Проблема: ловушка линейного роста
Чем больше пользователей — тем больше тикетов. «День сурка» из одинаковых вопросов съедает ресурсы команды.
- • Рост клиентской базы увеличил нагрузку на первую линию поддержки.
- • До 60–70% обращений относились к повторяющимся вопросам и обрабатывались вручную, что снижало эффективность команды и отвлекало операторов от действительно сложных кейсов.
- • Качество и скорость ответов зависели от конкретных сотрудников, а существующая база знаний использовалась неэффективно из-за отсутствия удобного механизма доступа к информации.
- • Нагрузка на поддержку была слабо предсказуема, а масштабирование сервиса требовало линейного роста команды и операционных затрат.
Почему «просто чат-бот» не работает в финтехе
Цена ошибки
Неточный ответ про комиссию или лимиты — это убытки клиента и судебные риски для компании.
Галлюцинации
GPT слишком «творческий» там, где нужны сухие факты и точные цифры из документации.
Безопасность
Данные клиентов в открытые нейронки — недопустимо. Финтех требует изоляции и контроля.
Решение
Мы внедрили AI-агента для автоматизации первой линии поддержки, встроенного в существующую инфраструктуру компании. Клиенты продолжают обращаться через Telegram, а команда поддержки — работать в Freshdesk, без изменения привычных процессов.
AI-агент обрабатывает обращения, зарегистрированные в Freshdesk, анализирует их содержание и закрывает значительную часть запросов без участия операторов. В работу команды поддержки попадают только случаи, требующие индивидуального разбора и экспертного вмешательства.
Агент управляет статусами тикетов, чётко понимает границы своей ответственности и корректно эскалирует обращения, когда требуется участие человека. При передаче тикета оператору агент сохраняет весь собранный контекст, что позволяет продолжить работу без потери информации и повторных вопросов клиенту.
Агент работает как сверхопытный библиотекарь: понимает вопрос клиента, мгновенно находит нужную информацию в базе знаний компании и формирует точный ответ строго по инструкции.
Технически это подход Retrieval-Augmented Generation (RAG) — агент использует только проверенные знания компании, а не «фантазирует» на основе общих данных интернета.
Это позволяет:
- обеспечивать стабильное качество и актуальность ответов,
- обновлять знания без переобучения модели,
- сохранять контроль и соответствие требованиям финтех-домена.
Архитектура решения изначально проектировалась с принципом security-first: чувствительные данные пользователей не передаются в контекст AI-модели, а доступ к информации и настройкам строго контролируется.
"Интересный UX-инсайт: пользователи не догадываются, что общаются с алгоритмом. По просьбе заказчика мы не акцентируем внимание на использовании AI, чтобы сохранить привычный пользовательский опыт и доверие к каналу поддержки.
UX и управление
В ходе пилотного запуска выяснилось, что пользователи воспринимают диалог с агентом как общение с оператором поддержки.
Для управления системой используется отдельная административная панель. Команда поддержки может обновлять и поддерживать базу знаний, а также управлять инструкциями и поведением AI-агента.
Это позволяет оперативно задавать временные сценарии ответов — например, при инцидентах или внештатных ситуациях — и корректировать логику работы агента без изменений кода и переобучения модели.
Централизованное ядро и масштабирование
Результат
AI-агент самостоятельно закрывает около 75% обращений: пользователи получают решение своего вопроса без участия оператора и остаются довольны качеством поддержки.
В случаях, требующих эскалации, агент собирает всю необходимую информацию и передаёт обращение оператору с полным контекстом, что сокращает время решения и исключает повторные вопросы клиенту.
Дополнительно:
Интеграции
Tech stackCTA
Хотите повторить эффект у себя?
Опишите задачу — подготовим сценарий и оценку эффекта под вашу поддержку.