вам не положено», «мы не вернём деньги». Отказ - это решение, и произносит его человек.
2. Деньги и обязательства. Названная сумма, срок, обещание компенсации. Клиент считает сказанное обещанием, и он в этом прав.
3. Медицина и всё, что касается здоровья. Цена ошибки здесь не измеряется деньгами.
4. Юридические последствия. Условия договора, права клиента, что будет при расторжении.
5. Свободный разговор на любые темы. Случай DPD ровно про это: бот, которого можно вывести за рамки задачи, рано или поздно выведут.

И два места, где ИИ ошибается не по злому умыслу, а по устройству.

Редкий сценарий. Машина хорошо работает на том, что встречается часто. Обращение, которое случается раз в месяц, она обработает хуже нового сотрудника, потому что примеров не было. Это аргумент за то, чтобы сложное уходило человеку по умолчанию.

Эмоциональный клиент. Человек, который звонит в третий раз по одному вопросу, редко формулирует его аккуратно. Классификатор темы на такой речи сбивается, и клиент получает ответ не про то, о чём спрашивал. Работающее решение здесь одно: ставить передачу человеку по первому признаку раздражения. Улучшение распознавания эту задачу не закрывает.

Что закон требует от записи разговоров и обработки данных?

Сразу оговорка: я не юрист, и раздел не заменяет проверку у вашего. Формулировки ниже сняты с текста закона в действующей редакции, по первоисточнику.

Основание. Часть 1 статьи 6 закона 152-ФЗ перечисляет случаи, когда обработка персональных данных допускается. Для колл-центра рабочих пунктов два: обработка с согласия субъекта (пункт 1) и обработка, которая «необходима для исполнения договора, стороной которого либо выгодоприобретателем или поручителем по которому является субъект персональных данных» (пункт 5). Звонок действующего клиента по его договору обычно ложится в пятый пункт. Для звонка человека, с которым договора нет, придётся искать другое основание.

Согласие. Часть 1 статьи 9 задаёт требования к нему дословно: согласие «должно быть конкретным, предметным, информированным, сознательным и однозначным». Там же прямо написано, что согласие «должно быть оформлено отдельно от иных информации и (или) документов, которые подтверждает и (или) подписывает субъект персональных данных». То есть строчка мелким шрифтом внизу общей формы требованию не отвечает.

Кто доказывает. Часть 3 статьи 9 возлагает обязанность предоставить доказательство получения согласия на оператора. Бремя доказывания лежит на вашей стороне: подтвердить получение согласия обязаны вы.

Отсюда практическая часть для отдела.

1. Фраза о том, что разговор записывается, звучит до начала разговора, а не в конце. Именно она делает согласие информированным.
2. Цель записи сформулирована и записана: контроль качества, подтверждение договорённостей, обучение. «На всякий случай» целью не является.
3. Срок хранения записей назначен и соблюдается. Запись, которая лежит три года без причины, - это риск, а не архив.
4. Внешние подрядчики, через которых идут данные, оформлены: облачная телефония, сервис распознавания речи, платформа контроля качества. Все они обрабатывают данные ваших клиентов по вашему поручению.
5. Операторы знают, что их разговоры расшифровываются и размечаются. Это и трудовая сторона вопроса, и половина работы с сопротивлением команды.

Что именно считается персональными данными клиента и как их можно отдавать внешним сервисам, я разбирал отдельно в статье про персональные данные клиентов в нейросети. Общая правовая рамка использования ИИ в бизнесе - в разборе закона об ИИ для бизнеса.

С какого участка начинать внедрять ИИ для колл-центра?

Порядок внедрения ИИ для колл-центра выглядит так:

1. Замер до. Время ответа, доля потерянных вызовов, средняя длительность разговора, доля повторных обращений. Две недели работы отдела как есть.
2. Типовые вопросы с проверяемым ответом. Три-пять самых частых, у которых ответ лежит в системе. Ночные и нерабочие часы - хорошее место для старта: сравнивать будете с пропущенным вызовом.
3. Передача человеку с контекстом. Сразу, а не потом: без неё первый шаг превращается в жалобы.
4. Распределение обращений. Когда операторов больше пяти и у них разные навыки.
5. Подсказки оператору и автозаполнение карточки. Требует порядка в данных, поэтому идёт после того, как данные приведены в порядок.
6. Сплошной контроль качества. Технически можно включить первым, но лучше после разговора с командой: иначе он читается как слежка.

Что ломает внедрение чаще всего:

• Нет метрики успеха. Внедрили, стало «вроде удобнее», через квартал никто не может сказать, сработало или нет.
• Всё сразу. Весь поток отдали машине в первый месяц.
• Данные не готовы. Один клиент в двух системах под двумя разными именами, история не склеивается.
• Молчание с командой. Операторы узнали о разметке всех разговоров из уведомления системы.
• Никто не отвечает за базу знаний. Через полгода машина рассказывает клиентам условия, которых уже нет.

Если разбираться в этом самому времени нет, такой контур собирается под ключ: от разбора потока обращений до сдачи заявок в вашу систему. Начинается это с аудита - я смотрю, какие обращения у вас повторяются и какие из них имеют проверяемый ответ, и разбор остаётся у вас независимо от того, работаем мы дальше или нет.

Где вы сейчас

• Клиенты бросают трубку в ожидании, часть обращений вообще не обработана. Ваш участок - первая линия и передача человеку. Разделы про очередь и про контекст.
• Звонки приходят, но попадают не тем людям, и клиента переводят по два раза. Ваш участок - распределение. Начинать с классификатора тем и разметки операторов по навыкам.
• Операторы справляются, но половину смены заполняют карточки и пишут комментарии. Ваш участок - подсказки и постобработка. И до этого - порядок в данных.
• Всё вроде работает, но почему клиенты недовольны - непонятно. Ваш участок - сплошная разметка разговоров. Начинать с разговора с командой, потом включать.

Чек-лист

1. Сняты четыре числа за две недели: время ответа, доля потерянных вызовов, средняя длительность разговора, доля повторных обращений.
2. Составлен список тем обращений по частоте, и у трёх-пяти верхних ответ лежит в вашей системе.
3. Описано, что уезжает к оператору при передаче разговора, и проверено на живом звонке, что клиент не повторяет всё заново.
4. Правила распределения написаны, включая исключение для клиента с претензией.
5. Клиент в CRM и клиент в системе, откуда машина берёт историю, опознаются как один и тот же.
6. У базы знаний есть ответственный человек и время в графике на её обновление.
7. Основание обработки записей определено, фраза о записи звучит до разговора, операторы предупреждены о разметке.