Скорость результата, а не ответа: как ИИ меняет клиентскую поддержку в B2B
Несколько лет назад на рынке B2B-услуг обозначился разрыв: скорость реакции техподдержки перестала быть достаточным критерием удовлетворенности клиента. Пользователи все чаще жаловались не на долгое ожидание, а на нерелевантные или неработающие рекомендации — то есть на качество решения, а не на его оперативность. Этот сдвиг вписывается в более широкий тренд — поиск баланса между автоматизацией и человеческой экспертизой. Мы ввели новые метрики, изменили принципы найма и обучения инженеров и только затем добавили в процесс ИИ, который сегодня закрывает каждое десятое обращение. Но главный результат этой трансформации — не цифра, а то, как одно операционное решение изменило представление о том, какой сегодня должна быть поддержка в B2B.
Расходы бизнеса на автоматизацию клиентского сервиса растут. Из опроса Gartner, проведенного среди руководителей служб сервиса и поддержки в апреле — мае 2026 года, следует, что расходы на ИИ выросли на 38%. В России наблюдается схожая тенденция: по данным исследования Контур Университета, К2Тех и Naumen, к 2030 году расходы российского бизнеса на ИИ в клиентском сервисе достигнут 43% от бюджетов контакт-центров, превысив затраты на линейный персонал (37%).
Ожидается, что сотрудники будут реже заниматься типовыми операциями и чаще брать на себя более сложные задачи, требующие экспертизы. Парадоксально, но тот же Gartner отчитывается, что 50% компаний, которые сократили операторов колл-центров из-за ИИ, к 2027 году вновь наймут сотрудников для выполнения этих функций.
Поэтому бизнесу важно определить, в каких именно процессах необходим ИИ, прописать сценарии с четкими правилами и границами и отслеживать, как клиенты воспринимают инновации. Для B2B-поддержки это особенно важно. Любая ошибка здесь может означать не просто неудобство, а сбой критичной для бизнеса системы.
В B2B цена ошибки действительно выше, чем в обычном пользовательском сервисе. Значительная часть клиентов Cloud.ru и других облачных провайдеров — крупные компании со сложной IТ-архитектурой и жесткими регламентами по безопасности. Проблема с инфраструктурой может остановить бизнес-процессы, поэтому инженеру нужно понимать архитектуру клиента, историю его обращений и последствия предлагаемого решения.
К такому пониманию роли инженера наша команда пришла не сразу. Отправной точкой стали регулярные NPS-опросы: из ответов клиентов стало очевидно, что быстрый отклик сам по себе еще не означает качественную поддержку. Важнее понять запрос, предложить подходящее решение и полностью решить проблему. Поэтому мы сместили фокус со скорости ответа на результат и стали отслеживать долю запросов, решенных в первый час и первый день, повторные открытия тикетов и количество уточняющих вопросов. Параллельно мы снижали зависимость от внешнего подрядчика первой линии поддержки. Типовые задачи планировали автоматизировать, остальные — передать внутренней команде. Но разбор обращений показал: одной автоматизации недостаточно.
В поддержке работают инженеры, и это накладывает свою специфику на процесс взаимодействия с пользователем. Инженеру обычно интереснее решать техническую задачу, а не вести клиента за руку. Поэтому эмпатию, умение работать с контекстом и способность объяснять сложное простым языком мы включили в обязательный профиль инженера поддержки наравне с техническими навыками. Воронка найма сузилась, зато с клиентом теперь работает инженер, который понимает не только причину сбоя, но и человека на другом конце провода.
ИИ стал следующим шагом. Но перед тем как передавать задачи агентам, мы подробно разобрали, какой именно путь проходит обращение: почему иногда запрос уходит не в ту команду, когда клиент ждет без причины. К внедрению ИИ мы в итоге подошли очень избирательно: агентам отошли повторяющиеся сценарии с четкими правилами и прописанными границами. Как результат — 10% тикетов сегодня закрываются без участия людей. Автоматизация рутины дала команде время на кейсы, где клиенту нужен инженер, который вникнет в задачу, разберется в инфраструктуре и найдет решение.
Агенты в поддержке Cloud.ru работают в трех направлениях:
• Классифицируют обращения и определяют тип запроса, сервис и причину инцидента.
• Собирают недостающую диагностическую информацию и передают инженеру готовый тикет.
• Отвечают на стандартные вопросы по документации, превращая ее в пошаговую инструкцию.
