Ассистенты службы поддержки Вчера была новость, что УК «Альфа-Капитал» внедрила ИИ-оператора, который показал следующие результаты на пилоте: 👉 31% всех сессий были полностью обработаны агентом без привлечения сотрудника. 👉 85–90% составила точность и релевантность ответов бота. Мы все не любим общаться с роботами поддержки. Но стоит признать две очевидные вещи: 1. По мере роста их интеллекта, будет все удобнее (RAG тут очень поможет) 2. В ближайшие пару лет все первые линии поддержки будут AI ассистентами. Банки первыми идут в эту сторону: у ВТБ в чатах 75% обращений решается ботом, у Сбера – 70%, у Альфа-Банка – 50%, у Т-Банка – 40%. LLM боты становятся стандартом текстового канала поддержки. Это снижает нагрузку на фронт, ускоряет ответы и высвобождает экспертов под нетривиальные запросы. При этом ответы операторов используются для дообучения системы, что позволяет постоянно повышать качество ИИ поддержки. Если вы не топ-10 в своей отрасли и кастомная разработка не для вас, что делать? Внедрять Suvvy.ai либо строить пайплайн на n8n. Про первый еще расскажу подробнее, это очень удобный конструктор для ботов. 5 ключевых метрик в автоматизации поддержки: 1. FCR (First Contact Resolution) - доля вопросов, решенных при первом обращении (в данном случае - без человека). 2. Escalation Rate - доля переводов на человека. 3. AHT (Average Handle Time) - среднее время обработки обращения. Это основное преимущество для клиента - быстрые ответы. 4. Точность ответов - важно понимать, что у вас не может быть системы, дающей 100% верных ответов. 5. Процент галлюцинаций - это ошибочные ответы, которые надо мониторить