В службе поддержки хорошо видно, сколько стоит организационная беспомощность. Клиент описывает проблему. Сотрудник роется в базе знаний, пересылает вопрос старшему, возвращается с уточнением. Клиент повторяет сказанное. Таймер тикает, зарплата начисляется, раздражение растёт. Через десять минут опытный коллега находит решение, которое уже применял вчера. Компания второй раз оплачивает поиск ответа, которым она давно владеет. Если таких эпизодов тысячи, получается дорогой конвейер по повторному изобретению велосипеда. Здесь ИИ может приносить пользу: доставлять подходящее знание в конкретный момент работы.
Реальное внедрение с измеримым результатом
Эрик Бриньолфссон, Даниэль Ли и Линдси Рэймонд изучили поэтапное внедрение ИИ-помощника у 5 172 сотрудников поддержки компании из Fortune 500, продающей программное обеспечение для бизнес-процессов. Название компании не раскрывается. Сотрудники получали рекомендации во время общения с клиентами. В окончательной журнальной версии исследования, опубликованной в The Quarterly Journal of Economics в 2025 году, средний прирост числа решённых обращений за час составил около 15%. Менее опытные и менее результативные сотрудники выигрывали сильнее; у самых опытных улучшения скорости были небольшими, а некоторые показатели качества снижались. [1]
Это исследование работающего процесса, с реальными клиентами и сотрудниками. Но распределение доступа не было случайным. Авторы использовали метод разности разностей: сопоставляли изменения показателей при поэтапном подключении, учитывая особенности сотрудников, календарное время и стаж. Такая конструкция сильнее сравнения двух красивых скриншотов «до» и «после», однако причинная интерпретация зависит от её предпосылок. Статья не устанавливает рост прибыли компании и не сообщает, что 15% персонала стали лишними. Именно в этих границах кейс можно назвать успешным. [1]
Компания уже знала ответы. Проблема была в доставке
Полезное управленческое прочтение кейса начинается с простого различия. В компании может существовать знание, которым отдельный сотрудник не способен воспользоваться вовремя. Инструкция лежит в одном месте, исключение — в переписке, практический приём — в голове человека, ушедшего на обед. Покупатель этого устройства организации не видит. Для него компания либо решает проблему, либо гоняет его по кругу. Поэтому доступность знаний следует измерять через действие: смог ли сотрудник принять верное решение в нужный момент, с приемлемой ценой ошибки.
Представим обычную, условную службу поддержки интернет-магазина. Новичок знает правила возврата, но теряется, когда товар куплен по акции, доставлен частями и оплачен разными способами. Хорошая подсказка должна связать условия заказа с действующей процедурой. Красивый ответ общего назначения здесь бесполезен. Он способен звучать безупречно и обещать клиенту то, чего компания выполнить не может. Разница между двумя системами определяется тем, как устроены данные, полномочия и проверка результата. Размер модели сам по себе этой разницы не объясняет.
В другом рандомизированном эксперименте, посвящённом профессиональным письменным заданиям, Шаккед Ной и Уитни Чжан обнаружили ускорение работы и улучшение оценок результатов при доступе к генеративному ИИ. Это отдельная задача и другая среда. Исследование поддерживает возможность выигрыша в конкретной операции, но не позволяет переносить коэффициент улучшения на весь бизнес. [2] Для собственника отсюда следует полезная дисциплина: сначала назвать операцию и результат, затем выбирать инструмент. Формулировка «повысить эффективность сотрудников с помощью ИИ» слишком растяжима. Под неё можно подложить почти любой отчёт.
Пятнадцать процентов не превращаются в деньги по щелчку
Разберём арифметику на условном примере, который не относится к исследованной компании. Двадцать сотрудников закрывают по десять обращений за смену. Получается двести обращений. При росте производительности на 15% потенциальная мощность составит двести тридцать. Но если входящий поток равен ста восьмидесяти, дополнительных продаж от этих тридцати мест в очереди не возникнет. У компании появится запас мощности. Он может пригодиться в сезон, уменьшить переработки или освободить время для сложных клиентов. Каждая такая возможность требует отдельного решения руководителя.
Даже при постоянной очереди выручка не обязана вырасти. Поддержка может обслуживать уже оплаченный продукт. Тогда экономическая ценность лежит в другом: меньше ожидание, ниже число повторных обращений, лучше удержание, отсрочка найма. При этом сокращение затрат возможно только там, где затрата действительно устраняется или предотвращается. Час, который освободился у человека и растворился между совещаниями, нельзя записывать в экономию по полной ставке зарплаты. Бухгалтерия от такой записи богаче не станет, хотя презентация приобретёт приятный зелёный оттенок.
