14 декабря 2021
обновлено: 6 ноября 2026
13 ноябрь 2026
Почему все хотят внедрить ИИ в поддержку? В B2C-поддержке искусственный интеллект уже давно помогает клиентам, крупные интернет-ритейлеры, банки и телеком-операторы сократили нагрузку на операторов, повысили скорость обработки запросов и удовлетворенность клиентов. Чат-боты решают типовые вопросы о статусе заказа, балансе счета или подключении услуг за секунды, освобождая специалистов для сложных случаев.
Успех в B2C-сегменте заставил руководителей корпоративного сектора задуматься: почему внутренние пользователи должны получать менее качественный сервис, чем внешние клиенты? Сотрудники, привыкшие к мгновенным ответам от Алисы или ChatGPT дома, ожидают такого же уровня обслуживания на рабочем месте.
Однако просто перенести B2C-решения в корпоративную среду нельзя. Enterprise-компании сталкиваются с принципиально иными вызовами: сложные бизнес-процессы, специфическая терминология, интеграция с десятками внутренних систем и строгие требования к безопасности данных. Традиционные скриптовые чат-боты и типовые формы оказались неэффективными в B2B-сегменте, где каждое обращение требует индивидуального подхода и экспертного анализа.
Генеративный искусственный интеллект (GenAI) наконец предоставил корпорациям инструменты для автоматизации поддержки, более качественные. В отличие от простых чат-ботов, работающих по заранее заданным сценариям, современные ИИ-системы анализируют корпоративные базы знаний, ведут диалог на естественном языке и принимают решения в контексте конкретного запроса пользователя.
Хотя традиционные подходы к автоматизации поддержки — скриптовые чат-боты и жесткие правила маршрутизации — продолжают использоваться в корпоративной среде, сейчас российские компании могут совершить технологический рывок: каждая четвертая российская компания уже зафиксировала рост производительности более чем на 20% благодаря GenAI. Доступность современных ИИ-решений и растущая экспертиза отечественных разработчиков позволяют внедрять передовые технологии поддержки без зависимости от зарубежных вендоров. При этом отечественные решения учитывают специфику российского бизнеса и требования регуляторов.
В этом материале рассмотрим практический опыт крупных организаций, которые уже трансформируют свои службы поддержки с помощью искусственного интеллекта. Эксперты ФКУ «Соцтех», Президентской Академии и других компаний поделились конкретными результатами и техническими решениями проектов по внедрению ИИ. Также разберем основные технические компоненты GenAI-автоматизации — от векторных баз знаний и технологии RAG до ИИ-агентов и оркестрации моделей — которые позволяют существенно повысить скорость и качество сервиса в корпоративной поддержке.
Бизнес обращается к искусственному интеллекту, чтобы сократить высокие расходы на персонал в случаях, когда высококвалифицированные сотрудники выполняют рутинные задачи. Это не только экономически невыгодно, но и приводит к снижению мотивации специалистов, текучести кадров и дополнительным затратам на поиск замещающих сотрудников.
Другая проблема, которую бизнес стремится решить, — низкая скорость распространения информации внутри организации. Сотрудники тратят много времени на поиск нужных данных из-за плохо структурированных знаний, что снижает скорость работы службы поддержки и качество обслуживания клиентов.
Когда бизнес не собирает информацию из оперативной деятельности, одинаковые ошибки повторяются регулярно. Специалисты поддержки решают похожие запросы с нуля, не используя опыт коллег при обработке аналогичных заявок.
The Impact of AI on ITSM Processes and Professionals ИИ уже трансформирует три основных направления ИТ-поддержки. В управлении инцидентами виртуальные агенты берут на себя до 70% рутинных обращений, а интеллектуальная маршрутизация автоматически направляет сложные заявки профильным специалистам. В процессе управления проблемами AIOps-платформы анализируют логи, метрики и события инфраструктуры, предсказывая сбои до их возникновения — компании наконец могут перейти от реактивного реагирования к проактивной работе. Управление знаниями становится интуитивным: поиск на естественном языке понимает контекст запроса, а ИИ автоматически генерирует документацию на основе решенных инцидентов.
