Ловушка ИИ: почему автоматизация делает сервис дороже и где ошибается бизнес

В Moneyveo отправной точкой для изменений стали две связанные проблемы. Операторы работали с большим объемом информации: поиск нужного ответа создавал паузы, а качество консультаций было неравномерным. В то же время ручная проверка охватывала около 3% звонков. Что происходило в остальных 97%, мы не могли оценивать настолько же системно.

Можно было требовать от операторов большей скорости, а от команды контроля — большего количества проверок. Однако поиск информации все равно отнимал бы время, а расширение ручного контроля требовало бы дополнительных ресурсов. Нам нужно было изменить условия, в которых работала команда.

За что на самом деле платит компания

Когда оператор ищет нужное объяснение, бизнес оплачивает этот поиск, а клиент — тратит свое время на ожидание. Если ответ оказывается неполным, возникает еще и стоимость повторной работы. Ее легко недооценить, когда каждый контакт анализируют отдельно.

Поэтому стоимость решенного вопроса должна стать одним из главных показателей экономики сервиса. Наряду со временем обработки обращения нужно видеть корректность консультации и долю вопросов, решенных с первого контакта. Так руководитель может отличить реальное улучшение от ситуации, когда часть работы просто перенесли на следующего оператора или самого клиента.

В финансовых услугах это особенно важно. Человек опирается на разъяснения условий, платежей или порядка действий, принимая собственные решения. Ответ должен быть точным и понятным. Если для этого сотруднику нужно время, задача руководителя — выяснить, какую его часть можно высвободить без потери содержания консультации.

В клиентском сервисе одной из задач для ИИ стало сокращение времени на поиск информации.

Где сервис дает сбой

В Moneyveo создана система, которая формирует контекстные подсказки на основе базы знаний компании непосредственно в рабочем интерфейсе оператора. Сотрудник получает поддержку в момент консультации и быстрее находит нужный ответ.

По результатам нашего кейса среднее время обработки обращения сократилось на 25%, время обучения нового оператора — вдвое. Также вырос показатель решения вопроса с первого обращения. Сокращение времени показывает изменение производительности. Решение вопроса с первого контакта помогает проверить, получил ли клиент нужный результат.

Параллельно мы расширили охват контроля качества. От ручной проверки около 3% звонков перешли к автоматическому анализу около 98%, а по актуальным результатам — 100%. Система транскрибирует разговоры, определяет темы и подтемы, проверяет их по критериям качества и фиксирует отклонения. Это дает значительно более полный материал для обучения команд и совершенствования процессов.

Если одинаковые трудности возникают во многих разговорах, объяснять их только ошибками отдельных операторов недостаточно. Нужно проверять инструкцию, актуальность базы знаний, организацию самого процесса.

Компания может годами оплачивать недостатки собственных процессов рабочим временем сотрудников. Системный анализ помогает увидеть, где оператору необходимо обучение, а где изменений требует решение менеджмента. Именно эти изменения определяют пользу контроля: даже полный охват звонков мало что даст, если выявленные проблемы останутся нерешенными.

Когда ИИ не оправдывает расходов

Мы тоже начинали с разрозненных экспериментов. Разные подразделения пробовали ИИ для ситуативных задач, быстрые результаты стимулировали двигаться дальше. Единых правил и системного подхода не хватало.

Со временем мы увидели, что некоторые AI-решения могут стоить дороже текущего процесса и при этом не устранять его основную проблему. Тогда перед разработкой начали задавать три вопроса: что именно хотим улучшить? Сколько времени или денег тратим на это сейчас? Какого результата ожидаем?

Эти вопросы помогают определить целесообразность инвестиций. Способность технологии выполнить задачу еще не означает, что компании выгодно поручить ее именно ей. При оценке нужно учитывать расходы на интеграцию, подготовку данных, проверку результатов и дальнейшую поддержку.

Нашей основой стали описание процессов, цифровизация, интеграция систем и данных, автоматизация рутины. Эта работа началась задолго до внедрения ИИ. Когда процесс не структурирован или нет качественной базы знаний, соответствующую подготовку придется включить и в бюджет, и в сроки проекта.

Так же нужно разделять производительность и финансовый результат. После автоматизации и внедрения ИИ наша команда обрабатывала на 38% больше электронных обращений клиентов без увеличения штата. Время обработки заявки на выдачу кредита верификатором, в частности проверки карты, региона и документов, сократилось на 53%.

Больший объем обращений без расширения команды показывает, как может меняться соотношение объема работы и расходов на персонал. Более быстрая обработка заявки позволяет направить высвободившиеся часы на другие задачи. Как использовать этот ресурс и оправдывает ли эффект расходы на решение — отдельный управленческий вопрос. Сам процент ускорения на него не отвечает.

Полезные идеи для ИИ не всегда приходят из IT

Поиск задач для ИИ также не стоит полностью возлагать на IT или отдельную AI-команду. Люди, которые ежедневно работают с процессом, лучше видят его рутину и слабые места. Им нужны знания о возможностях технологии и поддержка для проверки идей.

Поэтому мы развиваем AI Runners — сеть сотрудников бухгалтерии, маркетинга, юридического и других подразделений. Это специалисты своих направлений, которые находят прикладные задачи для ИИ. Мы создали программу обучения и выбрали людей, готовых развиваться и делиться знаниями с коллегами. Каждый работал с реальным процессом своего подразделения.

Бизнес находит проблему и помогает оценить результат, а централизованная команда обеспечивает технологию, методологию, единые правила и контроль, поддерживает проверку и масштабирование решений. Такое распределение позволяет сравнивать десятки идей и выбирать те, где есть обоснованный эффект. Для сотрудников это также возможность самим влиять на то, как ИИ меняет их работу.

Но даже хорошо организованное внедрение зависит от того, какие результаты поощряет компания. Если главное требование к оператору — быстрее завершить контакт, новые инструменты будут работать в рамках этого требования. Оценка должна стимулировать оператора давать корректный ответ и решать вопрос с первого обращения.

Поэтому перед инвестицией в ИИ руководителю стоит проверить собственные критерии успеха. Не вознаграждает ли компания скорость, за последствия которой потом платит повторно? Ответственность руководителя — сделать так, чтобы технология помогала сокращать расходы на решение вопроса, а клиенту не приходилось обращаться с ним снова.