Нейросети для поддержки клиентов: ответы, база знаний, тон

Нейросети для поддержки клиентов работают в трёх ролях: помощник оператора, который готовит черновик ответа за секунды; автор базы знаний, собирающий статьи из тысяч переписок; и бот на первой линии, отвечающий на типовые вопросы без человека. Первые две роли почти безрисковые и окупаются быстро. Третья даёт самый большой эффект и самые громкие провалы — потому что бот говорит от имени компании, и компания отвечает за каждое его слово.

В статье — как пройти этот путь по порядку: сначала усилить операторов, потом навести порядок в знаниях, и только затем выпускать бота к клиентам. С промптами, правилами проверки и двумя известными историями, которые хорошо показывают, где проходит граница. Готовые инструкции для агентов — ответы на обращения, шаблоны писем, единый тон — собраны на полке скиллов для поддержки клиентов.

Где нейросеть помогает поддержке

Работа поддержки — это поток однотипного текста с редкими сложными случаями. Модель хорошо справляется с первым и плохо со вторым: она быстро отвечает на вопрос о сроке доставки, но не знает, что у этого клиента третья жалоба за месяц и ему пора звонить руководителю. Карта ниже показывает, что и в каком режиме отдавать нейросети.

Общий принцип: чем ближе ответ к деньгам, обязательствам и эмоциям клиента, тем меньше самостоятельности у модели. Возвраты, компенсации, исключения из правил и разговор с расстроенным человеком остаются за людьми — и дело не только в качестве ответа, но и в том, что клиент хочет слышать решение от того, кто за него отвечает.

Черновики ответов: оператор остаётся главным

Самый безопасный старт — режим «второго пилота»: модель видит обращение, историю клиента и базу знаний и предлагает черновик, а оператор правит и отправляет. Эффект заметен в первый же день: оператор перестаёт набирать один и тот же ответ в двадцатый раз и тратит внимание на то, чтобы ответ подошёл именно этому человеку. Такие функции встроены во многие системы поддержки и CRM, а для небольших команд достаточно чата с сильной моделью и хорошего промпта.

Последняя строка промпта — главная. Модель, у которой нет ответа, достраивает его из общих знаний о магазинах: «возврат в течение 14 дней», «бесплатная доставка при заказе от 5000 ₽». Звучит правдоподобно, но у вашего магазина правила могут быть другими. Явная пометка для оператора вместо выдуманного обещания — то, что отличает рабочий черновик от опасного.

Второе применение — тон. Модель переписывает ответ под ситуацию: мягче для расстроенного клиента, короче для мессенджера, официальнее для письма юрлицу. Для этого полезно один раз записать гайд по тону: как обращаемся, какие слова не используем, как извиняемся, как отказываем. Две страницы такого текста, приложенные к каждому запросу, делают ответы всех операторов похожими друг на друга — клиент перестаёт чувствовать, что попал к «другому человеку». Как писать такие инструкции для модели, разобрано в гайде как писать промпты.

Третье — сложные письма. Ответ на жалобу, которая уже ушла в соцсети, или отказ постоянному клиенту оператор пишет с моделью в два шага: сначала просит разобрать, что на самом деле беспокоит человека и какие обещания в переписке уже прозвучали, потом — три варианта ответа с разной степенью уступки. Выбор варианта и решение об уступке остаются за старшим смены. Первый шаг особенно полезен, когда переписка длинная: модель находит обещание, которое клиенту уже дал другой оператор неделю назад, и новый ответ ему не противоречит.

База знаний из переписок

В большинстве компаний настоящая база знаний живёт в головах опытных операторов и в архиве переписок. Статьи на сайте устарели, а ответы на реальные вопросы разбросаны по тысячам диалогов. Нейросеть превращает этот архив в структурированную базу: находит повторяющиеся вопросы, собирает лучшие ответы операторов и пишет из них статьи.

Расхождения в ответах операторов — ценная находка сама по себе. Если на вопрос о возврате товара ненадлежащего качества три оператора отвечают тремя разными способами, проблема не в операторах, а в том, что правило нигде не записано. Такие места решает руководитель поддержки вместе с юристом или владельцем процесса, а модель после этого пишет статью по утверждённому ответу.

Хорошая статья базы знаний отвечает на один вопрос, начинается с ответа, а не с предисловия, и понятна без соседних статей. Такую статью одинаково легко найти клиенту, оператору и боту. Модель пишет по этим правилам, если их назвать, а заодно предлагает 3–5 формулировок вопроса, которыми клиенты его задают, — они нужны для поиска. Статьи с датой проверки и ответственным устаревают медленнее: раз в квартал модель сверяет базу с текущими правилами и отмечает статьи, которые нужно обновить.

Бот на первой линии: когда запускать и как не прогадать

Самая известная история последних лет — Klarna. В феврале 2024 года компания объявила, что её ИИ-ассистент за первый месяц провёл 2,3 млн диалогов, две трети всех чатов поддержки, и выполнил работу, эквивалентную 700 штатным операторам. Через год с небольшим, в мае 2025-го, генеральный директор Себастьян Семятковский в интервью Bloomberg сказал, что клиенту всегда должен быть доступен живой человек, и компания начала снова набирать людей в поддержку. Обе части истории верны одновременно: бот действительно снимает огромный поток типовых вопросов, но полностью заменить людей не получилось.