Наконец — не самый очевидный, но важный аспект — технологическое отставание негативно сказывается на лояльности персонала. Нейронные сети стали таким же естественным инструментом работы, как Wi-Fi или мобильная связь. Отсутствие современных технологий в рабочем процессе снижает комфорт сотрудников, они не ощущают, что компания развивается. Так затраты на удержание квалифицированного персонала только растут.
«Технологии меняют не только процессы, но и саму философию измерения эффективности. Традиционные KPI — количество закрытых обращений, время решения, соблюдение SLA — фиксируют только то, что легко посчитать, что явно зафиксировано в системе учета. За рамками остаются критически важные вещи: реальная удовлетворённость пользователей, накопление знаний в команде, риски выгорания специалистов. ИИ делает измеримым то, что раньше таковым не считалось. Анализ тона сообщений, паттернов эскалаций, динамики времени отклика позволяет выявлять скрытые проблемы до того, как они становятся критическими. Например, система способна обнаружить признаки выгорания сотрудника раньше, чем это заметит руководитель — через изменение стиля коммуникации или рост числа переназначений заявок»Андрей Вишняков Директор по бизнес-продуктам компании SimpleOne, ITIL 4 Master, ITIL 3 Expert, Practitioner, автор РИТМ
Однако важно понимать ограничение: измерять — не значит управлять. Слепое следование KPI без понимания контекста может давать обратный эффект. Именно поэтому такие инструменты, как сбалансированные светофорные карты показателей (TFL), работают не как замена менеджменту, а как расширение его возможностей — делая видимыми те аспекты, которые раньше оставались в слепой зоне, но напрямую влияли на результат.
Внедрение генеративного искусственного интеллекта в техподдержку приносит измеримые финансовые результаты. Экономический эффект формируется за счет сокращения затрат на персонал, снижения времени простоя сотрудников и повышения скорости обработки запросов.
Компания обрабатывала 3100 заявок в год, средняя зарплата специалиста поддержки составляла 1 162 000 рублей в год. При этом каждая заявка приводила к двум дням простоя сотрудников, в результате общие затраты на простои составляли 27 300 000 рублей ежегодно. Прямые затраты на обработку заявок составляли 3 600 000 рублей в год.
После внедрения ИИ-решений время обработки заявок сократилось в четыре раза, как и период простоя сотрудников. В результате компания получила снижение затрат на персонал и минимизацию потерь от простоев.
Итоговая экономия составила 23 200 000 рублей в год.
Другой пример экономии с помощью более знакомого рынку предиктивного ИИ — проект «ИИ Анюта» в ФКУ «Соцтех», где нейросеть отвечает за диспетчеризацию обращений. Проект помог организации сэкономить 857 часов рабочего времени специалистов диспетчерского пункта. Система обрабатывает 70% всех обращений автоматически за 2 секунды, ранее приходилось тратить по 8–10 минут ручной работы.
Помимо прямых финансовых выгод, ИИ помогает повысить качество обслуживания. Искусственный интеллект анализирует базы знаний компании и предоставляет консистентные ответы на типовые вопросы, исключая человеческий фактор при поиске информации.
Яркий пример — ИИ-помощник на портале самообслуживания, который устраняет традиционный барьер между пользователями и корпоративными услугами. Раньше сотрудник должен был изучать сложную структуру сервисного портала, разбираться в специфической терминологии разных департаментов, искать нужную услугу среди сотен пунктов каталога с множеством уровней вложенности и заполнять сложные формы. Теперь он просто описывает потребность естественным языком — «Нужен доступ к CRM для нового проекта» — и ИИ автоматически находит правильную услугу, правильный типовой запрос, который может быть назван и описан совершенно иначе, чем спросил пользователь. Система заполняет поля на форме запроса на портале за пользователя и направляет этот запрос на обслуживание сразу профильному специалисту, который сразу готов приступить к выполнению обращения без необходимости выяснения деталей. Корпоративное обслуживание становится таким же простым и интуитивным, как в привычных B2C-сервисах.