Полезная модель расчёта складывает три величины: подтверждённое снижение расходов, дополнительный маржинальный доход и обоснованную стоимость предотвращённых потерь. Из суммы вычитаются подписки, интеграция, подготовка данных, обучение, проверка ответов и сопровождение. Один эффект нельзя учитывать дважды. Если высвободившийся час пошёл на дополнительную продажу, нельзя одновременно целиком записать его как сокращение фонда оплаты труда. Исследование о «кривой производительности» объясняет, почему новая технология требует дополняющих вложений в процессы и навыки, а её отдача может проявляться с задержкой. [4]
Помощник для новичка и помощник для сильного сотрудника — разные продукты
Если конструировать собственный пилот, разумно заранее разделить сотрудников по стажу, сложности задач и исходной результативности. Иначе среднее значение скроет неприятную механику. Допустим, новички начали отвечать быстрее, а сильные специалисты тратят время на исправление навязчивых подсказок. Общий показатель улучшился, проект объявлен победой, лучшие сотрудники тихо выключают систему. Через месяц руководителю показывают падение «вовлечённости в ИИ» и предлагают дополнительное обучение. Хотя сначала следовало разобраться, кому инструмент помогает, в какой операции и какой ценой.
Право отклонить рекомендацию необходимо сделать рабочим, а не декоративным. Если каждый отказ портит сотруднику показатель использования системы, компания постепенно покупает послушание вместо качества. Для собственного внедрения полезнее фиксировать причины отказов: устаревшая информация, неверное понимание запроса, неприменимое исключение, лишние действия. Эти записи дают материал для улучшения процесса. Иначе журнал активности становится кладбищем галочек. Сотрудник нажимает нужную кнопку, руководитель получает нужный график, а клиент по-прежнему ждёт решения своей проблемы.
Эксперимент с консультантами BCG показал, что польза генеративного ИИ зависит от конкретной задачи: на одних заданиях результаты улучшались, а за пределами возможностей системы могли ухудшаться. [3] Практический вывод для поддержки — проверять разные классы обращений отдельно. Возврат стандартного заказа, спорная компенсация и проблема безопасности не должны автоматически получать одинаковую степень автоматизации. Согласование дорогого исключения требует другого контроля, чем предложение ссылки на инструкцию. Универсальная кнопка «пусть ИИ ответит» слишком легко превращает удобство оператора в чужую финансовую ответственность.
Как повторять логику успеха у себя
Начать стоит с одного потока обращений, для которого можно описать правильное завершение. Например, клиент получил рабочее решение, не вернулся с той же проблемой в согласованный срок, а сотрудник уложился в допустимые полномочия. До подключения системы нужно зафиксировать исходный уровень и состав обращений. Иначе сезонное облегчение нагрузки будет выглядеть как технологический прорыв. Желательно сравнивать сопоставимые группы одновременно; при достаточном масштабе случайное распределение доступа делает оценку убедительнее. Срок наблюдения выбирают по объёму данных и повторяемости процесса, а не по дате презентации.
Скорость должна стоять рядом с качеством. В набор показателей полезно включить повторные обращения, подтверждённые ошибки, эскалации и время проверки рекомендаций. Отдельно учитываются редкие, но дорогие промахи. Десять тысяч безобидных ответов не компенсируют одно обещание, которое создаёт существенный убыток. Для таких событий заранее определяют ограничения и остановку процесса. В рамке NIST AI RMF управление риском включает описание контекста, измерение и действия по результатам наблюдений. Это добровольная методика, а не сертификат безопасности конкретного внедрения. [5]
Перед масштабированием полезно устроить разбор нескольких десятков сложных диалогов с руководителем поддержки и человеком, отвечающим за экономику процесса. Здесь внешний практик может оказаться полезен, если он способен связать обещание клиенту, себестоимость решения и правила работы. Его работа — обнаружить перекос метрики, проверить расчёт и помочь договориться о полномочиях. Само присутствие консультанта никакого эффекта не гарантирует. Если у компании уже есть независимый внутренний руководитель с такой компетенцией, эту функцию может выполнить он. Покупать следует конкретную работу, а не дополнительное кресло на совещании.
Стоит заранее определить и судьбу высвободившегося времени. Более быстрые ответы могут увеличить нагрузку на вторую линию, склад или бухгалтерию. Тогда узкое место просто переедет за соседнюю дверь. План внедрения должен объяснять, кто принимает выросший поток, какие проблемы сотрудники начинают решать глубже и по каким признакам мощность действительно превращается в ценность. Без этого даже честно измеренное ускорение рискует остаться локальным рекордом. Команда бежит быстрее, а заказ клиента всё ещё лежит в той же очереди.
Успех начинается с внятного устройства работы
Сильная сторона такого подхода — его проверяемость. Руководителю не требуется верить в технологическую революцию. Достаточно видеть, что конкретный поток обслуживается лучше, сотрудники понимают границы инструмента, ошибки обнаруживаются, а экономический эффект выдерживает пересчёт. После этого можно расширять применение и снова измерять результат. Хорошее внедрение выдерживает неприятные вопросы: где стало хуже, кому не помогло, что пришлось переделать. Если на них отвечают только восторженными отзывами пользователей, перед нами пока история о впечатлениях.
Для владельца бизнеса главный ориентир здесь вполне земной: уменьшить расстояние между накопленным опытом компании и человеком, который должен принять решение прямо сейчас. Такое расстояние создаётся плохими данными, неудобными процедурами, отсутствием полномочий и потерянными знаниями. ИИ способен помочь пройти часть пути. Но направление, критерий результата и ответственность за последствия придётся задать людям. Именно эта работа определяет, получится ли рабочий инструмент или ещё один дорогой экран, на котором убедительно написано, что всё хорошо.