Transformation in action: What it takes to automate 81% of your customer service while improving CX

Руководить функцией поддержки в компании, которая создаёт ведущую AI-ориентированную платформу клиентского сервиса с собственным Агентом, — одновременно уникальный, увлекательный и пугающий опыт.

Уникальный — потому что мы используем ту же технологию, что и наши клиенты. У нас тот же опыт, что и у них. Немногие команды поддержки могут так сказать, и это ставит нас в особое положение — быть голосом клиента для всей остальной организации.

Увлекательный — потому что мы первыми пробуем все новые функции и возможности Fin и хелпдеска Intercom. Учитывая фокус компании на инновациях в области AI, это означает доступ к замечательным инструментам, которые помогают нам обеспечивать исключительный клиентский опыт.

И пугающий — потому что ожидания от собственной команды Customer Support (CS) в Intercom очень высоки. Если мы не сможем обеспечить выдающуюся поддержку, используя нашу же технологию, мы подорвём её ценностное предложение.

Это финальная часть нашего глубокого разбора нового исследования: «The 2026 Customer Service Transformation Report». Все выпуски этой серии мы публиковали в нашем блоге и в LinkedIn. Если хотите перейти сразу к отчёту, скачайте его здесь.

Когда в конце 2022 года Intercom сменил фокус и сделал ставку на сценарий клиентского сервиса, мы провели критический анализ опыта поддержки, который тогда предоставляли, и взяли на себя обязательство добиться значимых изменений в рамках AI-first подхода.

Спустя три года Fin теперь решает более 81% всего объёма обращений в нашу поддержку, обеспечивая мгновенные и качественные ответы. Мы выдержали рост клиентского спроса более чем на 300% с 2022 года без пропорционального увеличения штата. Без Fin нам понадобилось бы как минимум 100 дополнительных сотрудников CS, чтобы справиться с этим спросом и нашими новыми уровнями сервиса — чистая экономия для Intercom составляет $7,5–9 млн в год.

На протяжении этой серии мы делились исследованием из нашего 2026 Customer Service Transformation Report и рассматривали, как передовые команды трансформируют свой клиентский сервис с помощью AI.

Эта заключительная статья — наша собственная история трансформации и то, как мы пришли к зрелому развёртыванию Fin.

Проблемы, которые мы хотели решить

В 2022 году наши вызовы выглядели знакомо любой современной организации поддержки:

Мы столкнулись с ростом спроса на поддержку со стороны новых и существующих клиентов: Intercom быстро выпускал крупные функции и изменения, что увеличивало общий объём клиентских разговоров и требовало дополнительного штата для команды CS. Наша политика поддержки (определённая через service level objectives) не задавала высокую планку: в большинстве случаев мы обязывались поддерживать клиентов только «в рабочие часы», что влияло на время первого ответа. Даже с такими SLO, которые не считались лучшими в индустрии, мы с трудом выполняли свои обязательства. Мы хотели делать больше: по мере смены стратегии мы хотели открыть новые маршруты к нашей команде поддержки — например, помогать посетителям сайта с техническими вопросами и пробным клиентам.

Что мы сделали

Мы приняли вполне осознанное решение стать собственным лучшим референсным клиентом. Когда Intercom воспользовался возможностью, которую открыл генеративный AI для трансформации клиентского сервиса, мы намеренно перешли на AI-first стратегию для нашей команды Customer Support.

Мы начали с самых объёмных, информационных запросов и быстро увидели, как растёт уровень их разрешения. Заложив этот фундамент, мы продвинули Fin дальше: обучили его на более глубокой документации и внутренних процедурах, а затем дали ему возможность совершать действия от имени клиентов. По мере того как Fin брал на себя более сложную работу, наши результаты начали накапливаться.

Ключевые направления работы были такими:

1. Раннее внедрение и формирование доверия

Когда в Intercom Inbox появились функции «AI Assist», команда CS получила ранний доступ к AI и возможность давать обратную связь напрямую нашим продуктовым командам. Это сформировало у команды понимание и доверие к тому, чего мы пытались добиться с AI, и помогло сформировать продуктовый roadmap.

Наша команда CS также стала первым бета-клиентом Fin. Мы начали с раскатки на часть клиентов, чтобы аккуратно оценить влияние на клиентский опыт. Не получив негативной реакции и достигнув начального уровня разрешения более 25%, мы приняли решение развернуть Fin для большинства наших клиентских сегментов в течение нескольких недель.

2. Управление знаниями

Быстро стало понятно, что время и усилия, потраченные на тюнинг нашего хелп-центра и других информационных активов под Fin, окупятся сторицей. Мы перевели нашего Help Center Manager на новую позицию «Knowledge Manager» с выделенной задачей оптимизировать контент под Fin.

Мы также встроили создание знаний в наш процесс «New Product Introduction» (NPI), задав цель: Fin должен быть способен закрыть не менее 50% клиентских обращений при каждом запуске нового продукта или функции. Со временем мы подключили к Fin новые источники знаний, включая нашу «Developer Documents», чтобы он мог справляться со всё более сложными вопросами.

Мы также выстроили в команде культуру непрерывного улучшения, поощряя сотрудников поддержки находить пробелы в контенте и предлагать улучшения, которые ещё больше расширяли бы возможности Fin отвечать на вопросы. Мы по-прежнему выделяем сотрудникам специальное «вне инбокса» время на эту работу.

