Как Юздеск внедрил AI‑агента в собственную поддержку и сократил цикл сделки с трех до одного месяца

Как продуктовая компания, Юздеск заметили, что рынок идет во все большую автоматизацию. Стало очевидно: через пару лет вместо людей в поддержке будут работать AI-агенты, и классических операторов почти не останется.

Продукт Юздеска изначально был заточен под работу живых сотрудников — весь пользовательский опыт, тарификация и бизнес-модель строились на количестве людей в компании. Если убрать оператора из цепочки, это должен быть уже совершенно другой продукт.

Компания осознала, что рынок классических helpdesk-систем будет падать, и развиваться в прежней модели не получится.

У Юздеска были компетенции в настройке, автоматизации сценариев поддержки и разработке продукта, но не было экспертизы в создании AI-агентов и работе с языковыми моделями. Тогда нашли команду партнеров с таким опытом и в коллаборации за полгода внедрили в Юздеск функции на базе AI.

Сначала цель была создать инструменты для помощи операторам: переформулирование ответа, перевод, сокращение текста, улучшение ответов, а также резюме обращения. Это сильно ускоряет работу, так как больше не нужно долго вчитываться в историю переписки. Затем добавили автоматический контроль качества, в который заложили 10-летнюю экспертизу выстраивания клиентского сервиса.

Языковые модели. Основная облачная модель — GPT от OpenAI. Параллельно используются локальные open-source модели, развернутые на серверах в России (DeepSeek и другие), чтобы данные не уходили за рубеж. В компании считают, что будущее за мировыми open-source моделями, развернутыми на серверах в РФ, — особенно в свете возможных законодательных ограничений. Перед отправкой обращений в любую LLM персональные данные очищаются.

База знаний. От качества базы знаний на 70% зависят ответы AI-агента. Формат не принципиален — Word или Wiki, главное, чтобы информация была структурирована и актуальна. Юздеску повезло: создание и поддержание базы знаний выделено в отдельный бизнес-юнит, за нее всегда отвечал отдельный человек, который собирает обратную связь от клиентов.

Промпты и сценарии. В промпты заложена вся экспертиза общения с клиентами: агент задает уточняющие вопросы, не отвечает, пока не разберется в задаче, и никогда не скажет «извините за предоставленные неудобства».

RAG-система. Собственный RAG-слой определяет тематику обращения и достает нужный раздел из базы знаний. Настроена каскадная система переключения между моделями на случай сбоя.

От идеи до первого рабочего решения прошло три недели. За это время написали первую версию промпта, загрузили готовую базу знаний и начали тестирование.

AI-агента подключили только к одному каналу — Telegram-боту. В первой итерации его жестко ограничили: он должен был сразу переводить на оператора любые вопросы с картинками или ссылками. Из-за этого автоматизация была минимальной — не более 5%.

С чем столкнулись на старте

Обрывочные сообщения. Клиенты в чатах пишут мысли обрывочно, например, пятью короткими сообщениями подряд. Из-за этого бот начал отвечать на каждое отдельно. Добавили предупреждение «пишите запрос целиком» и возможность позвать человека любой формулировкой.

Перехват диалогов. Операторам важно иметь возможность прозрачно перехватить диалог, если бот идет «не туда». Клиенты это оценили — оставляли положительные отзывы о том, как быстро подключается человек.

Доступ к настройкам клиента. Для ответа часто нужно зайти во внутреннюю админку и посмотреть индивидуальные настройки конкретного клиента. Обучить бота ходить в админку было слишком трудозатратно — это требовало перестраивания архитектуры.

Чтобы обойти проблему с доступом к админке, AI-агента научили просить у клиента скриншоты настроек или ошибок. Агент распознает картинки и сопоставляет их с текстовым описанием в базе знаний. Это дало огромный буст автоматизации.

Изменили подход и к ссылкам. Перестали сразу переводить диалог на оператора — агент стал давать мини-инструкцию по теме ссылки, и пока клиент проверяет настройки, происходит перевод на оператора. Во многих случаях этой первичной информации оказывалось достаточно, и вопрос решался без участия человека.