Когда специалист открывает тикет, система показывает предыдущие обращения клиента, похожие случаи и подходящие статьи из базы знаний. Поиск, который раньше занимал 15–20 минут, теперь требует от 30 секунд до трех минут. Это особенно заметно при адаптации новых сотрудников. Срок от первого рабочего дня до самостоятельной работы с тикетами сократился с шести до двух-трех месяцев.
Следующий шаг — контроль качества. Сейчас вручную проверяется около 20% тикетов. В перспективе агенты смогут анализировать весь поток обращений и находить отклонения по нему, а не по выборке. Более долгосрочное изменение связано с тем, кто будет инициировать обращение. Пока в поддержку в основном пишут люди, но постепенно часть запросов начнут формировать агенты на стороне клиента. Логично, что принимать и обрабатывать такие обращения тоже будут агенты. Тогда поддержка перестанет быть диалогом двух людей и станет взаимодействием систем, за которыми по-прежнему стоят люди, просто их роль изменится.
В B2B-поддержке принято считать, что ИИ делает сервис холоднее. Однако вовлеченность — это не только теплый тон, но и способность учитывать контекст диалога с конкретным клиентом: его историю обращений, специфику архитектуры, ожидания от коммуникации. В потоке из сотен тикетов держать все это в голове невозможно, а ИИ помогает собрать контекст и передать его инженеру в нужный момент. Более того, мы встроили в интерфейс инструмент выравнивания Tone of Voice (ToV) и формирования понятных, дружелюбных ответов. Под дружелюбным стилем стали понимать отказ от канцеляризмов, использование простых формулировок, вежливый тон и четкую структуру ответа: «проблема — решение — дальнейшие шаги».
«Парадоксально, но мы больше работаем с ИИ именно для того, чтобы быть более человечными»
При выборе между агентом и инженером учитываются три параметра: уровень риска, повторяемость сценария и полнота данных. Если правила понятны, задачу может выполнить агент. Нестандартные и критические ситуации, вопросы безопасности и инциденты с жесткими сроками остаются за инженером. 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 кол-центра или инженера. В сложных случаях только человек способен принять неочевидное решение, которое не заложено ни в один алгоритм. Это особенно важно в премиальной поддержке, когда клиент ждет персонального подхода.
Отдельный вопрос — прозрачность. Клиент должен понимать, общается он с агентом или с человеком, и иметь возможность получить ответ на свой прямой вопрос. ИИ в B2B-поддержке — не замена человека, а усилитель его компетенций: он берет на себя рутину и сбор контекста, оставляя человеку то, что действительно требует опыта и понимания архитектуры клиента. Компаниям, которые внедряют ИИ в клиентский сервис, стоит видеть в нем не способ сократить штат, а инструмент, меняющий природу доверия между бизнесом и клиентом.
Этот материал опубликован на платформе бизнес-сообщества Forbes Экспертиза
Расходы бизнеса на автоматизацию клиентского сервиса растут. Из опроса Gartner, проведенного среди руководителей служб сервиса и поддержки в апреле — мае 2026 года, следует, что расходы на ИИ выросли на 38%. В России наблюдается схожая тенденция: по данным исследования Контур Университета, К2Тех и Naumen, к 2030 году расходы российского бизнеса на ИИ в клиентском сервисе достигнут 43% от бюджетов контакт-центров, превысив затраты на линейный персонал (37%).
Ожидается, что сотрудники будут реже заниматься типовыми операциями и чаще брать на себя более сложные задачи, требующие экспертизы. Парадоксально, но тот же Gartner отчитывается, что 50% компаний, которые сократили операторов колл-центров из-за ИИ, к 2027 году вновь наймут сотрудников для выполнения этих функций.
Поэтому бизнесу важно определить, в каких именно процессах необходим ИИ, прописать сценарии с четкими правилами и границами и отслеживать, как клиенты воспринимают инновации. Для B2B-поддержки это особенно важно. Любая ошибка здесь может означать не просто неудобство, а сбой критичной для бизнеса системы.
Почему в B2B цена ожидания выше
В B2B цена ошибки действительно выше, чем в обычном пользовательском сервисе. Значительная часть клиентов Cloud.ru и других облачных провайдеров — крупные компании со сложной IТ-архитектурой и жесткими регламентами по безопасности. Проблема с инфраструктурой может остановить бизнес-процессы, поэтому инженеру нужно понимать архитектуру клиента, историю его обращений и последствия предлагаемого решения.
