Замена поддержки на ChatGPT обрушила продажи с 20% до 3%: что ИИ не тянет

Каждый руководитель поддержки, который запускает ИИ-ассистента, видит одну и ту же картину. Сначала команда боится: «меня заменят». Потом успокаивается: «он тупой». А когда бот начинает реально помогать, тревога возвращается. Разберёмся, где ИИ действительно сильнее людей, где он проваливается и что делать с командой.

Что ИИ уже забрал

Значительная часть работы первой линии — это не общение с клиентом, а маршрутизация и поиск информации. Здесь машина объективно быстрее. В одной крупной ИТ-компании ассистент объединил разрозненные источники знаний в единый поиск. Раньше инженеры часами копались в документации и архивах тикетов, теперь получают нужные разделы и описания похожих проблем за минуты. Время ответа на запросы банка-заказчика сократилось на 29%.

Важная деталь: компания пересмотрела и мотивацию сотрудников. Людей заинтересовали не только пользоваться инструментом, но и пополнять базу типовых решений. Без этого поиск быстро упирается в устаревшие данные.

То же касается классификации обращений по темам и приоритетам, черновиков ответов на типовые вопросы (с проверкой человеком) и извлечения фактов из истории тикетов. Агент может подсказывать оператору прямо в диалоге: «Похожий кейс был в марте, решение такое». Если специалист тратит на такие задачи 60% времени, ИИ не отнимает работу, а освобождает время.

Где ИИ проваливается

Показательный эксперимент: продуктовая команда заменила первую линию на ChatGPT. Через поддержку шло около 20% продаж, менеджеры превращали переписку в заказы. После автоматизации доля упала до 3%. Бот отвечал на вопросы, но не слышал сомнений, не предлагал альтернатив и не снимал возражений. Он информировал, а не продавал.

Вторая проблема знакома всем, кто подключал LLM к поддержке: модель уверенно выдумывает факты и почти никогда не говорит «не знаю». Практичное решение из обсуждений: прямо прописать в промпте «если не нашёл ответ в контексте, скажи, что не знаешь», и добавить обязательную проверку ответа перед отправкой. Но и сами эти правила придумывает и контролирует человек.

Есть и другие слабые места:

• Эмоции. Фраза «я понимаю ваше разочарование» не меняет тон разговора, когда клиент на грани.
• Суждение в неопределённости. Баг не воспроизводится, два отдела говорят разное, нужно решить, эскалировать или ждать. ИИ предложит варианты, решает человек.
• Системные проблемы. ИИ ищет в том, что ему дали. Человек замечает, что это пятое такое обращение за неделю, и запускает разбор причины.
• Доверие. Клиенты прощают ошибку человеку, но бот, который ошибся и не признал этого, теряет доверие надолго.

Что делать руководителю

Главный риск не в самом ИИ, а в менеджменте, который решил, что «ИИ всё сделает», и сократил штат. Именно так продажи через поддержку упали в шесть раз.

Практические шаги:

• Поменяйте KPI. Если людей оценивают по числу закрытых тикетов, они будут сопротивляться боту, который закрывает их быстрее. Добавьте метрики «качество базы знаний» и «доля кейсов, решённых с ИИ-ассистентом», снимите вес скорости ответа для сложных категорий.
• Выделите около 10% времени на улучшение базы и разбор ошибок ИИ.
• Объясните вышестоящим: ИИ ускоряет поиск, но не заменяет суждение.

Автор описывает три траектории роста для тех, чьи задачи забирает ИИ. Инженер знаний пишет инструкции, проверяет ответы модели и обновляет базу (подготовка 3–6 месяцев). Специалист по сложным кейсам L2+ разбирается в причинах, читает логи и ведёт переговоры (6–12 месяцев). Аналитик качества поддержки смотрит, что ИИ закрывает, а что проваливает, и служит мостом к продукту (до года).

Ограничения и вывод

Статья опирается на отдельные кейсы без раскрытия компаний и методики, а цифры (29%, 20% → 3%) нужно воспринимать как иллюстрации, а не как бенчмарк. Плюс текст заканчивается рекламой курса и вебинара, поэтому акценты на «новых профессиях» отчасти продающие.

Но практический вывод здравый: не измеряйте поддержку скоростью ответа на тикет, в этой гонке с машиной не выиграть. Отдайте ИИ поиск, сортировку и черновики, а людям оставьте продажи, эскалации, поиск первопричин и ответственность за то, что бот знает и говорит. Выигрывает тот, кто строит систему, где отвечать приходится реже, потому что проблему закрыли в продукте.