targetai — Лучшее ИИ решение 2025 по версии Startup Summit
Подробнее ➔
Поговори
со мной!
со мной!
Голосовой ИИ в ритейле: реальный сценарий автоматизации 1 млн звонков в месяц с помощью GenAi
Содержание статьи
Почему клиентский сервис больше не масштабируется без ИИ
В ритейле и доставке клиентский сервис упирается не в людей, а в масштаб операций.
В одном из проектов targetai, вошедшем в исследование «GenAI: руководство по корпоративному применению», компания обрабатывала около 2 млн обращений в месяц, из которых примерно 1 млн приходился на голосовой канал. Для работы с таким объёмом требовалось около 3 000 операторов.
При этом экономика заказа находилась под давлением: стоимость привлечения клиента почти сравнялась с выручкой от него. В такой конфигурации клиентский сервис начинает напрямую влиять на маржинальность бизнеса.
При этом экономика заказа находилась под давлением: стоимость привлечения клиента почти сравнялась с выручкой от него. В такой конфигурации клиентский сервис начинает напрямую влиять на маржинальность бизнеса.
Ключевые особенности клиентского сервиса в ритейле:
1.1 До 60−70% обращений — повторяющиеся сценарии
Большая часть звонков относится к стандартным темам:
Формулировки у клиентов разные, но сущность запроса одна. Когда такие задачи обрабатывает оператор, бизнес оплачивает одну и ту же операцию тысячи раз.
Большая часть звонков относится к стандартным темам:
- статус заказа
- перенос доставки
- отмена
- замена товара
- возврат
- промокоды и условия акций
Формулировки у клиентов разные, но сущность запроса одна. Когда такие задачи обрабатывает оператор, бизнес оплачивает одну и ту же операцию тысячи раз.
1.2 Пики нагрузки могут увеличивать поток обращений на 30−50%
В периоды распродаж, маркетинговых акций или сбоев в логистике количество звонков резко возрастает.
Найм не может компенсировать такие скачки нагрузки. Подготовка оператора занимает недели, а поддержание стабильного качества требует постоянного контроля.
1.3 Миллионы обращений делают ошибки системной проблемой
Когда поток достигает миллионов обращений в месяц, даже небольшая доля ошибок превращается в масштабный операционный эффект.
Перегруз линии приводит к:
В этот момент клиентский сервис перестаёт масштабироваться через расширение команды. Дальнейший рост требует автоматизации массовых сценариев — прежде всего в голосовом канале.
В периоды распродаж, маркетинговых акций или сбоев в логистике количество звонков резко возрастает.
Найм не может компенсировать такие скачки нагрузки. Подготовка оператора занимает недели, а поддержание стабильного качества требует постоянного контроля.
1.3 Миллионы обращений делают ошибки системной проблемой
Когда поток достигает миллионов обращений в месяц, даже небольшая доля ошибок превращается в масштабный операционный эффект.
Перегруз линии приводит к:
- росту времени ожидания,
- увеличению повторных обращений,
- нестабильности качества ответов.
В этот момент клиентский сервис перестаёт масштабироваться через расширение команды. Дальнейший рост требует автоматизации массовых сценариев — прежде всего в голосовом канале.
Автоматизация результата, а не процесса
Клиент должен не просто услышать ответ, а получить завершение своего запроса: проверить статус заказа, оформить отмену, зафиксировать возврат или быть корректно переданным оператору вместе с контекстом.
Этап 1: сценарный голосовой ИИ-агент как базовый слой
В начале 2023 года был внедрён классический сценарный голосовой робот без LLM. Он оказался достаточным для простых и строго типовых запросов.
Но на уровне автоматизации около 40% возник эффект насыщения: дальнейший рост требовал непропорциональных вложений в поддержание сценариев. При этом CSI сценарного робота оставался на уровне около 30%, и заметного роста качества не происходило.
Этап 2: подключение LLM для выхода за пределы сценариев
С конца 2023 года началось внедрение LLM-компоненты в голосовой робот. Это позволило:
- обрабатывать вариативные формулировки без разрастания сценариев,
- удерживать контекст диалога,
- подключать инструменты и данные для выполнения действий.