Исследование Gartner подтверждает этот тренд: порталы самообслуживания, live-чаты и системы управления знаниями становятся ключевыми инструментами для быстрой и масштабируемой поддержки, опережая традиционные каналы вроде телефона и email. В ближайшее время в SimpleOne запланирован выпуск ИИ-гида на портале самообслуживания ITSM, который поможет пользователю не потеряться в массе информации на портале, объединит интеллектуальный поиск услуг, форм типовых запросов, статей базы знаний, объявлений, автоматическое заполнение форм через Smart Filling, проактивные подсказки на основе RAG и контекстную помощь с учётом роли пользователя.
Автоматизация позволяет службе поддержки сосредоточиться на действительно сложных задачах, требующих экспертных знаний. Рутинные запросы обрабатываются автоматически, а специалисты занимаются нестандартными инцидентами, консультированием и развитием сервисов.
При этом важным преимуществом становится масштабируемость решения. ИИ-система может одновременно обрабатывать множество запросов без снижения качества ответов, что критично в периоды пиковой нагрузки. В Президентской Академии, где в сезон приемной кампании может приходить до 20 тысяч обращений, создали цифрового сотрудника отдела техподдержки — ИИ Артур. Решение не только помогает маршрутизировать заявки, но и учится на ошибках. Чем больше обращений получит ИИ, тем более точными будут результаты его работы.
Традиционная же служба поддержки требует пропорционального увеличения штата для обработки растущего объема обращений, что становится экономически нецелесообразным при современных темпах роста бизнеса.
Автоматизация поддержки с помощью ИИ требует продуманной архитектуры, объединяющей несколько технологических компонентов. Современные решения, например, GenAI-платформы автоматизации, должны обеспечивать интеграцию с корпоративными источниками знаний, управление различными моделями ИИ и создание удобных пользовательских интерфейсов через визуальные конструкторы.
Рассмотрим, какие инструменты и технологии помогают автоматизировать поддержку.
Workflow-движок — это визуальный конструктор бизнес-процессов, где ИИ встраивается в процессы как обычный этап. Администратор работает в привычном интерфейсе drag-and-drop, перетаскивая блоки действий и соединяя их в логическую цепочку.
Workflow состоит из блоков, которые выполняются последовательно или в зависимости от условий. Наравне со стандартными блоками автоматизации (IF-условия, циклы, скрипты) появляются AI-блоки, выполняющие интеллектуальные операции: классификацию обращений, генерацию текста, распознавание документов, извлечение данных.
Бизнес-пользователь может настроить процесс с интеллектуальной автоматизацией за 1-2 часа через визуальный конструктор, без программирования.
ИИ-агенты — это автономные программные модули, способные самостоятельно выполнять задачи без постоянного участия человека. В отличие от традиционных чат-ботов, работающих по жестким сценариям, ИИ-агенты анализируют контекст запроса, принимают решения и выполняют действия в корпоративных системах: создают заявки, обновляют данные в CMDB, инициируют согласования.
Чем агент отличается от чат-бота и ассистента:
| Тип | Степень автономности | Как работает |
|---|---|---|
| Чат-бот | Очень низкая | Задали вопрос → получили ответ |
| ИИ-ассистент | Низкая | Помогает человеку, поддерживает контекст, требует подтверждения действий |
| ИИ-агент | Высокая | Самостоятельно планирует шаги, выполняет действия, корректирует стратегию |
Цикл работы агента:
GenAI-платформы предоставляют инструменты для создания таких агентов для службы поддержки, механизмы их координации и систему управления жизненным циклом — от разработки до мониторинга работы.
Основой любой ИИ-системы для поддержки выступают векторные базы данных, работающие по принципу Retrieval-Augmented Generation (RAG). Эта технология позволяет нейронным сетям не просто генерировать ответы на основе обучающих данных, а находить релевантную информацию в корпоративных источниках и использовать ее для формирования точных ответов.
