Поговори
со мной!
со мной!
CEO targetai Андрей Зименков дал большое интервью изданию «Инк.» — рассказал о будущем клиентского сервиса и роли LLM-агентов
24.11.2025
Андрей Зименков, CEO targetai, дал развернутое интервью изданию «Инк.» — одному из ключевых российских медиа о предпринимательстве, технологиях и бизнесе.
В материале он рассказал о том, как устроены интеллектуальные агенты, как будет трансформироваться клиентский сервис и почему в ближайшие годы компании будут переходить от человекоцентричных процессов к агентоцентричным.
Оригинальная статья доступна здесь:
https://incrussia.ru/bez-rubriki/targetai/
Ниже приведён полный текст интервью — без изменений содержания, аккуратно оформленный.
«Мы хотим переопределить рынок клиентского сервиса и стать лидером в этой категории». Как стартап из России учит ИИ человечному сервису
targetai — российская компания, которая разрабатывает интеллектуальных агентов на базе LLM-моделей для автоматизации клиентского сервиса и обучения сотрудников. Основана Андреем Зименковым, бывшим топ-менеджером «МТС» и «Ростелекома».
Инженер по образованию, Андрей ушел из корпорации, — все ради того чтобы быть в авангарде сегодняшней ИИ-гонки. За три года компания привлекла около 160 млн руб. от фондов «Хайв», ФРИИ и ангельских инвестиций самого Андрея, вошла в топ-70 самых быстрорастущих технологических компаний России по версии Smart 500 и в 2024 году достигла выручки 215 млн руб. В этом году компании удалось одержать победу в номинации «Лучшее решение с AI с применением GigaChat» в премии Startup Summit Awards.
«Инк» поговорил с предпринимателем и узнал, как ИИ уже сейчас меняет клиентский сервис и сколько осталось до полной интеграции интеллектуальных агентов в общение продавца и покупателя.
Интервью
— Андрей, вы работали топ-менеджером в таких компаниях, как «МТС» и «Ростелеком», — то есть ваша экспертиза покрывает направления телекоммуникаций и сферу B2B. В послужном списке некоторых ваших коллег тоже числится опыт в телеком-техе. Это связано с тем, что вы делаете сейчас в targetai?
Бэкграунд во многом определяет круг экспертов, которых ты знаешь и которые знают тебя — и приходят к тебе в команду. Но то, что мы делаем, на самом деле является продуктом, смежным с телекомом. По сути это расширение телекома в сферу рынка труда. Если телеком занимается автоматизацией способов коммуникации, то мы сделали следующий шаг — в сторону автоматизации труда.
— Сколько лет вы уже на этом рынке?
Ранние эксперименты начались с 2018 года. Но серьезно мы определились с тем, что делаем, где-то в 2020 году, когда только начинали работать с голосом. Это тоже связь с телекомом. Мы любим голос, например, как мы с вами сейчас общаемся. Но это технологически сложная коммуникационная среда.
— Я уже упомянула, что вы работали топ-менеджером в большой компании. Как фаундер как вы пришли к идее создать стартап и в конце концов заниматься нейросетями?
Начнем с того, что в больших компаниях нет недостатка в интересных вызовах. Но даже если ты топ-менеджер и занимаешь ответственную позицию, путь от идеи до результата, как правило, очень долгий. Иногда он занимает годы, а иногда не заканчивается ничем.
Мне же хотелось создавать новые продукты, быстро находить решения и заниматься инновациями. Я изначально инженер по образованию, и у меня инженерный склад ума — мне хочется творить, создавать. Я решил попробовать, чтобы перестать жаловаться, что мешают процессы, бюджеты, согласования: закатать рукава и сделать что-то самому. Это был личный вызов — интерес к новому, инновационному, а еще желание доказать, что я могу сделать лучше и быстрее. Это и привело меня сюда.
— Как именно работает ваш агент и каким образом он помогает людям решать их задачи?
Агент — это «человек», который знает обо всем понемногу и умеет совершать действия по инструкции. Он похож на усердного и дисциплинированного новичка.
