McKinsey и Replicant обсуждают эволюцию клиентской поддержки: почему боты старого поколения уходят в прошлое и как агентные системы меняют правила игры, несмотря на сложности внедрения.
3 мин
Индустрия клиентского сервиса переживает фундаментальный сдвиг. Если последние десять лет мы наблюдали засилье простых чат-ботов, работающих по жестким правилам, то сейчас на сцену выходит агентный искусственный интеллект (Agentic AI). Это не просто маркетинговое переименование старых технологий, а изменение самой логики автоматизации: переход от следования заранее прописанным картам к автономному достижению целей.
Эксперты McKinsey и платформы Replicant отмечают, что разрыв между компаниями-лидерами и отстающими увеличивается. Лидеры (верхние 10% рынка) уже выходят из стадии бесконечных экспериментов и начинают масштабировать решения, которые реально влияют на прибыль, тогда как отстающие продолжают держаться за полностью ручные модели управления или устаревшие скрипты.
Чтобы понять разницу, важно вспомнить, как работали ранние ИИ-агенты. Гади Шамиа, CEO Replicant, использует удачную метафору: старые боты могли двигаться только по «проложенной дороге». Разработчик должен был заранее предусмотреть каждый поворот разговора. Если клиент задавал вопрос, не учтенный в схеме, бот заходил в тупик.
Современные агентные системы работают иначе. Они не следуют фиксированному пути. Вместо этого они получают набор целей и задач, а также инструкции о том, что считается хорошим или плохим поведением. Это дает системе гибкость, позволяющую решать проблемы клиента способами, которые не были жестко запрограммированы заранее.
Эрик Бьюзинг из McKinsey предлагает рассматривать агентный ИИ не как монолитный «супермозг», а как набор блоков LEGO. Каждый отдельный агент — это специализированный работник, который умеет делать одну вещь, но делать ее отлично:
Сами по себе эти блоки просты. Но когда они соединяются в цепочку (workflow), создается сложная структура, способная рассуждать, приоритизировать задачи и помнить контекст прошлых взаимодействий. Именно модульность позволяет системе вести себя более естественно и «человечно», избегая механических пауз и шаблонных фраз.
Несмотря на технологический оптимизм, реальность внедрения остается суровой. Эрик Бьюзинг ссылается на отчет MIT, согласно которому около 95% пилотных проектов с генеративным ИИ пока не принесли измеримого влияния на отчет о прибылях и убытках (P&L). Многие компании застряли в так называемом «чистилище пилотных проектов».
Причина этого кроется в обманчивой простоте современных инструментов. Создать впечатляющую демо-версию сегодня может любой энтузиаст за выходные. Это создает иллюзию, что внедрение ИИ — легкая задача. Однако, как отмечает Гади Шамиа, существует огромная пропасть между «милым демо», которое показывает CEO, и надежным продуктом, способным работать под нагрузкой, обновляться и быть устойчивым к сбоям.
Компании часто недооценивают сложность перехода от прототипа к промышленному решению, путая доступность API с готовностью бизнес-процессов.
Главный вызов для бизнеса сейчас не только технический, но и психологический. Потребители травмированы двадцатилетним опытом взаимодействия с плохими системами голосового меню (IVR — interactive voice response). Люди привыкли нажимать «0» или кричать в трубку, чтобы добраться до оператора, потому что ожидают от робота бесполезности.
Успех агентного ИИ будет зависеть не от того, насколько умно он говорит, а от того, насколько быстро он решает проблему. Если компании смогут внедрить агентов, которые выполняют задачи (а не просто ведут беседу), доверие к автоматизации начнет восстанавливаться. Но для этого бизнесу придется перестать гнаться за хайпом и сосредоточиться на скучной, но важной работе по интеграции ИИ в реальные операционные процессы.
Агентный ИИ меняет парадигму с жестких скриптов на целеполагание, позволяя системе автономно выбирать путь решения проблемы клиента.
Легкость создания демо-версий ИИ стала ловушкой: компании недооценивают сложность масштабирования, путая удачный прототип с готовым продуктом.
