Суть
Нидерландская телекоммуникационная компания KPN при поддержке консультантов начала масштабное внедрение агентного искусственного интеллекта (agentic AI) в систему клиентского сервиса. Это не просто очередное обновление чат-бота, а фундаментальный сдвиг в том, как корпорации обрабатывают запросы пользователей. Вместо реактивных ответов по скрипту, новая система способна самостоятельно анализировать проблему, принимать решения и выполнять действия в биллинговых и сетевых системах оператора. Это важный сигнал для всей индустрии: технологии больших языковых моделей (LLM) переходят от генерации текста к реальной автоматизации бизнес-процессов.
Контекст
Исторически клиентская поддержка в телекоме считалась одной из самых сложных и затратных сфер. Абоненты обращаются с широким спектром проблем: от непонятных списаний со счета до падения скорости домашнего интернета.
Предыдущие поколения автоматизации опирались на жесткие деревья решений. Пользователь нажимал кнопки в меню, пока не попадал на нужную статью базы знаний или не переключался на живого оператора. С появлением первых LLM компании начали внедрять умный поиск, который мог вежливо отвечать на вопросы, но все еще не имел доступа к реальным инструментам управления. В результате клиент получал красивый, но бесполезный ответ, и все равно требовал соединения со специалистом.
Детали
Агентный ИИ кардинально отличается от простых языковых моделей. Главное отличие заключается в наличии «агентности» — способности системы планировать многошаговые действия и использовать внешние инструменты (API) для их выполнения.
В случае с телеком-оператором уровня KPN это означает глубокую интеграцию нейросетей с внутренними базами данных и сетевым оборудованием. Когда клиент сообщает о проблеме с интернетом, агентный ИИ не просто выдает инструкцию по перезагрузке роутера. Он самостоятельно запрашивает статус линии, проверяет наличие массовых аварий в районе абонента, анализирует логи ошибок на конкретном устройстве и при необходимости дистанционно перезапускает оборудование или формирует заявку для выездного инженера.
Создание такого «движка» требует сложной архитектуры. Модель должна уметь разбивать сложную задачу на подзадачи, критически оценивать промежуточные результаты и, что самое важное, понимать границы своих полномочий, чтобы не нарушить безопасность данных.
Анализ
Переход к агентным системам в энтерпрайзе означает, что ИИ начинает выполнять работу младших специалистов первой и второй линий поддержки. Это уже не просто инструмент для улучшения пользовательского опыта, а средство существенного снижения операционных расходов.
Однако внедрение подобных решений сопряжено с серьезными вызовами. Старые корпоративные системы (legacy) часто не имеют современных интерфейсов для взаимодействия с ИИ. Именно поэтому к проектам такого уровня привлекаются крупные консалтинговые компании вроде McKinsey. Их задача — не просто настроить нейросеть, а перестроить внутренние процессы компании так, чтобы они могли эффективно управляться алгоритмами.
Перспектива
В ближайшие годы мы увидим, как опыт KPN будут перенимать другие крупные игроки на рынке связи, банковских услуг и ритейла. Агентные системы станут стандартом де-факто для крупного бизнеса.
Пока рано судить о том, насколько быстро такие системы смогут полностью заменить людей в сложных нестандартных ситуациях. Скорее всего, роль человека-оператора трансформируется. Люди будут выступать в роли супервизоров, которые контролируют работу ИИ-агентов, решают исключительные проблемы и оказывают эмоциональную поддержку клиентам в тех случаях, когда алгоритмического решения недостаточно. Время покажет, насколько гладко пройдет этот процесс адаптации, но вектор развития индустрии уже определен.