В проекте использовались две LLM:
- ChatGPT (OpenAI) — для сложных запросов с большим количеством инструментов (до 30−35), например при обращении к базе данных;
- GigaChat (Сбер) — для более простых сценариев с 4−5 инструментами.
По внутренним данным проекта, задержка генерации составляла до 300 мс для простых сценариев и до 900 мс для сложных, при этом проблем с русским языком не отмечалось.
Для клиента диалог воспринимался как естественный разговор: паузы между репликами сопоставимы с реакцией человека и не создают ощущения «технической задержки». Это важно для голосового канала, где даже небольшие паузы напрямую влияют на ощущение качества сервиса.
GenAI как экзоскелет для операторов
При промышленном внедрении GenAI меняется не только технология обработки обращений, но и сама роль операторов в клиентском сервисе.
Модель работы перестаёт строиться вокруг человека как «голосового интерфейса». Система берёт на себя массовые и повторяемые операции, а человек работает там, где требуется ответственность, контекст и принятие решений.
По сути GenAI начинает выполнять функцию операционного экзоскелета: он усиливает возможности команды, снимая нагрузку, которую раньше приходилось обрабатывать вручную.
Модель работы перестаёт строиться вокруг человека как «голосового интерфейса». Система берёт на себя массовые и повторяемые операции, а человек работает там, где требуется ответственность, контекст и принятие решений.
По сути GenAI начинает выполнять функцию операционного экзоскелета: он усиливает возможности команды, снимая нагрузку, которую раньше приходилось обрабатывать вручную.
Что берёт на себя система
В устойчивой модели автоматизации система работает как первая линия сервиса и обрабатывает основной поток обращений:
Это снимает с команды самую ресурсоёмкую часть работы — массовые повторяющиеся операции.
- приём и первичная классификация обращения;
- ведение диалога по типовым темам;
- обращение к внутренним данным (статусы заказов, история изменений, правила и ограничения);
- выполнение стандартных операций по регламенту — например проверка статуса, фиксация отмены или создание запроса на возврат;
- корректная эскалация — передача кейса оператору вместе с контекстом диалога и уже собранными данными.
Это снимает с команды самую ресурсоёмкую часть работы — массовые повторяющиеся операции.
Что остаётся за человеком
Человеческая роль смещается в сторону задач, где автоматизация либо невозможна, либо нежелательна:
Фактически оператор перестаёт быть «исполнителем запроса» и становится участником управления качеством сервиса.
- нестандартные кейсы и исключения;
- конфликтные обращения и ситуации, требующие гибкости общения;
- контроль качества диалогов и разбор ошибок системы;
- актуализация базы знаний и правил;
- управление процессом улучшений и развитие сценариев.
Фактически оператор перестаёт быть «исполнителем запроса» и становится участником управления качеством сервиса.
Как измерить успех от автоматизации
Какие метрики дополнительно отслеживались
В этом классе проектов успех определяется балансом между автоматизацией и качеством. На практике это означает: нельзя вести проект, опираясь на одну метрику.
В проекте ключевыми метриками были:
Дополнительно измерялся экономический эффект: снижение затрат за счёт сокращения ФОТ операторов.
Фактические результаты:
Важно зафиксировать два момента.
В проекте ключевыми метриками были:
- уровень автоматизации (доля коммуникаций, которые полностью перехватывает робот),
- CSI (удовлетворённость клиента).
Дополнительно измерялся экономический эффект: снижение затрат за счёт сокращения ФОТ операторов.
Фактические результаты:
- уровень автоматизации 52−55%, для отдельных типов задач — до 80%,
- CSI 50%+,
- снижение доли негативных оценок с 25% до 15%,
- экономический эффект порядка 250 млн руб. в год,
- суммарный бюджет проекта более 50 млн руб.,
- срок окупаемости около 1,5 лет.
Важно зафиксировать два момента.
1. Экономический эффект
Он был достигнут за счёт реального сокращения штата, а не перераспределения задач. Это более жёсткий, но управленчески честный результат — его проще защищать на уровне финансов.
2. Ограничение по качеству
Удовлетворённость роботом держалась в диапазоне 50−60%. У живых операторов — 70−80%.
Разница могла быть не критичной по факту решения задач, но клиенты субъективно строже оценивают автоматизацию.
