ИИ-агент в клиентском сервисе: Отелло и targetai измерили реальный эффект автоматизации первой линии поддержки

ИИ-агенты постепенно становятся частью клиентского сервиса. Но вместе с этим возникает проблема: сравнивать решения между собой по-прежнему приходится по метрикам, которые далеко не всегда показывают их реальную пользу для бизнеса.Скорость ответа, точность распознавания речи, удовлетворенность клиентов, доля автоматизации — все эти показатели важны. Но для операционного директора главный вопрос звучит иначе: сколько реальной работы ИИ взял на себя, сколько времени освободил сотрудникам и как это повлияло на экономику клиентской поддержки? 

Чтобы ответить на эти вопросы, сервис бронирования отелей Отелло и разработчик ИИ-решений targetai проанализировали работу голосовых агентов на первой линии поддержки клиентов отельного проекта 2GIS . В период с февраля по июнь 2026 года агенты обработали 26 494 звонка общей продолжительностью около 290 часов. Эти данные позволяют подробно изучить результат автоматизации клиентского сервиса как части реального операционного процесса.

Могут ли стандартные метрики автоматизации вводить в заблуждение?

При оценке ИИ-агента часто используют показатели, которые удобно показывать в презентациях: точность распознавания, среднее время ответа, процент удовлетворенных клиентов или долю звонков, которые робот не передал оператору.

Проблема не в самих метриках. Проблема возникает, когда они подменяют собой оценку операционного эффекта. Например, агент может провести хороший разговор, но в итоге передать клиента оператору. С точки зрения метрики автоматизации такой звонок выглядит как неуспешный. С точки зрения бизнеса ситуация может быть другой: робот уже идентифицировал клиента, выяснил причину обращения, собрал необходимые данные и передал сотруднику готовый контекст. Оператору остается решить саму проблему, а не начинать разговор с нуля.

Поэтому оценивать ИИ-агента только по доле полностью автоматизированных обращений недостаточно. Нужно смотреть, какую работу система фактически забирает у первой линии и сколько человеческого времени это позволяет сэкономить.

290 часов входящих звонков

За четыре месяца голосовые агенты targetai в Отелло обработали 26 494 звонка — около 290 часов живых разговоров. Основной объем пришелся на входящую линию. Агент принял 24 799 обращений со средней продолжительностью около 35 секунд.

Это принципиально отличается от классического пилота, где несколько десятков или сотен тестовых диалогов используются для демонстрации возможностей технологии. Здесь ИИ работал с реальной нагрузкой и в течение нескольких месяцев оставался частью операционного процесса. Именно такой масштаб позволяет оценивать не только качество отдельных диалогов, но и влияние автоматизации на работу всей линии поддержки.

Одна из ошибок при оценке ИИ-агентов — считать автоматизированными только те обращения, которые робот полностью закрыл самостоятельно. На практике есть промежуточный результат — преквалификация обращения.

Представим типичный сценарий. Клиент звонит с вопросом по бронированию. Агент идентифицирует гостя, выясняет причину обращения, собирает необходимые сведения и только после этого подключает оператора. Формально автоматизации здесь нет: человек все равно участвует в разговоре. Но операционная нагрузка на него уже ниже. Ему не нужно задавать базовые вопросы и тратить первые десятки секунд на сбор информации.

Если такая экономия составляет хотя бы 15–20 секунд на каждом разговоре, при десятках тысяч обращений речь идет уже о сотнях часов высвобожденного рабочего времени. Это особенно важно для первой линии, где стоимость нескольких секунд на одном обращении превращается в значительный ресурс на масштабе всего контакт-центра.

Автоматизация как способ справляться с пиками нагрузки

Еще один эффект ИИ-агента связан не столько с сокращением штата, сколько с управлением нагрузкой. Количество операторов в смене ограничено. В периоды пикового спроса это означает очереди, увеличение времени ожидания и необходимость оперативно привлекать дополнительные ресурсы. Голосовой агент позволяет принять существенно больше одновременных обращений без необходимости пропорционально увеличивать количество людей на линии.

В результате компания получает своеобразную операционную эластичность: при росте нагрузки не каждое дополнительное обращение автоматически превращается в дополнительную смену оператора. Это может влиять и на бюджет. Чем меньше потребность в экстренном привлечении сотрудников и сверхурочной работе, тем предсказуемее становится стоимость обслуживания.

ИИ может работать не только на поддержку, но и на выручку

Отдельный сценарий Отелло — исходящие звонки по бронированиям и работа с незаездами. В последнем случае задача агента не сводится к тому, чтобы просто дозвониться до гостя. При выявлении незаезда освободившийся номер можно быстрее вернуть в продажу. Получается другая логика оценки эффективности: ИИ влияет не только на стоимость обработки обращения, но и на потенциально упущенную выручку.

Для гостиничного бизнеса это особенно важно. Номер, который не был продан из-за поздно выявленного незаезда, невозможно компенсировать продажей вчерашнего дня. Поэтому скорость реакции становится частью экономики продукта.

16,6% полностью автоматизированных обращений 

Чтобы не завышать эффект, команда Отелло и targetai провела ручную разметку диалогов. По ее результатам полностью автоматизированными оказались около 16,6% входящих обращений. В абсолютных цифрах это примерно 45,5 часа работы первой линии — около 5,7 рабочих смен живого оператора.

Эта оценка очень консервативна. В нее включены только диалоги, в которых агент самостоятельно закрыл вопрос и человеку не потребовалось подключаться.