У него есть два режима обучения. Первый — это специфические базы знаний: клиентская информация, которая не содержится в открытых источниках. На них модель обучалась изначально. Это специфика клиента, его коммерческая и интеллектуальная собственность, составляющая суть его бизнеса и бизнес-процессов. Эти данные проприетарны, то есть они закрытые. На основе таких баз знаний мы даем агенту больше информации и контекста, в котором он работает.
Второй режим — обучение с подкреплением, или Reinforcement Learning: мы замыкаем обратную связь между действиями агента в реальных диалогах с клиентами и оценкой этих действий со стороны асессоров (специалистов по оценке и верификации данных). Важно понимать: люди останутся в ИИ-процессах даже при стопроцентной автоматизации.
— Вы фиксируете количество ошибок, которые модель может совершать в реальной практике?
Да, это одна из метрик — agent success rate, процент успешных действий агента. Агент сам не может знать, ведет себя правильно или нет, ведь у модели нет самосознания. Поэтому нужна третья сторона, нужна оценка.
Таким образом, создавая агента, мы определяем маркеры его успеха: алгоритмически считаем, в каком проценте действий они были достигнуты, а в каком — нет. Если агент не смог выполнить целевое действие и сработал fallback — так мы зовем перевод на оператора, — это считается неуспешным поведением агента.
— В каких сферах бизнеса ваша разработка сегодня наиболее востребована?
Это обслуживание, сервисный сегмент экономики: ретейл, банки, финансы, страховые, телеком, медицина, ресурсоснабжающие организации — с B2G мы работаем точечно, это не совсем наш сегмент.
— Вы победили в номинации «Лучшее решение с AI с применением GigaChat» на форуме Moscow Startup Summit. Можете чуть подробнее рассказать, как вы интегрируете и применяете эту LLM-модель?
Мы используем Giga Chat как одну из опорных LLM-моделей для клиентов, которым важна локализация и использование российских моделей в контуре, безопасном для персональных данных. Сейчас таких клиентов большинство. Еще есть сценарии, где Giga Chat хорошо работает с точки зрения агентской логики — мы используем несколько моделей одновременно, и для разных задач подходят разные.
Например, GigaChat прекрасно работает в режиме диспетчера — определяет тематику и распределяет задачи по другим агентам. Есть другие модели, которые лучше справляются со сложными транзакциями, но GigaChat выполняет одну из ключевых ролей.
— В 2018 году рынок в России еще не знал об агентских продуктах. Как вы пришли к тому, чем занимаетесь сегодня, и в каких треках себя пробовали?
Сначала мы смотрели в сторону речевой аналитики. Анализ у нас до сих пор остался, один из наших старых и любимых клиентов — крупная аптечная сеть, у которой около 5 тыс. точек. На их кассах стоит наша речевая аналитика, которая оценивает эффективность продаж и допродаж провизоров. Это позволило повысить их на 6% во всей сети.
Потом мы ушли в направление голосовых роботов, которые изначально работали на продажи. Это самый простой сценарий, потому что ты знаешь, с чем приходишь к клиенту, — роботов легко делать на исходящей коммуникации.
В 2022 году, когда вышел ChatGPT, мы поняли, что открывается возможность автоматизировать более сложные процессы обслуживания. Входящие коммуникации сложны тем, что ты не знаешь, с чем к тебе приходит клиент, — там широкий диапазон проблем, обращений и long-tail кейсов. Это редкие и нетипичные запросы, которые возникают нечасто, но в совокупности составляют значительную часть обращений. Они выходят за рамки стандартных сценариев обслуживания и требуют гибкости и контекстного понимания.
Предыдущее поколение технологий на базе ML (machine learning — раздел искусственного интеллекта, в котором компьютерные системы обучаются на данных и делают выводы или принимают решения без прямого программирования под каждое правило) не приспособлено для решения широкого набора разнородных сценариев, а LLM подходит идеально. Увидев эту возможность, мы переключились на клиентский сервис.
Параллельно развиваем еще одно направление на базе нашей платформы. Это такой стартап внутри стартапа. Мы столкнулись с тем, что не всегда и не везде людей можно полностью заменить на агентов, и считаем, что если агенты не могут заменить человека, то они могут его чему-то научить. Поэтому сейчас мы делаем продукт, в котором люди будут тренироваться на агентах, оттачивая навыки продаж.