Неожиданные эффекты

Клиенты заговорили как с ChatGPT. Пользователи перешли на «ты» и стали формулировать запросы четко, как промпты: «Дай ссылку», «Покажи запрос по API». Лояльность выросла, когда клиенты поняли правила игры.

AI обучает клиентов. Агент сам начал просить клиентов присылать не ссылки, а скриншоты, запрашивает подробности и перед переводом на человека убеждается, что собрал всю необходимую фактуру.

Сюрприз с техническими вопросами. Оказалось, что AI-агент лучше всего отвечает на сложные вопросы по документации API и SDK и даже может написать готовый код интеграции Юздеск с CRM клиента.

Но с техническими ответами возникла и проблема: если менеджер без экспертизы попросит такой скрипт и применит его, он может сломать настройки. Поэтому предстоит научить агента распознавать роль обращающегося пользователя.

Организационных сложностей практически не было. Команда включилась в процесс, активно следила за ответами бота и помогала улучшать промпты.

Сейчас в Юздеск работают два основных сценария использования AI.

Автономный AI-агент — самостоятельно общается с клиентами и закрывает обращения без участия человека. Если не уверен в ответе — собирает контекст и передает диалог оператору.

AI-подсказки для операторов — работают на той же базе знаний, но с другим промптом: агрегируют контекст из нескольких разрозненных сообщений клиента и предлагают оператору готовый вариант ответа.

Подсказки внедрили уже после запуска автономного агента. Адаптация сотрудников прошла гладко — практически никого ничему не обучали, все заработало интуитивно. Подсказки появляются прямо в интерфейсе Юздеск, и операторы уже забыли, как писать ответы с нуля.

AI-подсказки начали активно использовать отделы продаж и Customer Success. Даже если у менеджера чуть меньше глубокой технической экспертизы в продукте, благодаря подсказкам он может грамотно отвечать на сложные вопросы клиентов, не привлекая саппорт.

Кроме того, AI используется для автоматической оценки качества. Система оценивает коммуникации не только отдела поддержки, но и переписки аккаунт-менеджеров, Customer Success и отдела продаж. Учитываются также параметры каждого диалога: приветствие, прощание, тон и эмпатию, структуру ответа, понимание вопроса и предоставление ответа — и фиксируются зоны роста. Это помогает улучшать навыки общения по всей компании.

Изначально в команде поддержки было 8 человек. Благодаря внедрению AI реструктуризировали команду, не увольняя сотрудников.

3 человека → продажи. Перешли в коммерческий отдел как pre-sale инженеры — теперь ходят на встречи с крупными клиентами, помогают менеджерам со сложными вопросами и настраивают продукт в нестандартных случаях.

Остальные → продукт. Часть команды продолжает обрабатывать сложные тикеты, с которыми не справился AI-агент, а часть теперь занимается созданием и настройкой AI-агентов для клиентов компании.

Бывшие сотрудники поддержки теперь напрямую участвуют в продажах и находятся в едином контексте с клиентом. Создали совместные чаты с клиентами на этапе пресейла, где технические специалисты оперативно отвечают на вопросы. Раньше менеджер передавал вопрос в саппорт, ждал ответа, передавал обратно — контекст терялся. Теперь все происходит мгновенно.

Амбициозная цель до конца текущего года — довести долю автоматизации закрытия обращений AI-агентом без участия человека до 70%.

В компании хотят максимально уменьшить количество ручного труда в поддержке собственного сервиса. Нужно высвободить руки команды, чтобы они могли сфокусироваться на новом продукте — создании, настройке и поддержке AI-агентов для клиентов. Рутину оставляют искусственному интеллекту.

Юздеск прошел путь от страха операторов до закрытия сделок за неделю. Главный результат внедрения AI-агента — не метрики скорости ответа и не экономия на обращениях, а перестройка бизнес-модели: люди из поддержки ушли в продажи и продукт, сократив цикл сделки в разы. Никого не уволили — перераспределили туда, где они приносят больше ценности.