Что проверить до того, как платить за внедрение
Klarna заменила 700 операторов, метрики выросли, а через год пришлось возвращать людей. Разбор цифр из внедрений ИИ-агентов и семь проверок до оплаты счёта.
Шведская Klarna сделала то, о чём мечтает любой финансовый директор: заменила больше семисот операторов поддержки на AI-агентов. Цифры после запуска выглядели безупречно. Среднее время отклика сократилось на треть. Скорость решения проблем выросла впятеро. Выручка в пересчёте на сотрудника прибавила 73%. Ожидаемый эффект оценили в 40 миллионов долларов.
Примерно через год компания начала нанимать людей обратно. Отток клиентов вырос на 15%, жалоб на поддержку стало больше, рыночная оценка упала почти втрое, а убытки, ради сокращения которых всё затевалось, выросли.
Самое неудобное в этой истории то, что все первые цифры были правдой.
Метрики росли, а бизнес падал
Считали время ответа, повторно открытые обращения и выручку на сотрудника. Всё росло. Не считали единственное, что решало исход: что чувствует человек на другом конце чата.
AI плохо распознавал эмоции, не умел гасить конфликт и не всегда передавал сложный случай живому специалисту. Клиент злился — метрика этого не показывала. Руководитель Klarna позже признал, что компания слишком сосредоточилась на сокращении расходов и потеряла качество сервиса.
Отсюда первое требование к любому счёту за внедрение: метрика должна допускать поражение.
Проценты, которые считаются от разного
«Агент закрывает 80% обращений» — фраза из каждого коммерческого предложения.
Реальный пример из внедрения в ИТ-поддержке: через три месяца после запуска через агента проходило около 20% общего потока обращений, и уже внутри этой доли примерно 80% решались без специалиста. То есть без человека закрывалось примерно каждое шестое обращение компании, а не четыре из пяти. Снижение нагрузки при этом честно посчитали — около ста человеко-часов в месяц.
Второе различие — заявленная возможность и измеренный результат. X5 при запуске HR-ассистента для 426 тысяч сотрудников объявила «до 90% типовых вопросов без участия специалиста». Это описание того, что решение умеет; фактическая доля после запуска не публиковалась. Между «умеет» и «делает» и живут неоправданные ожидания.
Как выглядит честная цифра, видно по другим внедрениям. Ингосстрах запустил ассистента для поддержки сотрудников: больше 12 тысяч человек, свыше 8 тысяч диалогов в месяц, по итогам года время маршрутизации и решения обращений сократилось на 45%, а высвобожденный ресурс компания оценила в 2,5 штатной единицы. МегаФон отчитался ещё конкретнее: около 150 тем, доступ у 22 тысяч сотрудников, среднее время подготовки ответа — 4 секунды вместо 12.
Что вычли из обещанной экономии
Американская OneDigital — страховой и финансовый консалтинг, около 6000 сотрудников и почти 100 тысяч кандидатов в год через воронку найма. Больной процесс нашли не в поддержке, а в рекрутинге: на согласование собеседований уходило до 40% времени рекрутеров и до 120 тысяч долларов в год.
После внедрения агента согласование стало практически бесплатным, отклик кандидату занимает меньше десяти минут, а каждый рекрутер собеседует в среднем на пять человек больше. Совокупный эффект компания оценила в 170 тысяч долларов в год.
И вот здесь начинается самое полезное для того, кто собирается платить. Эти 170 тысяч — не деньги в кассе. Нельзя сэкономить на зарплате людей, которые продолжают работать и продолжают её получать. Освободилось время — так и считайте: столько-то часов на такой-то работе. А из результата вычитается стоимость самого решения: коробочные продукты этого класса стоят от 30 до 100 тысяч долларов в год, и для компании такого размера речь идёт скорее о верхней границе.
Ошибка не в агенте и не в его пользе — она в методике подсчёта.
Первые недели ничего не доказывают
Один SaaS-сервис после запуска агента закрывал всего 17% обращений и был близок к тому, чтобы свернуть проект.
Дело оказалось не в модели: инструкции были неполными, часть ответов жила только в головах сотрудников. Базу знаний доработали — через три месяца агент закрывал 48% обращений.
Отсюда бесплатная проверка до подписания договора: сможет ли новый сотрудник отвечать клиентам только по вашей документации, ничего не спрашивая у коллег. Если нет — сначала знания, потом агент. AI знает ровно то, чему его научили, и не отличает устаревшую инструкцию от действующей.
Читайте такжеКак выбрать процесс, который стоит автоматизировать первымРаботает разделение труда, а не замена
У истории Klarna есть продолжение, о котором говорят реже. Компания вернулась к AI в гибридном виде: простые обращения на агенте, сложные и конфликтные — на людях. К концу 2025 года ассистент обрабатывал около 80% обращений и принёс, по оценке компании, около 39 миллионов долларов реальной экономии. Почти та же цифра, что обещали вначале, — только другим способом.
Швейцарский Swisscom перестроил поддержку похоже: отказался от жёстких скриптов и собрал сеть агентов поверх готовых платформ. Доля обращений, закрытых без человека, удвоилась, операционные расходы снизились наполовину.