К такому пониманию роли инженера наша команда пришла не сразу. Отправной точкой стали регулярные NPS-опросы: из ответов клиентов стало очевидно, что быстрый отклик сам по себе еще не означает качественную поддержку. Важнее понять запрос, предложить подходящее решение и полностью решить проблему. Поэтому мы сместили фокус со скорости ответа на результат и стали отслеживать долю запросов, решенных в первый час и первый день, повторные открытия тикетов и количество уточняющих вопросов. Параллельно мы снижали зависимость от внешнего подрядчика первой линии поддержки. Типовые задачи планировали автоматизировать, остальные — передать внутренней команде. Но разбор обращений показал: одной автоматизации недостаточно.
Инженеры vs агенты
В поддержке работают инженеры, и это накладывает свою специфику на процесс взаимодействия с пользователем. Инженеру обычно интереснее решать техническую задачу, а не вести клиента за руку. Поэтому эмпатию, умение работать с контекстом и способность объяснять сложное простым языком мы включили в обязательный профиль инженера поддержки наравне с техническими навыками. Воронка найма сузилась, зато с клиентом теперь работает инженер, который понимает не только причину сбоя, но и человека на другом конце провода.
ИИ стал следующим шагом. Но перед тем как передавать задачи агентам, мы подробно разобрали, какой именно путь проходит обращение: почему иногда запрос уходит не в ту команду, когда клиент ждет без причины. К внедрению ИИ мы в итоге подошли очень избирательно: агентам отошли повторяющиеся сценарии с четкими правилами и прописанными границами. Как результат — 10% тикетов сегодня закрываются без участия людей. Автоматизация рутины дала команде время на кейсы, где клиенту нужен инженер, который вникнет в задачу, разберется в инфраструктуре и найдет решение.
Агенты в поддержке Cloud.ru работают в трех направлениях:
• Классифицируют обращения и определяют тип запроса, сервис и причину инцидента.
• Собирают недостающую диагностическую информацию и передают инженеру готовый тикет.
• Отвечают на стандартные вопросы по документации, превращая ее в пошаговую инструкцию.
Когда специалист открывает тикет, система показывает предыдущие обращения клиента, похожие случаи и подходящие статьи из базы знаний. Поиск, который раньше занимал 15–20 минут, теперь требует от 30 секунд до трех минут. Это особенно заметно при адаптации новых сотрудников. Срок от первого рабочего дня до самостоятельной работы с тикетами сократился с шести до двух-трех месяцев.
Следующий шаг — контроль качества. Сейчас вручную проверяется около 20% тикетов. В перспективе агенты смогут анализировать весь поток обращений и находить отклонения по нему, а не по выборке. Более долгосрочное изменение связано с тем, кто будет инициировать обращение. Пока в поддержку в основном пишут люди, но постепенно часть запросов начнут формировать агенты на стороне клиента. Логично, что принимать и обрабатывать такие обращения тоже будут агенты. Тогда поддержка перестанет быть диалогом двух людей и станет взаимодействием систем, за которыми по-прежнему стоят люди, просто их роль изменится.
Как не лишить поддержку человечности
В B2B-поддержке принято считать, что ИИ делает сервис холоднее. Однако вовлеченность — это не только теплый тон, но и способность учитывать контекст диалога с конкретным клиентом: его историю обращений, специфику архитектуры, ожидания от коммуникации. В потоке из сотен тикетов держать все это в голове невозможно, а ИИ помогает собрать контекст и передать его инженеру в нужный момент. Более того, мы встроили в интерфейс инструмент выравнивания Tone of Voice (ToV) и формирования понятных, дружелюбных ответов. Под дружелюбным стилем стали понимать отказ от канцеляризмов, использование простых формулировок, вежливый тон и четкую структуру ответа: «проблема — решение — дальнейшие шаги».
«Парадоксально, но мы больше работаем с ИИ именно для того, чтобы быть более человечными»
При выборе между агентом и инженером учитываются три параметра: уровень риска, повторяемость сценария и полнота данных. Если правила понятны, задачу может выполнить агент. Нестандартные и критические ситуации, вопросы безопасности и инциденты с жесткими сроками остаются за инженером. 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 кол-центра или инженера. В сложных случаях только человек способен принять неочевидное решение, которое не заложено ни в один алгоритм. Это особенно важно в премиальной поддержке, когда клиент ждет персонального подхода.
Отдельный вопрос — прозрачность. Клиент должен понимать, общается он с агентом или с человеком, и иметь возможность получить ответ на свой прямой вопрос. ИИ в B2B-поддержке — не замена человека, а усилитель его компетенций: он берет на себя рутину и сбор контекста, оставляя человеку то, что действительно требует опыта и понимания архитектуры клиента. Компаниям, которые внедряют ИИ в клиентский сервис, стоит видеть в нем не способ сократить штат, а инструмент, меняющий природу доверия между бизнесом и клиентом.