Поэтому «дожимать» автоматизацию любой ценой опасно: это приводит к росту повторных обращений и снижению доверия.
Он был достигнут за счёт реального сокращения штата, а не перераспределения задач. Это более жёсткий, но управленчески честный результат — его проще защищать на уровне финансов.
2. Ограничение по качеству
Удовлетворённость роботом держалась в диапазоне 50−60%. У живых операторов — 70−80%.
Разница могла быть не критичной по факту решения задач, но клиенты субъективно строже оценивают автоматизацию.
Поэтому «дожимать» автоматизацию любой ценой опасно: это приводит к росту повторных обращений и снижению доверия.
Типовые управленческие ошибки при внедрении ИИ в клиентский сервис
Ошибка 1. Ставка на быстрые результаты
Без этапа калибровки на реальных звонках точность всегда будет ниже ожиданий. В голосе это ощущается острее, чем в чате: клиент слышит уверенный тон и ждёт точного результата.
Ошибка 2. Отсутствие интеграции с внутренними системами
Если система не имеет доступа к актуальным данным, она либо отвечает общими словами, либо ошибается. В ритейле и доставке это критично: статусы, замены, возвраты быстро меняются.
Ошибка 3. Управление по одной метрике
Если в качестве цели поставить только снижение AHT или только рост автоматизации, можно получить формально хорошие цифры и при этом рост скрытых повторных обращений.
Как внедрять генеративный ИИ в ритейле без разрушения текущего сервиса
Ниже полноценный чек-лист, который универсален для схожих проектов:
1. Начать с декомпозиции потока
Разделите обращения по типам и выберите 5−7 сценариев первой очереди, где:
Важно автоматизировать не тему обращения, а операционное действие: например, отправка статуса заказа, создание тикета, оформление отмены. Это позволяет измерять долю фактически решённых обращений, а не просто завершённых диалогов.
- большой объём обращений
- понятный критерий успешного результата
- низкая цена ошибки
- результат можно зафиксировать в системе
Важно автоматизировать не тему обращения, а операционное действие: например, отправка статуса заказа, создание тикета, оформление отмены. Это позволяет измерять долю фактически решённых обращений, а не просто завершённых диалогов.
2. Заложить калибровку как обязательный этап
После запуска система требует регулярной настройки:
Без калибровки система быстро теряет точность из-за изменений в акциях, правилах возвратов и процессах.
- разбор диалогов
- фиксация ошибок
- обновление базы знаний
- корректировка логики агента
- контроль изменений по метрикам
Без калибровки система быстро теряет точность из-за изменений в акциях, правилах возвратов и процессах.
3. Ставить интеграции выше «красоты диалога»
Качество автоматизации определяется не формулировками ответа, а доступом к данным.
Минимальный контур интеграций для ритейла:
Без этих данных агент может поддерживать диалог, но не способен завершить задачу клиента.
Минимальный контур интеграций для ритейла:
- статусы заказов и история изменений
- правила возвратов и компенсаций
- замены и доступность товаров
- ограничения по доставке
- контур эскалации с передачей контекста
Без этих данных агент может поддерживать диалог, но не способен завершить задачу клиента.
4. Управлять проектом по балансу метрик
Нельзя управлять внедрением по одной метрике. Минимальный набор показателей:
Дополнительно важно отслеживать метрики результата: фактически решённые обращения, точность ответов и достижение целевого действия в системе.
- уровень автоматизации
- CSI
- доля негативных оценок
- повторные обращения по теме
- доля эскалаций с корректным контекстом
Дополнительно важно отслеживать метрики результата: фактически решённые обращения, точность ответов и достижение целевого действия в системе.
5. Чётко закрепить роли
Устойчивые внедрения требуют команды на стороне заказчика:
В нашем кейсе это была команда около 10 специалистов со стороны заказчика и до 3 специалистов со стороны вендора. Основная часть работы приходится на данные, процессы и управление качеством.
- IT-интеграции
- аналитика контроля качества
- бизнес-владелец сценариев
В нашем кейсе это была команда около 10 специалистов со стороны заказчика и до 3 специалистов со стороны вендора. Основная часть работы приходится на данные, процессы и управление качеством.