Бот готов к запуску, когда выполнены три условия. База знаний покрывает большую часть типовых вопросов и проверена — бот не знает больше, чем в ней написано. Есть понятный и быстрый путь к человеку: кнопка или фраза, после которой диалог уходит оператору вместе с историей, и клиент не пересказывает всё заново. И есть набор тестовых вопросов с правильными ответами, который прогоняется при каждом изменении бота. Как тестировать такие функции, разобрано в гайде нейросети для тестировщика.

Начинать лучше с узкой зоны: статус заказа, сроки доставки, адреса и часы работы, простые вопросы по оплате. Здесь ответы проверяемые, а цена ошибки невелика. Метрики первых недель — не «доля диалогов без человека», а доля правильных ответов на выборке, доля переводов на оператора и оценка клиентов после диалога. Расширять зону стоит только тогда, когда эти цифры стабильны. Как устроена разработка таких ботов и сколько она стоит, мы разбирали в статье блога разработка чат-ботов.

Кто отвечает за слова бота

Показательный случай — Moffatt против Air Canada. Пассажир спросил чат-бота на сайте авиакомпании о скидке на перелёт в связи со смертью родственника. Бот ответил, что скидку можно оформить задним числом, в течение 90 дней после покупки, хотя правила компании этого не допускали. Когда пассажиру отказали, он обратился в Трибунал по гражданским спорам Британской Колумбии. 14 февраля 2024 года трибунал решил спор в его пользу: компания отвечает за всю информацию на своём сайте, получена она со статичной страницы или от чат-бота. Довод, что бот — «отдельное лицо», трибунал отклонил.

В России отдельных правил для ботов нет, но логика та же: ответ бота — это информация от продавца, и клиент вправе на неё опираться. Практические выводы для отдела поддержки: бот не должен называть условий, которых нет в утверждённой базе знаний; обещания о деньгах, сроках и компенсациях проходят через человека; все диалоги бота сохраняются, чтобы в споре было видно, что именно он сказал. Полезно и честно сообщать клиенту, что с ним говорит бот, — это снижает раздражение, когда бот чего-то не знает.

Разбор обращений: что поддержка знает о продукте

Поддержка — единственный отдел, который каждый день слышит клиентов без фильтров. Но эта информация редко доходит до продукта и маркетинга: в лучшем случае раз в месяц приходит таблица «топ-10 тем». Нейросеть делает разбор обращений постоянным: каждое обращение получает тему, причину, тональность и признак «проблема продукта», а раз в неделю модель собирает сводку с цитатами.

Такая сводка превращает поддержку из «отдела, который тушит пожары» в источник решений для компании. Всплеск вопросов о доставке в конкретный город, новая формулировка непонимания тарифа после обновления сайта, жалобы на одну модель товара — всё это видно на неделю-две раньше, чем в продажах. Разметку модели стоит проверять выборочно: 20–30 обращений в неделю достаточно, чтобы заметить, если она начала путать похожие темы.

Если вы хотите, чтобы сводка собиралась без участия человека — выгрузка из системы поддержки, разметка, отчёт в мессенджер по понедельникам, — это задача автоматизации на несколько вечеров. Как собирать такие связки на no-code-платформах, разобрано в гайде автоматизация на n8n и Make.

Данные клиентов и правила для отдела

Переписки поддержки полны персональных данных: имена, телефоны, адреса доставки, номера заказов, иногда фотографии документов. Загрузка их в зарубежную нейросеть — трансграничная передача по статье 12 закона № 152-ФЗ, требующая уведомления Роскомнадзора. С 30 мая 2025 года штраф для организации за утечку данных о 1000 и более людях — от 3 до 5 млн ₽, а при большем числе затронутых людей — до 15 млн ₽.

Для работы с архивом переписок данные обезличиваются: имена, контакты и адреса заменяются метками ещё до загрузки. Для бота и помощника оператора, которые работают с живыми обращениями, нужна модель с договором и хранением данных в России — например, YandexGPT через Yandex Cloud или GigaChat через API для бизнеса. Правила для отдела стоит записать на одной странице: какими сервисами можно пользоваться, что нельзя вставлять в чат с моделью, какие решения бот не принимает никогда и кто отвечает за базу знаний.

С чего начать на этой неделе: включите режим черновиков для двух-трёх операторов на самом массовом типе обращений и соберите из архива список повторяющихся вопросов. Через месяц у вас будет проверенная база знаний и понимание, какие темы можно доверить боту. Если бот нужен сразу и с интеграцией в сайт, мессенджеры и CRM, это наша услуга ИИ-менеджеров.

Автор: Артём Беспалов, маркетинговое ИИ-агентство «Термос Беспалова», Калининград.

Источники: Klarna о первом месяце ИИ-ассистента, февраль 2024 · CX Dive о возвращении людей в поддержку Klarna, 09.05.2025 · ABA о деле Moffatt v. Air Canada · КонсультантПлюс о штрафах за утечки с 30.05.2025 (проверено 26.09.2026).