В продажах людей заменить полностью пока невозможно. Думаю, в долгосрочной перспективе так и останется. Но люди могут отрабатывать свои навыки на взаимодействии с агентами, когда цифровые помощники играют разные роли — «злой», «добрый», «занятой», и так далее. Это наш второй продукт, который называется targetskill.
— Какие цели targetai ставит себе сегодня?
Сейчас мы хотим переопределить рынок клиентского сервиса и стать лидером в этой категории. Мы сфокусировались на его автоматизации с помощью LLM и мультимодальных агентов — последние умеют работать и с голосом, и в чате, и в e-mail. Мы целимся стать в этой категории номером один и полностью изменить бизнес-процессы в клиентском сервисе. Сейчас они человекоцентричные, то есть все построено вокруг сотрудников: ПО кол-центров, аналитика, различные WFM и базы знаний. Мы верим, что в будущем всем сотрудникам клиентского сервиса будут помогать агенты. Мы в targetai способны заменить до ста процентов фронтлайна. Но мы хотим переопределить процессы и сделать их агентоцентричными, чтобы не искусственный интеллект помогал людям, а люди помогали сделать это взаимодействие более корректным, точным, результативным и человечным.
— Вы упомянули, ваша цель — стать номером один в своей области. Вы целитесь только на рынок России или на СНГ и на глобальный рынок тоже?
Пока мы занимаемся только рынком России: мы верим, что нужно фокусироваться на том, «где ты есть и где ты ешь». На другие рынки посматриваем, чтобы где-то что-то позаимствовать. Может быть, в перспективе двух-трех лет попробуем себя на других рынках.
— А что насчет будущего клиентских агентов?
Клиентские агенты будут развиваться в сторону асинхронных задач — тех, что находятся за пределами диалога с клиентом. Например, это завершение трансакции или отложенные действия. Они будут обретать новые модальности, в частности видео. Сейчас генерация видео в режиме реального времени неоправданно дорогая технология для клиентского сервиса, но со временем это изменится, поэтому не за горами общение с 2D- и 3D-агентами.
В материале он рассказал о том, как устроены интеллектуальные агенты, как будет трансформироваться клиентский сервис и почему в ближайшие годы компании будут переходить от человекоцентричных процессов к агентоцентричным.
Оригинальная статья доступна здесь:
https://incrussia.ru/bez-rubriki/targetai/
Ниже приведён полный текст интервью — без изменений содержания, аккуратно оформленный.
«Мы хотим переопределить рынок клиентского сервиса и стать лидером в этой категории». Как стартап из России учит ИИ человечному сервису
targetai — российская компания, которая разрабатывает интеллектуальных агентов на базе LLM-моделей для автоматизации клиентского сервиса и обучения сотрудников. Основана Андреем Зименковым, бывшим топ-менеджером «МТС» и «Ростелекома».
Инженер по образованию, Андрей ушел из корпорации, — все ради того чтобы быть в авангарде сегодняшней ИИ-гонки. За три года компания привлекла около 160 млн руб. от фондов «Хайв», ФРИИ и ангельских инвестиций самого Андрея, вошла в топ-70 самых быстрорастущих технологических компаний России по версии Smart 500 и в 2024 году достигла выручки 215 млн руб. В этом году компании удалось одержать победу в номинации «Лучшее решение с AI с применением GigaChat» в премии Startup Summit Awards.
«Инк» поговорил с предпринимателем и узнал, как ИИ уже сейчас меняет клиентский сервис и сколько осталось до полной интеграции интеллектуальных агентов в общение продавца и покупателя.
Интервью
— Андрей, вы работали топ-менеджером в таких компаниях, как «МТС» и «Ростелеком», — то есть ваша экспертиза покрывает направления телекоммуникаций и сферу B2B. В послужном списке некоторых ваших коллег тоже числится опыт в телеком-техе. Это связано с тем, что вы делаете сейчас в targetai?