Обратный полюс — Duolingo: не меньше 20% сгенерированных AI заданий оказались непригодными. Это цена отсутствия приёмки.
Какой процесс вообще брать
До выбора подрядчика стоит вопрос попроще: годится ли сам процесс. Критерии короткие:
- Повторяемость — процесс должен повторяться так часто, чтобы сэкономленное время окупало и разработку, и поддержку. В цифрах это зависит от того, сколько съедает одно повторение: на получасовой задаче хватит нескольких раз в неделю, на пятиминутной понадобятся сотни.
- Формализуемость — правила решения можно описать словами.
- Стабильность — процесс не переписывают каждую неделю, иначе база знаний устареет раньше, чем её соберут.
- Измеримость — есть часы, ошибки или деньги, которые считаются до и после.
- Умеренная сложность — не самый простой, иначе незачем, и не самый сложный, иначе утонете в исключениях.
Три фразы, после которых запуск лучше отложить: «каждый раз по-разному» — процесс не описан; «делаем раз в квартал» — не окупится; «только один человек знает, как это работает» — сначала формализация.
И ещё одно, что экономит месяцы: иногда приходят за умным агентом, а задаче хватает кнопок. Баланс, статус заказа, отмена покупки — там, где запрос однозначен, кнопки работают лучше и стоят дешевле.
Читайте такжеКак собрать AI-агента для бизнеса и что он реально закрываетЧто проверить до оплаты
- Спросите, от чего считается процент «Закрываем 80% обращений» — от всего потока или от той доли, что вообще дошла до агента.
- Отделите обещанное от измеренного «Решение позволяет обрабатывать до 90%» — это описание возможности. Просите цифру, снятую после запуска у другого клиента, с методикой замера.
- Спросите, что вычли Из обещанной экономии должны быть вычтены стоимость решения, подписки и обучение.
- Назовите метрику, по которой можно проиграть И добавьте к ней качественную: доля переведённых на человека, тональность отзывов, повторные обращения. Klarna потеряла год именно на этом.
- Проверьте свою базу знаний до покупки Сможет ли новичок работать только по вашей документации. Если нет, вы платите за агента, который выучит неполные инструкции.
- Заложите три месяца и поддержку Первые недели показывают не результат, а качество подготовки.
- Оставьте себе кнопку Приёмка человеком на выходе и понятная передача сложных случаев живому специалисту.
Эти семь проверок занимают день. Пробный запуск без них занимает два месяца и заканчивается фразой «нам это не подошло».
Частые вопросы
Почему внедрение ИИ-агентов часто не даёт обещанного результата?
Чаще всего потому, что считали не то. Классический пример — Klarna: время отклика сократилось на треть, скорость решения проблем выросла в пять раз, выручка на сотрудника прибавила 73%. По этим метрикам всё выглядело отлично. При этом клиенты уходили, жалоб становилось больше, а убытки росли — просто ни одна из выбранных метрик этого не показывала.
Сколько обращений реально может закрывать ИИ-агент без человека?
Ответ зависит от того, что считать. В одном из внедрений через агента шло около 20% всего потока обращений, и внутри этой доли без специалиста решалось примерно 80% — то есть каждое шестое обращение компании, а не четыре из пяти. Реалистичный ориентир для клиентской поддержки после нескольких месяцев работы — от половины до 70% типовых обращений.
Через какое время после запуска ИИ-агента можно судить о результате?
Не раньше чем через три месяца. Один SaaS-сервис после запуска автоматизировал всего 17% обращений, и команда уже решила, что проект провалился. Причина оказалась не в модели, а в базе знаний: её дополнили, добавили сценарии — через три месяца показатель дошёл до 48%. Проверка перед стартом простая: сможет ли новый сотрудник поддержки работать по вашей документации, ничего не спрашивая у коллег.
Какой процесс брать первым для внедрения ИИ-агента?
Тот, который повторяется не меньше пятидесяти раз в месяц, описывается правилами, не переписывается каждую неделю и измеряется в часах, ошибках или деньгах. Плохие кандидаты выдают себя фразами «каждый раз по-разному», «делаем раз в квартал» и «только один человек знает, как это работает». В последнем случае сначала формализация, потом автоматизация.
Нужно ли оставлять человека в процессе после внедрения ИИ-агента?
Да, и это не перестраховка. Duolingo признала, что не меньше 20% сгенерированных заданий оказались непригодными к использованию. Без приёмки такой брак уходит клиенту молча и обнаруживается по отзывам, а не по метрикам. Точка контроля не обязана быть тяжёлой: достаточно, чтобы результат приходил туда, где его увидят, и чтобы у человека были две кнопки — принять и вернуть.
Как выбрать процесс, который стоит автоматизировать первым
Как выбрать первый процесс для автоматизации: два кейса, расчёт затрат на примере и проверки перед запуском. Где достаточно CRM, а где нужен ИИ и контроль человека.
AIКак собрать AI-агента для бизнеса и что он реально закрывает
Разбор одной живой сборки: что было до, из каких частей собран агент, что изменилось после и где он ломается. Плюс маршрут, по которому это можно повторить самому.