За два роки роботи з AI-агентами підтримки ми бачили і кейси з ROI 400% за пів року, і провали, які коштували клієнту відтоку 8% бази. Різниця завжди в одному: чи правильно обрано сценарій. У статті розбираємо, де AI-агенти клієнтської підтримки впевнено перемагають людей, де вони шкодять досвіду, як чесно міряти успіх і скільки насправді коштує пілот.

Що насправді кажуть дані індустрії

Гучні цифри вражають. У лютому 2024 року Klarna повідомила, що її AI-асистент за перший місяць провів 2,3 млн розмов — дві третини всіх чатів підтримки, — виконавши роботу приблизно 700 штатних операторів. Задоволеність клієнтів була на рівні людей, а час вирішення звернення скоротився з 11 до менш ніж 2 хвилин (Klarna, 2024). Gartner прогнозує, що до 2029 року агентний AI самостійно вирішуватиме 80% типових звернень у клієнтському сервісі (Gartner, 2025).

Інший бік історії не менш реальний. Опитування Gartner серед 5 728 клієнтів показало, що 64% воліли б, щоб компанії не використовували AI у підтримці, а головний страх — що стане складніше достукатися до людини (Gartner, 2024). А у 2025 році сама Klarna знову почала наймати живих операторів, щоб клієнт завжди міг поговорити з людиною (Bloomberg, 2025).

Обидва факти правдиві водночас: AI чудово справляється з рутиною, а клієнти карають компанії, які ховають за ним людей. Хороший дизайн живе між цими двома фактами.

Де AI-агенти впевнено перемагають людей

  • FAQ і типові операції — статус замовлення, повторне відправлення, скидання пароля, зміна доставки. Великий обсяг, чіткі відповіді, низька емоційна напруга.
  • Сценарії з чітким API — створення заявки, бронювання, видача доступу, зміна підписки. Якщо дія — це один API-виклик із зрозумілою валідацією, агент може виконати її від початку до кінця.
  • Нічна підтримка та ринки за межами вашого основного часового поясу. Агент, що відповідає о третій ночі мовою клієнта, кращий за обіцянку відповісти «протягом робочого дня».
  • Перша лінія тріажу — визначення наміру, збір номерів замовлень і скриншотів, маршрутизація на потрібну команду з коротким підсумком, щоб людина починала з контексту, а не з «чим можу допомогти?».
  • Асистент для операторів. Навіть там, де AI не варто спілкуватися з клієнтами, він може готувати чернетки відповідей і підказувати знання людям. Дослідження 5 179 операторів підтримки показало, що доступ до AI-асистента підвищив продуктивність у середньому на 14%, а для новачків — на 34% (Brynjolfsson, Li & Raymond, NBER, 2023).

Спільне в усіх сценаріях: агенту потрібні точні знання і дозвіл діяти. Знання дає пошук по вашій документації — про це детально у статті RAG-системи для бізнесу: як зробити AI-агента, який знає вашу документацію.

Де AI ламає досвід

  1. Конфліктні розмови — повернення грошей, скарги, юридичні питання. Засмучений клієнт хоче, щоб його почули, і хоче говорити з тим, хто має повноваження зробити виняток. Ввічливий бот, що цитує правила, робить лише гірше.
  2. Кросдоменні задачі, де відповідь залежить від трьох і більше систем без єдиного API. Кожна відсутня інтеграція — місце, де агент вгадує.
  3. Ринки, де клієнт очікує особистого підходу, як-от B2B enterprise-акаунти з контрактами понад €100k і персональним менеджером.
  4. Ситуації, коли одна помилка коштує більше, ніж агент економить за рік, — медичні, фінансові чи критичні для безпеки поради або будь-що, що створює юридично обов'язкові зобов'язання.

Останній пункт — не теорія. У справі Moffatt v. Air Canada (2024 BCCRT 149) канадський трибунал визнав авіакомпанію відповідальною після того, як чат-бот на її сайті вигадав правило повернення коштів за пільговим тарифом у зв'язку зі смертю родича. Аргумент, що чат-бот — окрема сутність, яка сама відповідає за свої слова, трибунал відхилив (огляд American Bar Association). Те, що каже ваш агент, каже ваша компанія.

Найкращі AI-агенти підтримки — це ті, що знають, коли передати естафету людині. Ми завжди закладаємо логіку ескалації з першого спринту.

Ескалація, яку клієнти не ненавидять

Ескалація — це функція продукту, а не запасний варіант. Наші правила за замовчуванням:

  • Завжди пропонуйте людину. Помітна опція «поговорити з людиною» на кожному кроці. Якщо її сховати, containment на дашборді зросте, а довіра всюди інде впаде.
  • Ескалюйте за сигналами, а не лише на прохання: негативний сентимент, повторне перефразування, слова на кшталт «скасувати», «юрист» чи «скарга», цінні клієнти та будь-які дії понад визначену суму.
  • Передавайте з контекстом. Людина отримує підсумок розмови, визначений намір, уже підтягнуті дані клієнта і що агент встиг спробувати — клієнту не доведеться повторювати.
  • Підтвердження перед діями з наслідками. Повернення коштів, скасування та зміни акаунта вимагають явного підтвердження, а грошові операції понад поріг — участі людини.
  • Повідомляйте, що це AI. Клієнт має знати, що спілкується з машиною. В ЄС це стає юридичним обов'язком: стаття 50 AI Act вимагає інформувати людей про взаємодію з AI-системою, а вимоги прозорості застосовуються з серпня 2026 року (EU AI Act, стаття 50; Регламент (ЄС) 2024/1689).

