В подкасте HelpDeskEddy Илья и Хасан говорят с Демьяном, сооснователем Liya, про искусственный интеллект в поддержке: когда ИИ реально нужен, чем классификатор отличается от LLM, как внедрять без «магии» и зачем суфлёр оператору. Ниже — выжимка разговора и ссылки на запись.
Слушать подкаст
Ещё материалы про сервис — в Telegram Клиентский сервис HDE.
О чём выпуск
Гость — Демьян, сооснователь Liya (раньше Aleto): платформа ИИ для поддержки на базе NLU. Компания выросла из аутсорса для банков: дорого, долго и неэффективно закрывать рутину людьми. Первые клиенты — банки вроде Точки и Делобанка; позже — пики вроде Delivery Club.
Главные выводы из разговора
Liya отвечает на входящее. В продажах важна проактивность и живой контакт, особенно при среднем чеке от нескольких тысяч. В поддержке — объём, сезонность и 24/7.
Liya выбирает ответы из базы, а не «сочиняет» текст как ChatGPT. Шутки и пасхалки возможны только если их заложил клиент. Миф про «неудачную шутку бота» к такому классу систем обычно не относится.
ИИ не закрывает 100% запросов. Смысл появляется при больших объёмах, пиках (кикшеринг летом) или работе по часовым поясам — когда нанимать и увольнять людей под сезон дороже бота.
Нужна история диалогов (от сотен до десятков тысяч), кластеризация тем и договорённость по % автоматизации. Без обновления базы знаний и владельца процесса «магии» не будет.
ИИ предлагает готовый ответ или формулировку из базы — меньше ошибок, особенно когда ошибка дорого стоит. Интеграция с helpdesk (в т.ч. HelpDeskEddy) здесь ключевая.
Как устроено внедрение по опыту Liya
- История сообщений. ~100 для структуры, 20–30 тысяч для нормального анализа тем.
- Кластеризация. Отчёт: какие темы дают больше всего нагрузки и что автоматизировать в первую очередь.
- Продакшн с гарантиями. Не «вечный пилот», а рабочий контур с понятными ожиданиями по %.
- Тихий режим. Если истории мало — бот учится на фоне, клиент пока не замечает.
- База знаний. Если история слабая — стартуют с FAQ и статей.
Чувствительность (порог распознавания): обычно около 80%. Ниже — бот чаще «угадывает» с опечатками; выше — чаще переспрашивает или отдаёт оператору. Это баланс между ложными срабатываниями и точностью.
Голос, % автоматизации и куда движется рынок
- Голосовые боты — через партнёров: логика диалога у Liya, речь через STT/TTS. Голосовые сообщения пока дорого.
- Доля автоответов зависит от бизнеса: в логистике, кикшеринге, беттинге бывает до ~95%, где-то около 35%. Важно обещать реалистично.
- Presale-ассистенты — следующий шаг: тёплый подбор товара по поиску, отзывам и каталогу в чате сайта, а не холодный обзвон.
- Первая линия уже уходит в ИИ там, где сильная база знаний и простые сценарии; LLM с эмпатией в промптах ускоряет этот тренд.
Хасан: Когда первую линию полностью заменит ИИ?
Демьян: Это уже происходит в бизнесах с хорошей базой знаний и несложными запросами. Скоро ботам, скорее всего, придётся представляться — но отличить их от человека станет сложнее.
Что взять в работу команде поддержки
- Посчитайте объём и долю повторяющихся тем — без этого ИИ «ради галочки».
- Соберите и актуализируйте базу знаний до запуска бота.
- Решите: автоответы клиенту, суфлёр оператору или оба контура.
- Заложите эскалацию на человека (конфликт, деньги, исключения).
- Держите ИИ рядом с тикетами — в одной системе с почтой и мессенджерами.
Про ИИ внутри HelpDeskEddy — на странице AI.
FAQ: ИИ в поддержке
Когда компании стоит внедрять ИИ в поддержку?
Когда много однотипных обращений, есть пики нагрузки или нужна работа 24/7. Команде из двух человек обычно рано: ИИ не закрывает всё, люди всё равно нужны.
Чем бот-классификатор отличается от ChatGPT?
Классификатор выбирает ответ из вашей базы и сценариев. Генеративная модель может сочинять текст — полезно как суфлёр, но требует контроля качества и промптов.
Какой процент автоматизации реалистичен?
Зависит от отрасли и качества базы: где-то 30–40%, где-то существенно выше. Обещание «95% всем» без анализа тем — красный флаг.
Что такое суфлёр для оператора?
Подсказка ответа прямо в карточке обращения: черновик, статья из базы знаний, следующий шаг. Ускоряет ответ и снижает ошибки на дорогих кейсах.
Нужна ли история диалогов для запуска?
Желательна. По ней кластеризуют темы. Если истории нет — тихий режим обучения или старт с базы знаний.
Итог
Искусственный интеллект в поддержке работает как процесс: данные → темы → база знаний → бот/суфлёр → человек на исключениях. Подкаст с Liya хорошо показывает границы: не «заменить всех», а снять рутину там, где объём уже болит.
Кейсы
Миграция с Intercom: каналы, маршрутизация и отчёты в одной системе — база для дальнейшей автоматизации.
Поддержка на десятки тысяч обращений: рост производительности чатов и CSAT.
Масштаб с 200K до 500K обращений — там, где без процессов и автоматизации штат не успевает.
Ещё истории — в разделе кейсы. Вопросы по ИИ и демо — на контактах.