Современные платформы для ИИ-автоматизации позволяют использовать различные модели ИИ одновременно: от open-source решений до коммерческих российских и зарубежных сервисов. GenAI-платформы работают с ИИ-моделями через унифицированный интерфейс для управления множеством ИИ-нексусов.
Нексус — это не просто модель ИИ, а абстракция более высокого уровня, которая описывает:
Преимущества мультимодельного подхода для поддержки:
| Независимость от вендора | Служба поддержки не привязывается к одному провайдеру LLM. Если одна модель становится недоступной, можно переключиться на другую без переписывания процессов обработки заявок |
|---|---|
| Оптимизация затрат на обработку обращений | Разные модели имеют разную стоимость токенов. Служба поддержки может использовать легкие и дешевые модели для типовых запросов (сброс паролей, статус заявок), а мощные и дорогие — для сложных технических инцидентов |
| Специализация по типам обращений | Разные нексусы поддерживают разные модальности данных. При обработке заявки с голосовым сообщением используется модель для распознавания речи, при работе со сканом документа — OCR-модель, при анализе текстового описания проблемы — текстовая LLM |
| Поддержка локальных и облачных моделей | Критично для служб поддержки с высокими требованиями к безопасности данных. Можно использовать облачные API для обработки общих запросов и локально развёрнутые модели в защищённом контуре для конфиденциальных обращений (например, инциденты с персональными данными) |
| Мониторинг эффективности и затрат | Каждое обращение к нексусу логируется, что позволяет отслеживать расход бюджета по типам обращений, выявлять неоптимальное использование дорогих моделей и корректировать маршрутизацию запросов |
| Отказоустойчивость службы поддержки | При выходе одного экземпляра нейросети из строя система автоматически переключается на резервные мощности благодаря балансировке нагрузки. Это важно для корпоративных служб поддержки, где простои недопустимы |
Low-code инструменты для создания ИИ-процессов позволяют быстрее настраивать автоматизацию процессов поддержки. Визуальные редакторы workflow содержат специализированные блоки для работы с нейронными сетями, готовые шаблоны и паттерны интеграции. Разработчики собирают сложные сценарии автоматизации из готовых компонентов без написания кода с нуля.
Современные платформы поддерживают три уровня настройки — от визуального конструктора без кода до Pro-Code для сложных интеграций. Можно использовать гибридный подход: большая часть задач решается быстро через No-Code/Low-Code, а сложные сценарии реализуются через Pro-Code без необходимости переписывать всю систему.
Один из главных рисков автоматизации через ИИ — непрозрачность решений. Почему ИИ выбрал именно это действие? Какие данные использовал? Можно ли отследить ошибку? Решение: полное логирование всех действий ИИ на уровне платформы.
Каждый запущенный workflow с участием ИИ создаёт запись, где фиксируется:
Также фиксируются этапы задач ИИ (AI Task Steps) — детализация каждого AI-действия внутри процесса:
Логирование нужно, чтобы можно было проследить, почему система приняла то или иное решение. Если ИИ ошибся, можно точно увидеть на каком этапе и почему, скорректировать промпт или настройки.
Кроме того, важно наличие Role-Based Access Control (RBAC) для гранулярного управления доступом к ИИ-функциональности. Система ролей определяет четыре уровня прав:
Например, роль «Администратор ИИ» получает полный доступ ко всем нексусам, настройке промптов и просмотру логов всех задач, роль «Оператор поддержки» — только к запуску готовых процессов и просмотру результатов своих задач, а роль «Пользователь» — доступ исключительно к чат-ботам с ограниченным набором лёгких моделей. Это обеспечивает принцип минимальных привилегий: сотрудники получают доступ только к тем ИИ-инструментам, которые необходимы для их работы.
Для разных задач бизнес может использовать индивидуальный набор инструментов, например:
Ниже — кратко о том, каких результатов крупные компании добились с помощью внедрения ИИ в поддержку. Полные выступления экспертов можно посмотреть на Rutube.
