ElevenLabs отдала поддержку ИИ-агенту: 22 000 тикетов в месяц, 65% без людей

ElevenLabs решает 22 000+ обращений в месяц с помощью собственного продукта ElevenAgents, и это не демо для клиентов, а рабочая линия поддержки самой компании. По данным команды, за последний месяц агент довёл до конца 65% тикетов. Среднее время первого ответа сократилось до 60 секунд, раньше на это уходили часы. Положительно оценили 70% диалогов, которые вёл ИИ, и это совпадает с рейтингом живых операторов.

Агент работает с текстом, скриншотами и PDF, подключён к тикет-платформе, ведёт долгие переписки, ищет данные аккаунта, совершает действия и эскалирует кейсы сотрудникам. Если обе цифры относятся к одному месяцу, общий поток около 34 тысяч тикетов (22 000 при доле 65%). Это наш расчёт, не заявление компании.

SOP как исходный код агента

Главное решение команды скучное и поэтому рабочее. У поддержки уже были подробные стандартные процедуры по каждой крупной категории: возвраты, изменения биллинга, вопросы по профессиональному клонированию голоса. Инженерная задача свелась к переводу этих знаний в формат, который агент выполняет предсказуемо. Для этого понадобились два механизма ElevenAgents:

• Procedures превращают SOP в повторяемые рабочие процессы. Плейбуки поддержки перенесли по каждой основной категории тикетов.
• Structured Procedures применяются для критичных операций, например возврата денег. Каждый шаг в них выполняется детерминированно, без свободной импровизации модели.
• Webhook tools дают агенту живые данные пользователя: тариф подписки, расход кредитов, принадлежащие ему голоса. Без этого он мог бы лишь советовать, а с этим решает проблему целиком.

Граница между гибкой моделью и жёсткой процедурой проходит там, где ошибка стоит денег. Диалог ведёт модель, а выдачу возврата контролирует сценарий.

Как проверяли качество до продакшена

Перед включением и после каждого изменения конфигурации команда использовала три инструмента:

• Channel behavior settings. Пользователь почты хочет получить ответ за минимум ходов и в формате деловой переписки. Голосовому клиенту нужен живой диалог в реальном времени с большим числом реплик. Для каждого канала задаётся своя планка.
• Simulation tests. Агента прогнали примерно по 50 самым частым сценариям поддержки. Затем Architect, конструктор агентов на естественном языке, правил системный промпт и процедуры, пока тесты не проходили стабильно. Набор перезапускают после любых правок, чтобы не получить регрессию.
• Shadow mode. Агент работал на реальном трафике внутри тикет-системы, но его ответы не уходили клиентам. Когда в качестве ответов появилась уверенность, его включили в продакшен.

Architect как инструмент разбора причин

Сотрудники поддержки каждый день пользуются Architect, чтобы понять, где агент буксует. Один запрос на естественном языке выдаёт разбивку тикетов по основным категориям. Отдельно можно спросить, почему конкретный случай ушёл человеку. Причиной может быть пробел в базе знаний, отсутствующий инструмент или неясная внутренняя политика. Найдя причину, Architect предлагает правки.

Изменения также проходят через Architect: он составляет и проверяет обновления, а затем создаёт новые simulation tests и добавляет их в общий набор. Так новые процедуры проверяются сразу, а старые не ломаются незаметно. Люди остаются в контуре: они уточняют потребности клиентов, обновляют политики и следят, чтобы агент не переобучился под один тип тикетов. Остальное Architect берёт на себя, что позволяет поддержке успевать за расширяющимся продуктовым портфелем.

Что можно взять из этого кейса

Общая схема переносима на любую команду с поддержкой:

1. Начните с существующих SOP по топ-категориям обращений. Если процедур нет, автоматизировать пока нечего. 2. Разделите свободный диалог и необратимые действия. Всё, что связано с деньгами и правами доступа, оформляйте как детерминированные шаги. 3. Дайте агенту доступ к данным аккаунта через инструменты, иначе доля полностью решённых тикетов упрётся в потолок. 4. Соберите набор из 30–50 типовых сценариев и гоняйте его после каждой правки промпта или процедуры. 5. Запускайте в теневом режиме на живом потоке, прежде чем показывать ответы клиентам. 6. Делайте раздельные настройки для почты, чата и голоса: ожидания по числу ходов и тону у них разные.

Человеческая оценка 70% показывает, что скорость не куплена ценой качества. Но 65% сквозного решения означает, что треть тикетов всё равно уходит людям, и именно там эскалации дают материал для следующей итерации агента.

Кейс публикуется на фоне серии релизов ElevenLabs вокруг агентной платформы. В сентябре появились ElevenAgents на OpenAI Marketplace и Eleven v4 Turbo внутри ElevenAgents, в августе вышел ElevenLabs MCP для Claude. Поддержка собственной компании служит для платформы витриной.