Проста політика маршрутизації в коді виглядає так:

ESCALATE_INTENTS = {"refund_dispute", "complaint", "legal", "cancel_contract"}

def should_escalate(turn, customer) -> bool:
    return (
        turn.intent in ESCALATE_INTENTS
        or turn.sentiment < -0.5
        or turn.rephrase_count >= 2          # клієнт ходить по колу
        or customer.annual_value > 100_000
        or turn.user_asked_for_human
    )

Інженерний гайд Anthropic Building effective agents говорить те саме з боку моделі: починайте з простих і передбачуваних workflow і давайте моделі автономію лише там, де можете перевірити результат.

Як міряти успіх

  • Containment rate — частка діалогів, закритих агентом без передачі людині. Міряйте разом із часткою повторних звернень протягом 7 днів: «закритий» діалог, після якого клієнт повертається завтра, — це провал.
  • CSAT окремо для AI- і людських розмов. Порівнюйте, не змішуйте, і сегментуйте за намірами: агент може бути чудовим у статусі замовлень і слабким у питаннях оплати.
  • Час до першої відповіді (FRT) і час до вирішення (TTR). FRT AI виграє за визначенням; TTR показує, чи він справді розв'язує проблеми.
  • Якість ескалації — як часто людям доводиться перепитувати в клієнта те, що агент уже знав.
  • Cost per resolved case — метрика, яка цікавить CFO, з урахуванням вартості моделей, платформи і людського часу на ескалації.
Метрика Здоровий пілот через 3 місяці Тривожний сигнал
Containment rate 40–60% для обраних намірів понад 80% при падінні CSAT
Повторні звернення за 7 днів менше 10% понад 20%
CSAT AI проти людей різниця в межах 5 пунктів розрив понад 10 пунктів
Ескалації з повним контекстом понад 90% клієнти повторюють свою проблему

Поетапний запуск, який працює

  1. Спершу асистент для операторів. AI готує чернетки, люди їх надсилають. Ви збираєте дані про якість без ризику для клієнтів.
  2. Автоматизуйте три-п'ять масових намірів із чистими API і зрозумілими правилами.
  3. Розширюйтеся намір за наміром, для кожного — власний еталонний набір реальних розмов і відстеження CSAT.
  4. Щотижневий розбір. Читайте вибірку розмов, особливо ескальовані й низько оцінені, і виправляйте прогалини в знаннях у першоджерелі.

Скільки коштує запуск

Пілот із підключенням до однієї системи (наприклад, Zendesk + база знань) — 6–10 тижнів і 25 000–45 000 євро. ROI зазвичай досягається за 5–9 місяців за умови containment rate понад 50%. Якщо у вас менше 3 000 звернень на місяць — економіка не сходиться, краще не починати; інвестуйте в якісний help center та інструменти-асистенти для операторів.

Бюджет зазвичай ділиться на три частини: інтеграції та інструменти (30–40%), чистка бази знань і еталонний набір для оцінки (25–35%), дизайн розмов, логіка ескалації та тестування (решта). Команди, що пропускають чистку знань, витрачають усю економію на ескалації.

Пов'язані гайди

Метрики вище працюють лише з налагодженим процесом оцінювання — наш описано у статті Як оцінювати LLM-застосунки. Агенти підтримки читають недовірені листи клієнтів, тож запобіжники зі статті Безпека AI-агентів стосуються їх безпосередньо, а якщо ви обслуговуєте клієнтів у ЄС, перевірте обов'язки розкриття у статті EU AI Act для IT-компаній.

Про архітектуру агентів підтримки — у статтях workflow чи агенти і проєктування інструментів для LLM-агентів; про дані клієнтів у промптах — у статті приватність LLM-застосунків.

FAQ

Чи замінять AI-агенти нашу команду підтримки? Ні. Вони забирають повторювані запити й першу лінію тріажу, а люди зосереджуються на складних, емоційних і цінних випадках. Більшість команд, з якими ми працюємо, перерозподіляють людей, а не скорочують.

Який containment rate реалістичний? Для правильно обраних намірів — 40–60% у перші місяці. Загальний показник залежить від того, яка частка вашого потоку — рутина.

Чи треба повідомляти клієнтам, що вони говорять з AI? Це найкраща практика всюди, а в ЄС AI Act робить таке розкриття обов'язковим для систем, що взаємодіють з людьми.

З якого каналу починати? З чату чи месенджерів. Email допускає повільніші та виваженіші відповіді й добре підходить як другий крок; голос — найскладніший і має бути останнім.

Джерела

  1. Klarna (2024). Klarna AI assistant handles two-thirds of customer service chats in its first month.
  2. Bloomberg (2025). Klarna turns from AI to real person customer service.
  3. Gartner (2024). Survey finds 64% of customers would prefer that companies didn't use AI for customer service.
  4. Gartner (2025). Agentic AI will autonomously resolve 80% of common customer service issues by 2029.
  5. Brynjolfsson, Li & Raymond (2023). Generative AI at Work. NBER Working Paper 31161.
  6. American Bar Association (2024). BC tribunal confirms companies remain liable for information provided by AI chatbot (Moffatt v. Air Canada, 2024 BCCRT 149).
  7. Європейський Союз. Регламент (ЄС) 2024/1689 (AI Act), стаття 50.
  8. Anthropic (2024). Building effective agents.