Как внедрить на сайт ИИ-консультанта и не разочаровать пользователей

«Как дозвониться до оператора» и «Как пробиться через бота» — такие советы и инструкции в интернете ищут почти 30 тыс. человек каждый месяц. Хотя чат-боты становятся всё умнее, принимают запросы на простом разговорном языке и обзаводятся удобными интерфейсами, пользователи по-прежнему хотят, чтобы их проблемами или потребностями занялся живой сотрудник.
Почему это происходит и как не повысить число негативных отзывов и «брошенных корзин», автоматизируя работу с обращениями? В этой статье объясняем причины без лишних терминов и делимся собственным опытом внедрения ИИ-помощников.

Для многих компаний боты и нейросети уже стали стандартными инструментами поддержки и продаж. Бизнес автоматизирует клиентский сервис — техподдержку и приём заявок, и это позволяет ему сокращать издержки и вкладывать больше ресурсов в развитие. Как признаются предприниматели, многие из них запустили эти перемены в первую очередь потому, что не хотели отстать от конкурентов: соперничество — главный двигатель технологий, и не только в ритейле.

Но не приводит ли такое решение одновременно к падению прибыли? Дело в том, что клиенты не в восторге от такого положения дел. Исследование Gartner показало: 64% ​​клиентов предпочли бы, чтобы компании не использовали ИИ для обслуживания клиентов. Более того, 53% клиентов задумались бы о переходе к конкуренту, если бы узнали, что компания отныне общается с ними только через ИИ.

Получив ответ бота в качестве реакции на запрос или проблему, пользователи раздражаются, бросают диалог или всеми способами пытаются «достучаться» до живого человека. В результате автоматизация не снижает нагрузку, а подрывает доверие к сервису.

Причина почти всегда не в самой технологии, а в том, как именно ИИ внедрён. Если не соблюдать ключевые принципы, то ИИ-консультант превращается в проблему, а не в точку роста.

Ключевые принципы внедрения ИИ-консультанта

Для пользователя сайт — это инструмент быстрого решения задачи. Если И И отвечает неточно, не понимает контекста, повторяет шаблонные фразы, «гоняет пользователя по кругу» не может довести вопрос до результата, не распознаёт эмоции пользователя и не реагирует на них — он воспринимается хуже, чем форма обратной связи или FAQ. Пользователи быстро теряют терпение и стараются вызвать «живого» сотрудника, либо просто уходят с сайта. Если такая проблема повторяется снова и снова, это говорит о том, что путь пользователя не проработан или выбраны неудачные решения для автоматизации.

Какие последствия получает бизнес от «неудачного» внедрения ИИ-помощников:

•

автоматизация не снижает нагрузку на поддержку: лишние расходы;

•

ответы длиннее, но в них меньше пользы (недовольство пользователей);

•

растёт время отклика, особенно в час пик (недовольство пользователей);

•

сотрудники думают, что их хотят заменить (недовольство сотрудников);

•

падает конверсия из диалогов (снижение эффективности).

Чтобы этого не произошло, важно изначально выстроить правильную архитектуру и внимательно подходить к выбору решений. Обязательными «кирпичиками» здесь будут подключение ИИ к корректной базе знаний и правильно выбранная технология помощника.

Составили для вас пошаговую инструкцию по внедрению ИИ-консультанта. В качестве предисловия скажем, что выбор языковой модели и способ интеграции её на сайт — лишь верхушка айсберга: сначала предстоит подготовительная работа, которая может занять месяцы.

Если на вопрос «зачем ИИ нужен вашему бизнесу» нет внятного и измеримого ответа, будет сложно обосновать необходимость внедрения и отследить, принесло ли оно пользу. Правильная постановка целей начинается с понимания, какую проблему бизнеса должен решить ИИ-консультант. И если цель сформулирована абстрактно («автоматизировать общение», «внедрить ИИ»), результат тоже будет абстрактным.

Метрики, которые можно использовать

Цель должна включать конкретные показатели: нагрузка на поддержку (количество рабочих часов или обращений), время на обработку типовых запросов, конверсия в заявку или покупку, удовлетворенность клиента (метрика CSAT) и готовность рекомендовать (метрика NPS).

Чтобы измерить эффект от внедрения ИИ на длинной дистанции, можно также включить такие показатели как долю диалогов, завершённых без участия оператора и количество эскалаций к человеку.

При постановке целей очень важно разделять цели бизнеса и ожидания пользователей. Бизнес чаще всего хочет экономии и масштабируемости. Пользователь — быстрого и понятного ответа. Эти цели не противоречат друг другу, но требуют баланса и правильной формулировки. Поясним всё сказанное на примерах.

02

Пример неизмеяемой (слишком абстрактной) цели: «Максимально заменить живых консультантов ИИ».

03

Пример цели «в мире пользователей»: «Снизить время получения ответа на 20 секунд».

Пример правильно поставленной цели: «Сократить количество типовых обращений к операторам на 30%, сохранив уровень удовлетворённости клиентов».

01

Цели должны быть зафиксированы до проектирования логики ИИ, базы знаний и сценариев диалога. Иначе система будет оптимизироваться под удобство реализации, а не под результат.

ИИ-консультант не знает ваш бизнес в деталях. Он работает только с тем, что ему дали пользователи, либо генерирует ответы на основе собственного опыта.

Типичная ошибка — подключить ИИ к разрозненным документам: устаревшим инструкциям, неактуальным презентациям для продаж или страницам сайта, которые давно не обновлялись. В результате виртуальный помощник отвечает уверенно, но неправильно, потому что использует неверные данные или «сочиняет» ответ на основе вероятности, как это заложено в технологии LLM. А пользователь, увидев неточности, быстро теряет доверие.

