Поделиться
Как искусственный интеллект изменил работу контакт-центров
Контакт-центры становятся все более технологичными. Причин несколько: необходимость налаживания тесного контакта с клиентами, высокая текучка операторов, требование бизнеса доказать экономическую эффективность. Развитие больших языковых моделей дает возможность передать значительную часть функций роботам. На каких участках они могут полностью заменить человека, обсудили участники организованной CNews Conferences конференции «Современные контакт-центры 2025».
Евгений Щербаков: LLM станут не заменой людей, а инструментом нового уровня для сотрудников
Ростелеком начал использовать искусственный интеллект в работе своего контакт-центра три года назад. Об опыте выбора и обучения языковых моделей, результатах и планах на будущее рассказал Евгений Щербаков, бизнес-партнер по ИТ «Ростелеком Контакт-центр».
CNews: Когда вы решили попробовать использовать ИИ в контакт-центре? Какие задачи планировали передать ассистентам?
Евгений Щербаков: Решение о внедрении ИИ было принято три года назад, когда качественный скачок в развитии LLM-технологий открыл принципиально новые возможности для автоматизации и аналитики. Мы фокусировались на задачах, где ИИ мог обеспечить максимальную добавленную стоимость.
Во-первых, это речевая аналитика и постобработка диалогов — выявление паттернов жалоб и предложений клиентов, расширение технологии анализа с помощью возможности задавать свободные вопросы ИИ, по обслуживанию клиентов. Во-вторых, ассистенты операторов — от тональной коррекции (tone-of-voice) до ситуационного коучинга, например, подсказки по сложным сценариям или нормативным требованиям. В-третьих, суфлирование оператору — генерация контекстных подсказок на основе истории взаимодействий с клиентом.
Это позволило не только оптимизировать операционные затраты, но и повысить NPS за счет персонализированного подхода.
CNews: Какую модель выбрали и почему? Сколько времени ушло на ее обучение?
Евгений Щербаков: На старте мы столкнулись с парадоксом выбора: рынок LLM развивался настолько динамично (выход обновлений каждые 2-3 недели), что фиксироваться на одной модели было нерационально. Для пилотов использовали свободно распространяемые LLM, благодаря их балансу между производительностью и скоростью инференса. Ключевым критерием стала гибкость интеграции с нашими системами через API и возможность кастомизации под доменные задачи.
Полноценное обучение с нуля потребовало бы месяцев и значительных ресурсов, что экономически нецелесообразно при текущей скорости развития open-source решений. Сделав ставку на RAG (Retrieval-Augmented Generation) и тонкую настройку через промпт-инжиниринг, мы свели к минимуму обучение моделей. Например, для анализа диалогов мы дообучили модель на исторических данных всего за 72 часа.
CNews: Какие еще задачи можно будет решать с помощью LLM в будущем?
Евгений Щербаков: Ключевой тренд — интеграция LLM в экосистему корпоративных систем, таких как CRM, ERP, базы знаний и BI-платформы через агентский подход, где языковые модели становятся автономными «цифровыми сотрудниками», способными выполнять сквозные задачи. Это превращает языковые модели в «мозг» процесса, который связывает данные, действия и коммуникации.
Например, при автоматизации сквозных сценариев LLM будет не только генерировать ответ клиенту, но и самостоятельно инициировать действия в CRM — создавать тикеты, обновлять статусы, назначать напоминания, опираясь на контекст диалога. При создании динамической базы знаний модель станет интерфейсом для поиска информации, объединяя разрозненные источники (документы, переписки, статьи БЗ). Вместо ручного запроса оператор получит подсказку в реальном времени, с учётом всей доступной корпоративной информации.
Таким образом, при условии глубокой интеграции с инфраструктурой компании, LLM станут не заменой людей, а инструментом нового уровня для сотрудников.
Короткая ссылка