Бэкграунд во многом определяет круг экспертов, которых ты знаешь и которые знают тебя — и приходят к тебе в команду. Но то, что мы делаем, на самом деле является продуктом, смежным с телекомом. По сути это расширение телекома в сферу рынка труда. Если телеком занимается автоматизацией способов коммуникации, то мы сделали следующий шаг — в сторону автоматизации труда.
— Сколько лет вы уже на этом рынке?
Ранние эксперименты начались с 2018 года. Но серьезно мы определились с тем, что делаем, где-то в 2020 году, когда только начинали работать с голосом. Это тоже связь с телекомом. Мы любим голос, например, как мы с вами сейчас общаемся. Но это технологически сложная коммуникационная среда.
— Я уже упомянула, что вы работали топ-менеджером в большой компании. Как фаундер как вы пришли к идее создать стартап и в конце концов заниматься нейросетями?
Начнем с того, что в больших компаниях нет недостатка в интересных вызовах. Но даже если ты топ-менеджер и занимаешь ответственную позицию, путь от идеи до результата, как правило, очень долгий. Иногда он занимает годы, а иногда не заканчивается ничем.
Мне же хотелось создавать новые продукты, быстро находить решения и заниматься инновациями. Я изначально инженер по образованию, и у меня инженерный склад ума — мне хочется творить, создавать. Я решил попробовать, чтобы перестать жаловаться, что мешают процессы, бюджеты, согласования: закатать рукава и сделать что-то самому. Это был личный вызов — интерес к новому, инновационному, а еще желание доказать, что я могу сделать лучше и быстрее. Это и привело меня сюда.
— Как именно работает ваш агент и каким образом он помогает людям решать их задачи?
Агент — это «человек», который знает обо всем понемногу и умеет совершать действия по инструкции. Он похож на усердного и дисциплинированного новичка.
У него есть два режима обучения. Первый — это специфические базы знаний: клиентская информация, которая не содержится в открытых источниках. На них модель обучалась изначально. Это специфика клиента, его коммерческая и интеллектуальная собственность, составляющая суть его бизнеса и бизнес-процессов. Эти данные проприетарны, то есть они закрытые. На основе таких баз знаний мы даем агенту больше информации и контекста, в котором он работает.
Второй режим — обучение с подкреплением, или Reinforcement Learning: мы замыкаем обратную связь между действиями агента в реальных диалогах с клиентами и оценкой этих действий со стороны асессоров (специалистов по оценке и верификации данных). Важно понимать: люди останутся в ИИ-процессах даже при стопроцентной автоматизации.
— Вы фиксируете количество ошибок, которые модель может совершать в реальной практике?
Да, это одна из метрик — agent success rate, процент успешных действий агента. Агент сам не может знать, ведет себя правильно или нет, ведь у модели нет самосознания. Поэтому нужна третья сторона, нужна оценка.
Таким образом, создавая агента, мы определяем маркеры его успеха: алгоритмически считаем, в каком проценте действий они были достигнуты, а в каком — нет. Если агент не смог выполнить целевое действие и сработал fallback — так мы зовем перевод на оператора, — это считается неуспешным поведением агента.
— В каких сферах бизнеса ваша разработка сегодня наиболее востребована?
Это обслуживание, сервисный сегмент экономики: ретейл, банки, финансы, страховые, телеком, медицина, ресурсоснабжающие организации — с B2G мы работаем точечно, это не совсем наш сегмент.
— Вы победили в номинации «Лучшее решение с AI с применением GigaChat» на форуме Moscow Startup Summit. Можете чуть подробнее рассказать, как вы интегрируете и применяете эту LLM-модель?
Мы используем Giga Chat как одну из опорных LLM-моделей для клиентов, которым важна локализация и использование российских моделей в контуре, безопасном для персональных данных. Сейчас таких клиентов большинство. Еще есть сценарии, где Giga Chat хорошо работает с точки зрения агентской логики — мы используем несколько моделей одновременно, и для разных задач подходят разные.
Например, GigaChat прекрасно работает в режиме диспетчера — определяет тематику и распределяет задачи по другим агентам. Есть другие модели, которые лучше справляются со сложными транзакциями, но GigaChat выполняет одну из ключевых ролей.
