Клиент заказал AI-чатбота, но спасла его совсем другая технология

Есть старая инженерная максима: не автоматизируй хаос — сначала наведи порядок. История, опубликованная на Хабре, идеально её иллюстрирует и одновременно показывает, где искусственный интеллект действительно способен принести пользу, а где он оказывается дорогой игрушкой, решающей не ту проблему.

Ситуация знакомая до боли: компания обращается к разработчикам с конкретным запросом — нужен AI-чатбот для клиентской поддержки. Цифры на столе убедительные: 200 обращений в день, четыре оператора, которые не успевают справляться, и вечная текучка кадров, из-за которой качество сервиса постоянно проседает. Казалось бы, классический сценарий для внедрения большой языковой модели — обучи бота на истории переписок, выпусти в продакшн, сократи нагрузку на людей. Именно так продают AI-решения десятки интеграторов по всему рынку.

Но команда разработчиков поступила иначе. Вместо того чтобы сразу разворачивать инфраструктуру для чат-бота, они сели и вручную прочитали пятьсот тикетов. Не просмотрели по диагонали, не скормили нейросети для быстрой классификации — именно прочитали глазами, вникая в суть каждого обращения. И результат оказался отрезвляющим. Выяснилось, что шестьдесят восемь процентов всех запросов закрываются элементарным API-вызовом: проверить статус заказа, обновить данные, инициировать возврат. Это задачи, для которых AI не нужен вообще — достаточно грамотно спроектированного интерфейса и интеграции с бэкендом. Ещё четырнадцать процентов обращений решались формой-визардом — пошаговым сценарием, где клиент сам проходит через серию вопросов и получает результат без участия оператора.

Иными словами, больше восьмидесяти процентов нагрузки на поддержку существовало не потому, что задачи были сложными, а потому, что у клиентов не было удобного инструмента самообслуживания. Проблема была не в отсутствии искусственного интеллекта, а в отсутствии базовой автоматизации. Это принципиальное различие, которое на волне хайпа вокруг генеративных моделей очень легко упустить из виду.

Но история на этом не заканчивается, и именно здесь она становится по-настоящему интересной. Когда рутину вынесли за скобки, оставшиеся обращения — те самые сложные, нестандартные, требующие человеческого внимания — подвергли кластеризации с помощью AI. И модель обнаружила нечто, чего не заметили ни операторы, ни менеджеры: статистически значимую группу жалоб, указывающих на бракованную партию товаров. Проблема ещё не стала массовой — отдельные обращения терялись в общем потоке, и ни один оператор не мог увидеть паттерн, разбирая тикеты по одному. Но алгоритм кластеризации, обработав данные в совокупности, выделил аномалию и фактически предупредил компанию о надвигающемся кризисе.

Этот кейс ценен тем, что он переворачивает привычную логику внедрения AI в бизнес-процессы. Рынок сейчас буквально одержим идеей чат-ботов на основе больших языковых моделей. Компании тратят сотни тысяч на внедрение решений, которые по сути занимаются тем же, что и хорошо написанная страница FAQ с поисковой строкой. При этом настоящая сила машинного обучения — способность находить неочевидные закономерности в больших массивах данных — остаётся невостребованной, потому что до неё просто не добираются, увязнув в автоматизации рутины.

В более широком контексте это часть тренда, который набирает обороты в индустрии. Всё больше практиков говорят о том, что успешное внедрение AI начинается не с выбора модели и не с написания промптов, а с аудита процессов. Прежде чем спрашивать «какую нейросеть подключить», стоит спросить «а что именно сломано и почему». Зачастую ответ оказывается прозаичным: сломан не интеллект поддержки, а маршрутизация запросов, структура базы знаний или банальное отсутствие кнопки «проверить статус заказа» в личном кабинете.

История с бракованной партией — это ещё и аргумент в пользу того, что AI наиболее эффективен не как замена человека, а как его усилитель. Оператор поддержки физически не способен удерживать в голове тысячи обращений и выявлять среди них статистические аномалии. Но он прекрасно способен принять решение, когда система подсвечивает проблему. Именно в этой связке — машинная аналитика плюс человеческое суждение — рождается реальная ценность, а не в попытке заменить живого оператора генеративной моделью, которая иногда галлюцинирует.

Вывод прост и неудобен для тех, кто продаёт AI-решения «под ключ»: иногда лучшее, что может сделать команда разработки — это честно сказать клиенту, что ему не нужен чат-бот. А потом показать, где искусственный интеллект действительно изменит правила игры.