3. Дизайн диалогов

Чтобы обеспечить стабильный, качественный клиентский опыт по мере встраивания Fin в путь клиента, мы создали совершенно новую роль «Conversation Designer». Эта роль рассматривает сквозной путь клиента — не только взаимодействие с Fin, но и то, что происходит, когда диалог передаётся человеку. Её фокус — устранять трение и делать опыт бесшовным между каналами.

Роль conversation designer стала центральной в оптимизации клиентского опыта по мере того, как мы поднимали показатель разрешения у Fin. Мы использовали Intercom Workflows, чтобы внедрить «skills-based routing»: когда клиент просит поговорить с человеком, диалог быстро передаётся сотруднику с нужными навыками для его решения. Теперь это напрямую делает сам Fin с помощью функции «Attributes».

4. Изменения в организации

По мере того как мы масштабировали использование Fin, нам потребовалось переосмыслить структуру самой команды. Мы создали отдельную команду AI Support под руководством старшего лидера CS, сфокусированную на непрерывной оптимизации Fin и определении нашей стратегии внедрения AI в других точках клиентского пути.

Мы реструктурировали наши роли «человеческой» поддержки в две новые группы должностей («Technical Support Specialist» и «Technical Support Engineer»), чтобы лучше отражать всё более сложную работу, поступающую в команду. И мы расширили команду Support Operations, добавив фокус на оптимизацию, с целью использовать AI для лучшей поддержки Enablement, Workforce Management, QA, управления процессами и Data Insights.

Параллельно со структурными изменениями мы пересмотрели ожидания о балансе времени, уделяемого прямой поддержке клиентов и улучшению AI. Этот сдвиг в мышлении оказался не менее важным, чем любые структурные изменения, которые мы провели.

5. Развитие возможностей Fin

По мере появления новых возможностей мы становились их ранними пользователями:

Fin Guidance: множественные правила Guidance обеспечивают дополнительный контроль и более персонализированный, целевой опыт для клиентов. Fin Tasks и Procedures: позволяют Fin выполнять такие активности, как информирование клиентов о статусе инцидентов и глубокое разрешение технических проблем. Insights: AI-дашборды дают глубокое понимание производительности Fin и предлагают рекомендации для дальнейшей оптимизации. Insights также формирует Customer Experience (CX) Score для каждого взаимодействия с клиентом, что позволяет точнее направлять усилия по улучшению и открывает новые способы замкнуть петлю обратной связи с клиентами, которые получили негативный опыт.

Чего мы добились

То, что начиналось как сосредоточенные усилия по улучшению нашего опыта клиентской поддержки, превратилось в самый сильный кейс того, чего может достичь Fin, когда организация принимает его в полной мере.

Fin теперь закрывает более 81% всего объёма наших обращений в поддержку и позволил нам выдержать рост спроса более чем на 300% без пропорционального увеличения штата. Более 90% наших клиентов сейчас получают улучшенное время первого ответа, круглосуточное покрытие и исходящую телефонную поддержку.

Чего цифры не передают полностью — так это того, что подключение Fin сделало возможным для команды. С учётом того, что объём поглощает Fin, наша команда CS переключилась на консультативную поддержку: работает с клиентами над их next best actions, углубляет использование Intercom и напрямую вносит вклад в удержание и расширение. Клиенты, получающие эти консультативные взаимодействия, гораздо глубже внедряют Fin и добиваются большего успеха в поддержке.

То, что когда-то было реактивной командой, движимой объёмом, теперь превратилось в функцию, которая приносит значительный доход.

Что дальше

Ожидания клиентов постоянно растут, и для нас важно не стоять на месте. Мы развиваем достигнутый прогресс, опираясь на Fin Flywheel — практический фреймворк для непрерывного улучшения и оптимизации Fin.

У Fin Flywheel четыре стадии:

Train: научить Fin решать даже самые сложные запросы с помощью Procedures, знаний и политик. Test: прогнать полностью симулированные клиентские диалоги от начала до конца, чтобы увидеть, как Fin поведёт себя ещё до запуска. Deploy: запустить Fin во всех каналах — голос, e-mail, чат и соцсети — для единообразной поддержки везде, где клиент к нам обращается. Analyze: использовать AI-powered Insights для анализа и улучшения производительности Fin и обеспечения лучшего клиентского опыта.

Мы также инвестируем в сотрудников поддержки, чтобы они могли адаптироваться к новому миру AI — браться за более сложную работу и быть ценимыми за экспертизу в предметной области, консультативное взаимодействие и эмпатию, которые они привносят в роль.

Мы продолжим разрабатывать и делиться лучшими практиками развёртывания Агента, основываясь на нашем собственном опыте с Fin и уроках, извлечённых из работы с самыми передовыми клиентами. Они зафиксированы и постоянно обновляются в The Agent Blueprint.

Трансформация требует приверженности

То, что мы описали здесь, — наш собственный опыт, но на протяжении всей серии мы видели одни и те же закономерности у команд, которые по-настоящему трансформируются с помощью AI.

Те, кто достигает большего, не относятся к AI как к инструменту, прикрученному поверх существующих процессов: они перестраивают вокруг него саму работу поддержки, инвестируют в знания и людей наравне с технологией и относятся к этому как к непрерывной дисциплине, а не к одноразовому развёртыванию.

Вот настоящая перемена, которая требуется. И для команд поддержки, готовых её совершить, есть вполне реальная возможность переопределить то, на что способен клиентский сервис.

Всю серию вы можете найти у нас в блоге или подписаться в LinkedIn, чтобы видеть её в ленте.