2026 customer service planning series: Vol. 04
Четвёртая часть серии Intercom о планировании клиентского сервиса на 2026 год посвящена построению операционной модели, при которой AI-агент непрерывно совершенствуется. Авторы формулируют принцип: каждый ответ на вопрос клиента должен быть последним — система должна учиться на каждом решении. Ключевые элементы модели — чёткое владение (выделенный AI ops lead), лёгкое управление изменениями без бюрократии и регулярный цикл обратной связи. В качестве примера приводится Dotdigital, где после выхода на плато в ~2 800 решённых диалогов в месяц была создана отдельная роль специалиста по поддержке операций. Статья подчёркивает, что без явного ответственного за качество AI-агента улучшения буксуют, а обратная связь теряется.
Once you’ve defined the right roles on your team, you need an operating model that makes progress an integral part of how things work and keeps the AI Agent improving over time.
Определив нужные роли в команде, вам понадобится операционная модель, в которой прогресс — неотъемлемая часть рабочего процесса, а AI-агент продолжает улучшаться со временем.
At Intercom, we use a simple mantra to guide how we think about this: “The first time you answer a question should be the last.”
В Intercom мы руководствуемся простым принципом: «Первый раз, когда вы отвечаете на вопрос, должен быть последним».
This is part four of our five-part series on customer service planning for 2026. We’ll be sharing all five editions on our blog and on LinkedIn.
If you’d rather have them emailed to you directly as they’re published, drop your details here.
Это четвёртая часть нашей серии из пяти выпусков о планировании клиентского сервиса на 2026 год. Мы публикуем все пять выпусков в нашем блоге и в LinkedIn. Если вы хотите получать их по электронной почте сразу после публикации, оставьте свои данные здесь.
We’re trying to build an operating model where every resolution improves the system, so that fewer issues repeat, quality compounds, and support becomes more scalable over time.
Мы стремимся выстроить операционную модель, в которой каждое решённое обращение улучшает систему: меньше повторяющихся проблем, качество накапливается, а поддержка становится всё более масштабируемой.
Getting this right takes intentional design. It takes clear ownership, guardrails that let you move quickly without risk, a way to feed insights back in, and a culture that embraces and celebrates the work, not just the outcomes.
Чтобы добиться этого, нужен осознанный подход: чёткое распределение ответственности, ограничители, позволяющие двигаться быстро без лишних рисков, механизм возврата инсайтов в систему и культура, которая ценит и поощряет саму работу, а не только её результаты.
Let’s break that down.
Давайте разберём это подробнее.
1. Start with clear ownership
1. Начните с чёткого распределения ответственности
One of the most common reasons AI performance plateaus is ambiguity.
Одна из самых распространённых причин, по которой эффективность ИИ выходит на плато, — это размытость ответственности.
When no one owns how the AI Agent performs, feedback gets lost, issues linger, and improvements stall.
Когда никто не отвечает за работу AI-агента, обратная связь теряется, проблемы копятся, а улучшения буксуют.
High-performing teams assign a single owner who’s responsible for making the AI Agent better by:
В высокоэффективных командах назначают одного ответственного, который занимается улучшением AI-агента:
Анализирует тренды решённых обращений и выявляет слабые места системы. Вносит точечные изменения в контент, конфигурацию и поведение. Координирует работу с продуктовой командой и инженерами по системным блокерам. Устанавливает приоритеты, цели и сроки улучшений.
That owner (often referred to as the AI ops lead) typically sits within support operations or grows out of an existing role. The title or team they sit on isn’t important. What matters is that they take clear ownership and have the authority to drive change.
Такой ответственный (которого часто называют AI ops lead) обычно работает в отделе операций поддержки или вырастает из существующей роли. Название должности или команда не важны. Важно, чтобы этот человек взял на себя чёткую ответственность и имел полномочия для внедрения изменений.
Real-world example
At Dotdigital, AI performance plateaued after a strong start – resolving around 2,800 conversations per month for three consecutive months. To drive resolution rates up, the team created a dedicated support operations specialist role, filled by an experienced agent with deep product knowledge. This person will focus on refining snippets, improving content, and enhancing the AI’s resolution capabilities.
Пример из практики В Dotdigital эффективность ИИ вышла на плато после сильного старта — около 2 800 решённых диалогов в месяц на протяжении трёх месяцев подряд. Чтобы повысить долю решённых обращений, команда создала выделенную роль специалиста по операциям поддержки. Её занял опытный агент с глубоким знанием продукта. Этот специалист сосредоточится на доработке сниппетов, улучшении контента и повышении способности ИИ самостоятельно решать обращения.
2. Make iteration fast and safe
2. Сделайте итерации быстрыми и безопасными
As the AI Agent handles more volume and complexity, change might start to feel risky. And when teams hesitate to make changes, performance stalls.
По мере того как AI-агент берёт на себя больший объём и более сложные задачи, изменения начинают казаться рискованными. А когда команда боится вносить изменения, эффективность стагнирует.
That’s where lightweight governance comes in: a clear way to keep iterating without bureaucracy or endless approvals.
Здесь на помощь приходит лёгкое управление: понятный способ продолжать итерации без бюрократии и бесконечных согласований.
The teams that have developed a good rhythm with this put a few principles in place:
Команды, которые выработали хороший ритм в этом, придерживаются нескольких принципов:
Все знают, какие изменения требуют ревью, а какие — нет. Ответственные за принятие решений определены. Обновления тестируются (легко, но надёжно) перед выходом в продакшн. Обратная связь стекается в одно место, где её видят и обрабатывают. Прогресс происходит по согласованному расписанию (еженедельные ревью, ежемесячные контрольные точки, квартальное планирование и т. д.), а не только когда у кого-то находится время.