Как мы внедряем AI и автоматизацию в клиентские сервисы

Сначала вопрос «что убрать», а не «где добавить AI»

Когда к нам приходят с запросом «внедрите нам искусственный интеллект», первое, что мы делаем, — притормаживаем. Не потому что мы против AI, а потому что в 80% случаев формулировка задачи перевёрнута. Компания смотрит на технологию и ищет, куда её приткнуть. А правильная отправная точка — это процесс, в котором людям больно: где они тратят часы на рутину, где клиент ждёт ответа сутки, где данные перепечатываются из одной системы в другую вручную.

Поэтому в OneDev мы начинаем не с вопроса «где использовать AI», а с вопроса «что в этом сервисе можно вообще не делать». Иногда ответ — это автоматизация без всякого AI: простой скрипт, интеграция между двумя системами, шаблон. Иногда — классические правила и очереди. И только там, где задача действительно про неструктурированный текст, язык, классификацию или прогноз, в дело идёт машинное обучение и языковые модели. Такой порядок экономит заказчику бюджет и нервы: вы не платите за модный слой поверх хаоса, вы убираете хаос.

Почему «внедрить AI» чаще всего делает хуже

Типичный сценарий неудачного внедрения выглядит так. Команда подключает языковую модель к поддержке, она начинает отвечать клиентам, а дальше выясняется, что модель уверенно выдумывает условия тарифов, путает регламенты и обещает то, чего компания не делает. Нагрузка на операторов не падает, а растёт: теперь они ещё и разгребают последствия. Система усложнилась, появилась новая точка отказа, а измеримой пользы нет.

Корень проблемы в том, что AI добавили как украшение поверх неотлаженного процесса. Если у вас нет чёткой базы знаний, нет понятных регламентов, нет данных в нормальном виде — модель просто масштабирует существующий беспорядок. Технология усиливает то, что уже есть. Если процесс кривой, AI сделает его криво и быстро.

Наш подход: три уровня вместо «волшебной кнопки»

Мы раскладываем любой клиентский сервис на три уровня автоматизации и идём строго снизу вверх. Это дисциплина, которая бережёт бюджет.

• Уровень 1 — детерминированная автоматизация. То, что описывается чёткими правилами: маршрутизация заявок, автозаполнение полей, уведомления, выгрузки, синхронизация между CRM, биллингом и складом. Здесь AI не нужен, нужны интеграции и аккуратная логика. Это даёт самый быстрый и предсказуемый эффект.
• Уровень 2 — узкие ML-модели. Классификация обращений по темам, приоритизация, выявление аномалий в платежах, прогноз нагрузки, распознавание документов (OCR для счетов, паспортов, актов). Модель решает одну понятную задачу, её качество легко измерить и проконтролировать.
• Уровень 3 — генеративный AI и языковые модели. Подготовка черновиков ответов, суммаризация длинных обращений, помощь оператору, поиск по базе знаний на естественном языке. Здесь мы всегда держим человека в контуре принятия решения и строго ограничиваем модель проверенными источниками.

Большинство реального эффекта в клиентских сервисах даёт первый и второй уровень. Генеративный AI — мощный инструмент, но он работает только когда под ним лежит крепкий фундамент из чистых данных и отлаженных процессов.

Как мы строим AI-ассистента, которому можно доверять

Когда задача действительно требует языковой модели — например, помощь оператору поддержки или внутренний поиск по регламентам, — мы строим её по архитектуре с привязкой к источникам (RAG, retrieval-augmented generation). Это значит, что модель не отвечает «из головы», а сначала находит релевантные документы в вашей базе знаний и формулирует ответ строго на их основе, с ссылками на первоисточник.

Такой подход решает главную боль — галлюцинации. Если в базе нет ответа, ассистент честно говорит «не знаю» и передаёт обращение человеку, а не выдумывает. Для B2B и госсектора это принципиально: лучше честное «уточню у специалиста», чем уверенная ошибка в официальном ответе.

Дополнительно мы закладываем несколько обязательных вещей: логирование всех запросов и ответов для аудита, возможность отката к предыдущей версии промптов и базы знаний, метрики качества (доля переданных человеку обращений, точность по выборке, удовлетворённость), а также чёткое разграничение, что модель может делать сама, а что — только предлагать оператору.

Данные и безопасность: то, о чём спрашивают в последнюю очередь, а должны — в первую

Любой AI в клиентском сервисе работает с персональными данными клиентов, перепиской, документами. Поэтому до старта мы проговариваем с заказчиком, где физически будут обрабатываться данные, какие из них вообще нельзя отдавать во внешние облачные модели, и какие требования предъявляет узбекское законодательство о персональных данных.

В зависимости от чувствительности данных мы выбираем разные конфигурации: от использования внешних API с обезличиванием данных до развёртывания открытых моделей на инфраструктуре заказчика или в локальном дата-центре. Для госсектора и финансовых организаций последний вариант часто оказывается единственно допустимым. Эти решения дешевле принять на старте, чем переделывать архитектуру после запуска.

Как понять, что вам действительно нужен AI, а не просто автоматизация

Перед тем как закладывать в проект машинное обучение, мы проверяем задачу по нескольким критериям. Если хотя бы один пункт не выполняется — скорее всего, вам выгоднее обычная автоматизация.

• Задача про неструктурированные данные. Тексты обращений, документы, речь, изображения. Если данные уже в таблицах и логике — это правила, а не AI.
• Есть объём для обучения и оценки. Нужны исторические данные, на которых можно настроить и проверить качество.
• Ошибка допустима и контролируема. Есть человек или механизм, который ловит и исправляет промахи модели.
• Эффект измерим. Вы заранее знаете, какую метрику улучшаете: время ответа, долю автоматических решений, точность маршрутизации.