Федеральное казенное учреждение «Соцтех» под ведомством Минтруда России реализовало один из первых в госсекторе проектов автоматизации ITSM-процессов с помощью искусственного интеллекта. Модуль «ИИ Анюта» был создана собственным силами специалистов учреждения на базе PyTorch — полностью самостоятельная разработка без зависимости от внешних вендоров. При этом приходилось работать в условиях сложной ИТ-инфраструктуры.
Результаты проекта:
«Искусственный интеллект в государственной сфере — это не эксперимент и не модный термин. В Соцтехе ИИ стал частью процесса сопровождения. Ценность ИИ раскрывается только тогда, когда он встроен в процесс и работает автоматически. Для нас внедрение ИИ — это возможность качественно и эффективно использовать время сотрудников: технологии освобождают время специалиста на исследование сложных ситуаций и работу непосредственно для решения задачи, — Анна Евтюхина, начальник отдела по сопровождению развития единой системы технической поддержки в Соцтех»Анна Евтюхина Начальник отдела по сопровождению развития единой системы технической поддержки ФКУ «Соцтех»
Модуль «ИИ Анюта» обслуживает 89 регионов России и работает с 7 информационными системами Минтруда по 16 различным ИТ-операциям.
Президентская Академия РАНХиГС, крупнейший вуз в Европе с 50 филиалами, где учится 270 тысяч студентов, использует ИИ для поддержки всех категорий пользователей: студентов, преподавателей и административного персонала.
ИИ-система помогает автоматически классифицировать обращения по различным направлениям технических и сразу же определять правильного исполнителя. Классификация происходит без участия человека. Тем самым первая линия «не трогает руками» больше 72% обращений, приходящих по почте.
«Особенность образовательной сферы — необходимость быстро реагировать в загруженные периоды, например, когда проходят приемные кампании или сессии. В Президентской Академии ИИ обеспечивает скорость реакции и масштабируемость системы поддержки без пропорционального увеличения стоимости обработки запросов»Сергей Харитонов Директор центра ИТ‑поддержки, Президентская академия РАНХиГС
Генеративный ИИ меняет саму философию корпоративной поддержки: от реактивной обработки заявок к проактивному предотвращению проблем и накоплению организационных знаний.
С точки зрения операционной эффективности генеративный ИИ автоматизирует до 70% типовых обращений, сокращает время обработки заявок в 4-5 раз и высвобождает специалистов от рутинных задач. Компании экономят миллионы рублей на персонале и минимизируют потери от простоев сотрудников. При этом GenAI применим не только для диалога и генерации ответов, но и для классификации и маршрутизации обращений – без необходимости собирать размеченные датасеты и обучать отдельную модель. В кейсах ФКУ «Соцтех» и Президентской Академии для этих задач использовались предиктивные модели – привычный и проверенный рынком подход, тогда как генеративные модели в этой роли только набирают распространение.
С точки зрения качества услуг GenAI обеспечивает консистентность ответов, персонализацию обслуживания на основе контекста обращения и корпоративных знаний, а также масштабируемость без снижения качества в периоды пиковой нагрузки. ИИ не просто быстрее обрабатывает запросы – он делает это точнее, опираясь на всю накопленную экспертизу компании через технологию RAG, и обеспечивает одинаково высокий уровень сервиса для всех пользователей.
Этот подход универсален: технология работает там, где есть три критических условия. Первое – процессная зрелость: хаотичные процессы ИИ только усилит. Второе – качество корпоративных знаний: нейросеть учится на том материале, который есть в организации, будь то 39 тысяч исторических заявок или структурированная Wiki. Третье – культурная готовность команды принять новую роль: не «исполнителей заявок», а «менеджеров знаний», работающих в гибридной модели «человек + ИИ».
Российские компании получают окно возможностей: доступность отечественных LLM-моделей и GenAI-платформ, понятные регуляторные рамки и растущие ожидания сотрудников делают внедрение ИИ-инструментов не технологическим экспериментом, а стратегической необходимостью для сохранения конкурентоспособности.