— В 2018 году рынок в России еще не знал об агентских продуктах. Как вы пришли к тому, чем занимаетесь сегодня, и в каких треках себя пробовали?
Сначала мы смотрели в сторону речевой аналитики. Анализ у нас до сих пор остался, один из наших старых и любимых клиентов — крупная аптечная сеть, у которой около 5 тыс. точек. На их кассах стоит наша речевая аналитика, которая оценивает эффективность продаж и допродаж провизоров. Это позволило повысить их на 6% во всей сети.
Потом мы ушли в направление голосовых роботов, которые изначально работали на продажи. Это самый простой сценарий, потому что ты знаешь, с чем приходишь к клиенту, — роботов легко делать на исходящей коммуникации.
В 2022 году, когда вышел ChatGPT, мы поняли, что открывается возможность автоматизировать более сложные процессы обслуживания. Входящие коммуникации сложны тем, что ты не знаешь, с чем к тебе приходит клиент, — там широкий диапазон проблем, обращений и long-tail кейсов. Это редкие и нетипичные запросы, которые возникают нечасто, но в совокупности составляют значительную часть обращений. Они выходят за рамки стандартных сценариев обслуживания и требуют гибкости и контекстного понимания.
Предыдущее поколение технологий на базе ML (machine learning — раздел искусственного интеллекта, в котором компьютерные системы обучаются на данных и делают выводы или принимают решения без прямого программирования под каждое правило) не приспособлено для решения широкого набора разнородных сценариев, а LLM подходит идеально. Увидев эту возможность, мы переключились на клиентский сервис.
Параллельно развиваем еще одно направление на базе нашей платформы. Это такой стартап внутри стартапа. Мы столкнулись с тем, что не всегда и не везде людей можно полностью заменить на агентов, и считаем, что если агенты не могут заменить человека, то они могут его чему-то научить. Поэтому сейчас мы делаем продукт, в котором люди будут тренироваться на агентах, оттачивая навыки продаж.
В продажах людей заменить полностью пока невозможно. Думаю, в долгосрочной перспективе так и останется. Но люди могут отрабатывать свои навыки на взаимодействии с агентами, когда цифровые помощники играют разные роли — «злой», «добрый», «занятой», и так далее. Это наш второй продукт, который называется targetskill.
— Какие цели targetai ставит себе сегодня?
Сейчас мы хотим переопределить рынок клиентского сервиса и стать лидером в этой категории. Мы сфокусировались на его автоматизации с помощью LLM и мультимодальных агентов — последние умеют работать и с голосом, и в чате, и в e-mail. Мы целимся стать в этой категории номером один и полностью изменить бизнес-процессы в клиентском сервисе. Сейчас они человекоцентричные, то есть все построено вокруг сотрудников: ПО кол-центров, аналитика, различные WFM и базы знаний. Мы верим, что в будущем всем сотрудникам клиентского сервиса будут помогать агенты. Мы в targetai способны заменить до ста процентов фронтлайна. Но мы хотим переопределить процессы и сделать их агентоцентричными, чтобы не искусственный интеллект помогал людям, а люди помогали сделать это взаимодействие более корректным, точным, результативным и человечным.
— Вы упомянули, ваша цель — стать номером один в своей области. Вы целитесь только на рынок России или на СНГ и на глобальный рынок тоже?
Пока мы занимаемся только рынком России: мы верим, что нужно фокусироваться на том, «где ты есть и где ты ешь». На другие рынки посматриваем, чтобы где-то что-то позаимствовать. Может быть, в перспективе двух-трех лет попробуем себя на других рынках.
— А что насчет будущего клиентских агентов?
Клиентские агенты будут развиваться в сторону асинхронных задач — тех, что находятся за пределами диалога с клиентом. Например, это завершение трансакции или отложенные действия. Они будут обретать новые модальности, в частности видео. Сейчас генерация видео в режиме реального времени неоправданно дорогая технология для клиентского сервиса, но со временем это изменится, поэтому не за горами общение с 2D- и 3D-агентами.
Нажимая на кнопку “Отправить”, Вы даете согласие на обработку своих персональных данных и соглашаетесь с политикой конфиденциальности.