6. Метрики внедрения в первые месяцы
В первые 2−3 месяца важно отслеживать не только рост автоматизации, но и влияние системы на решение задач клиентов.
Метрики внедрения GenAI-агента по этапам запуска:
Этап внедрения
0-10% потока
Что измеряет
Точность ответов (Answer Accuracy), корректность маршрутизации
Управленческое решение
Исправление ошибок сценариев и источников данных
Этап внедрения
10-30 % потока
Что измеряет
Доля фактически решённых обращений (Success Rate), индикаторы фрустрации
Управленческое решение
Корректировка логики диалога
Этап внедрения
30-50 % потока
Что измеряет
Обоснованность эскалаций, повторные обращения
Управленческое решение
Оптимизация маршрутизации
Этап внедрения
50-100 % потока
Что измеряет
Goal Completion, влияние на нагрузку операторов
Управленческое решение
Масштабирование автоматизации
Такой подход позволяет выявлять ошибки до масштабирования и управлять автоматизацией через фактический результат, а не только через процент автоматизации.
Гибрид и «end-to-end» работа агентов — прогноз targetai на GenAi в КЦ ритейла
В ритейле и доставке будет усиливаться три тенденции.
1. Гибридная модель «автоматизация + человек» станет стандартом
Робот закрывает массовый поток первой линии, человек концентрируется на сложных и конфликтных кейсах.
2. Требования к управляемости станут важнее выбора модели
Ключевой вопрос для ЛПР: как система контролируется, как предотвращаются ошибки, как быстро обновляется знание и логика.
3. Фокус сместится с "ответов" на выполнение действий end-to-end
Побеждать будут решения, которые умеют не просто разговаривать, а завершать операцию в контуре: оформить, изменить, вернуть, передать, зафиксировать.
1. Гибридная модель «автоматизация + человек» станет стандартом
Робот закрывает массовый поток первой линии, человек концентрируется на сложных и конфликтных кейсах.
2. Требования к управляемости станут важнее выбора модели
Ключевой вопрос для ЛПР: как система контролируется, как предотвращаются ошибки, как быстро обновляется знание и логика.
3. Фокус сместится с "ответов" на выполнение действий end-to-end
Побеждать будут решения, которые умеют не просто разговаривать, а завершать операцию в контуре: оформить, изменить, вернуть, передать, зафиксировать.
Как здесь может помочь targetai
Наша практика внедрения показывает: устойчивый результат в автоматизации клиентского сервиса достигается не за счёт одной технологии или модели.
Ключевым становится способность управлять системой на масштабе:
контролировать точность ответов, корректность маршрутизации и фактическое решение задач клиентов.
Именно поэтому в промышленных проектах голосовой GenAI рассматривается не как отдельный «бот», а как инфраструктура автоматизации клиентского сервиса.
В таких системах важны:
По внутренним данным targetai, устойчивый экономический эффект на масштабе достигается именно при сочетании этих факторов.
Когда система построена таким образом, автоматизация перестаёт быть экспериментом и становится частью операционной модели сервиса.
В этом случае главный вопрос меняется: не «может ли ИИ отвечать клиентам», а «насколько управляемо он решает задачи бизнеса».
Ключевым становится способность управлять системой на масштабе:
контролировать точность ответов, корректность маршрутизации и фактическое решение задач клиентов.
Именно поэтому в промышленных проектах голосовой GenAI рассматривается не как отдельный «бот», а как инфраструктура автоматизации клиентского сервиса.
В таких системах важны:
- агентная логика, позволяющая доводить запрос до результата, а не только вести диалог;
- интеграции с внутренними данными и бизнес-системами;
- контур мониторинга качества и метрик результата;
- регулярная калибровка логики и знаний.
По внутренним данным targetai, устойчивый экономический эффект на масштабе достигается именно при сочетании этих факторов.
Когда система построена таким образом, автоматизация перестаёт быть экспериментом и становится частью операционной модели сервиса.
В этом случае главный вопрос меняется: не «может ли ИИ отвечать клиентам», а «насколько управляемо он решает задачи бизнеса».
Начните трансформацию клиентского сервиса с помощью ИИ уже сегодня
Используйте targetai
Нажимая на кнопку «Отправить», Вы даете согласие на обработку своих персональных данных и соглашаетесь с политикой конфиденциальности.