Оставшиеся 83,4% обращений нельзя автоматически записывать в «неуспешные». В эту категорию попадают маршрутизация, передача обращения оператору вместе с контекстом, а также типовые информационные запросы. Эти действия также создают операционный эффект, но его сложнее корректно посчитать без сопоставления с фактическими показателями работы человеческой линии.

Именно поэтому в данном случае 16,6% — скорее нижняя граница измеряемой автоматизации, чем итоговая оценка всей пользы ИИ-агента.

Контактность 57,69% 

Исходящие агенты Отелло использовались, в частности, для подтверждения бронирований и обработки незаездов. Всего было выполнено 1 607 попыток дозвона, из которых 927 завершились полноценным разговором. Контактность составила 57,69%. Для сценария подтверждения бронирований было создано 918 задач, из них 502 завершились подтверждением. На первый взгляд показатель контактности можно сравнить с отраслевым ориентиром в 70% и сделать вывод о недостаточной эффективности.

Но такое сравнение требует контекста. В классическом подходе телемаркетинга контактность в первую очередь зависит от количества попыток, времени звонков, репутации телефонных номеров, определения автоответчиков и других технических параметров Для Отелло же важна не только сама состоявшаяся коммуникация, но и ее качество. Если клиент поднял трубку, разговор должен решить задачу, а не просто увеличить статистику дозвонов. Поэтому разрыв с бенчмарком в 70% — реальный показатель, который требует дальнейшей работы. Но он не отменяет другой метрики: насколько полезным оказался состоявшийся диалог.

Почувствовал ли клиент, что разговаривает с роботом

Для клиентского сервиса есть еще одна метрика, которую редко включают в стандартные отчеты по ИИ: насколько естественным воспринимается взаимодействие. В ручной выборке из 3 128 диалогов прямые упоминания робота, бота или автоответчика встретились всего в восьми случаях. Это 0,26%.

В 99,74% проверенных разговоров клиент не называл собеседника машиной. Это не означает, что гости обязательно не понимали, что общаются с ИИ. Но сам факт важен: разговор не провоцировал их отдельно обсуждать природу собеседника.

Для гостиничного сервиса это может быть существенным показателем. Здесь телефонный разговор — часть клиентского опыта, поэтому качество коммуникации нельзя сводить только к тому, насколько быстро робот произнес нужную фразу.

Дополнительный эффект — качество операционных данных

Автоматизация первой линии дает бизнесу не только экономию времени. ИИ-агент работает по заданному сценарию: задает необходимые вопросы, фиксирует результаты и размечает диалоги в CRM. В результате данные о причинах обращений становятся более структурированными. У человека часть информации может потеряться при ручном заполнении карточки, интерпретироваться по-разному или вообще не попасть в систему. Для бизнеса это означает возможность смотреть на поддержку как на источник данных о самом продукте. Если, например, определенная причина обращения регулярно повторяется, это уже повод искать проблему не в работе операторов, а в процессе бронирования, интерфейсе или коммуникации с клиентом. Так ИИ-агент может постепенно менять саму роль первой линии: она перестает быть только центром обработки обращений и становится источником операционной аналитики.

Как считать экономику ИИ-агента

Опыт Отелло показывает, что для оценки проекта недостаточно одной цифры — например, процента автоматизации. Минимальный набор показателей может выглядеть так:

1. Объем работы.Сколько звонков и часов диалогов реально обработано, а не протестировано в демо.

2. Полная автоматизация.Какая доля обращений закрыта без участия человека.

3. Преквалификация.Сколько обращений робот подготовил для оператора и какую часть времени человека удалось сэкономить.

4. Нагрузка и SLA.Как система работает в периоды пиков и позволяет ли избежать очередей и привлечения дополнительных смен.

5. Результат для бизнеса.Не только количество обработанных звонков, но и подтвержденные бронирования, выявленные незаезды, возвращенные в продажу номера и другие показатели, связанные с выручкой.

6. Качество коммуникации.Не только удовлетворенность, но и способность агента вести диалог без потери контекста и ненужной эскалации.

7. Качество данных.Насколько полно и единообразно информация из разговоров попадает в CRM и последующую аналитику.

Такая совокупность показателей позволяет понять, заменяет ли ИИ часть человеческой работы, дополняет ее или просто переносит нагрузку с одного этапа процесса на другой.

ИИ с клиентом говорит 

За последние годы технологии распознавания речи и генерации ответов значительно продвинулись. Поэтому сам факт, что робот умеет поддерживать диалог, уже не является достаточным конкурентным преимуществом.

Гораздо важнее другой вопрос: что изменилось в операционном процессе после внедрения агента? В случае Отелло за четыре месяца ИИ обработал 26 494 звонка и около 290 часов разговоров. При этом полностью автоматизированная часть входящей линии составила 16,6%, а еще значительный объем обращений был предварительно обработан и маршрутизирован.

Это означает, что оценивать ИИ-агента нужно не только как замену оператору. В некоторых процессах его ценность заключается в другом: он берет на себя рутину, готовит обращение к передаче человеку, выдерживает пиковую нагрузку, собирает структурированные данные и помогает быстрее реагировать на ситуации, которые влияют на выручку.

Именно поэтому зрелая оценка ИИ в клиентском сервисе начинается не с вопроса «насколько хорошо робот разговаривает?», а с вопроса «какую измеримую операционную задачу он решил и сколько ресурсов это освободило?» Если на этот вопрос всегда можно ответить цифрами, ИИ-агент перестает быть технологической демонстрацией и становится обычным инструментом управления эффективностью бизнеса.