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.
Определив нужные роли в команде, вам понадобится операционная модель, в которой прогресс — неотъемлемая часть рабочего процесса, а AI-агент продолжает улучшаться со временем.
В Intercom мы руководствуемся простым принципом: «Первый раз, когда вы отвечаете на вопрос, должен быть последним».
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.
Мы стремимся выстроить операционную модель, в которой каждое решённое обращение улучшает систему: меньше повторяющихся проблем, качество накапливается, а поддержка становится всё более масштабируемой.
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.
Давайте разберём это подробнее.
1. Начните с чёткого распределения ответственности
Одна из самых распространённых причин, по которой эффективность ИИ выходит на плато, — это размытость ответственности.
Когда никто не отвечает за работу AI-агента, обратная связь теряется, проблемы копятся, а улучшения буксуют.
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.
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.
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. Сделайте итерации быстрыми и безопасными
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.
Здесь на помощь приходит лёгкое управление: понятный способ продолжать итерации без бюрократии и бесконечных согласований.
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.