Что важно сделать:

•

сформировать единую, актуальную базу знаний;

•

определить источники «истины» (что главнее: сайт, регламент, CRM, FAQ);

•

выстроить процесс регулярного обновления контента;

•

заложить ответственность: кто и как поддерживает данные;

•

настроить систему RAG («генерация с дополненной выборкой»), чтобы нейросеть генерировала ответы строго на основе источников.

Без этого всего нейросеть не решает проблему пользователя, а лишь создаёт видимость решения. Именно такие ситуации создают ИИ-консультантам дурную славу и подрывают доверие пользователей к ним.

Даже идеальная база знаний не работает, если ИИ не умеет к ней правильно обращаться. Верно и обратное: качественный поиск и хорошая работа с контекстом важнее «крутости» модели.

Частая проблема — поверхностный поиск: ИИ не понимает формулировки пользователя, теряет контекст предыдущих сообщений (и в итоге «гоняет по кругу»), подставляет «похожие», но нерелевантные ответы.

Пример (ИИ теряет контекст и не перенаправляет пользователя на страницу редактирования заказа)

Пользователь: Я хочу изменить тип доставки. Это возможно?
ИИ: Конечно. До начала сборки заказа вы можете изменить детали ! […] Какой вид доставки вам удобнее?
Пользователь: Мне удобна ЯндексДоставка.
ИИ: Договорились! Самовывозом или курьерская?
Пользователь: Курьерская
ИИ: Понятно! Если хотите что-то добавить или изменить, просто дайте знать!
Пользователь: О чем мы говорим?
ИИ: Мы просто обновляли некоторые детали! Если хотите обсудить что-то конкретное, напишите, что вас интересует.

В результате пользователь тратит на диалог с нейросетью много времени и не получает нужный результат. Конечно, ни продажи, ни конверсию таким способом не увеличишь.

Что отличает зрелое решение:

•

обработка поискового запроса: алгоритм исправляет транслитерацию, заглавные буквы и косвенные формы слов, чтобы расширить поиск;

•

семантический поиск, а не поиск по ключевым словам — здесь помогает обогащение запроса, например, добавление синонимов;

•

работа с контекстом диалога;

•

умение задавать уточняющие вопросы;

•

корректная обработка сложных, «неидеальных» запросов.

Многие ИИ-консультанты разочаровывают, потому что по стилю, тону и манере диалога остаются чат-ботами, хотя и с более сложными сценариями. Пользователь быстро это чувствует. Но на самом деле современные LLM (large language models, то есть «большие языковые модели») умеют говорить живым языком и объяснять сложное простыми словами, если правильно их обучить и настроить. Не говоря уже о том, что модель может адаптировать ответы под контекст задачи и корректно передавать диалог человеку. Его также можно обучить распознавать эмоции в сообщениях и реагировать на них.

Так может выглядеть диалог с ИИ на сайте бренда уличной одежды, который обучен общаться в стиле своей ЦА

Пользователь: Я хочу изменить тип доставки. Это возможно?
ИИ: Да без проблем 👌 Пока заказ не ушёл в сборку — можем спокойно всё переиграть. Какой вариант доставки тебе больше заходит?
Пользователь: ЯндексДоставка.
ИИ: Окей, Яндекс — норм выбор 🚀
Как едем: самовывоз или курьер к тебе?
Пользователь:
Курьерская.
ИИ:
Тогда оформляем курьера😎
Если вдруг ещё что-то хочешь докинуть или поменять — пиши, не стесняйся.

Что важно для правильной настройке языковой модели:

•

понятные правила эскалации к оператору;

ограничения на «фантазирование»;

•

•

единый стиль общения, совпадающий с Tone of Voice бренда;

чётко заданная роль ИИ (помощник, консультант, навигатор);

•

•

правильно подобранные референсы по стилю.

При этом ИИ не должен притворяться человеком — он должен быть удобным цифровым ассистентом.

В рамках одного из проектов мы внедрили ИИ-консультанта для сети медицинских учреждений «Клиника Фомина». Задача клиента выходила за рамки простой автоматизации чатов: важно было сократить нагрузку на регистратуру и врачей, упростить путь пациента к записи и при этом сохранить высокий уровень сервиса и соответствие медицинским требованиям.

ИИ-ассистент взял на себя первичный диалог с пациентом. Он помогает сформулировать жалобы, задаёт уточняющие вопросы, выявляет потенциально экстренные случаи и направляет пациента к нужному специалисту. При этом ассистент не ставит диагнозы и всегда подчёркивает, что окончательное решение принимает врач.

Ключевой сценарий — подбор врача и запись на приём. Ассистент анализирует симптомы, предлагает подходящего специалиста, показывает доступные слоты и сразу оформляет запись. Все введённые данные сохраняются в медицинской информационной системе как предварительный анамнез, что экономит время врача на приёме. После записи пациент получает подтверждение и рекомендации по подготовке.

С точки зрения бизнеса решение позволило снизить нагрузку на колл-центр, увеличить конверсию в запись за счёт сокращения шагов и повысить прозрачность сервиса: обращения и жалобы фиксируются и анализируются. Кейс показывает, что ИИ-консультант эффективно работает в сложных и чувствительных сферах, если встроен в реальные бизнес-процессы и чётко ограничен по ответственности.

Хотите обсудить комплексное внедрение ИИ-помощника в вашем бизнесе? Напишите нам!