Искусственный интеллект не заменит человека. Но человек, использующий AI, заменит того, кто этого не делает.
Анастасия, Client Relationship Lead, Oki-Toki.
Знаете, что меня больше всего удивляет в разговорах про AI в контакт-центрах?
Все говорят о технологиях, но никто не говорит о людях.
За 8 лет работы в этой индустрии я видела сотни операторов, которые сидели в “cubicles”, механически зачитывали скрипты и мечтали о пятнице. Операторов, увольняли после очередной “оптимизации”. Они выгорали, а отток персонала составлял 30-45% (employee turnover) в год и ещё бесконечный цикл найма новых людей.
И я постоянно слышу этот вопрос, полный страха: “А что будет, когда меня заменит AI”?
Вот что я отвечаю — и это не утешение, а факт: большинство экспертов ошибаются, когда говорят, что AI полностью заменит операторов.
AI не заменит операторов. AI освободит операторов от того, что убивало их мотивацию: от монотонности, от зачитывания скриптов, от 100-го за день вопроса “как сбросить пароль?”.
Новая роль оператора — от исполнителя к архитектору отношений
Вот что происходит на самом деле: профессия оператора переживает ренессанс. Оператор всё меньше работает “говорящим FAQ” и всё больше модератором клиентского опыта — специалистом, который управляет сетью AI-помощников и подключается в сложных, эмоционально или технически насыщенных ситуациях.
AI устраняет монотонность и делает ставку на Human-Centric Skills (человеко-ориентированные навыки): EQ (Emotional Quotient — эмоциональный интеллект), Critical Thinking (критическое мышление) и креативность.
К 2025 году операторы стали тем, кем всегда должны были быть: профессионалами, которые решают проблемы, а не повторяют заученные фразы, хотя это скорее тенденция, чем свершившийся факт.
Правда о том, что происходит с профессией
Исследование Metrigy показывает: 55.7% компаний сократили количество новых операторов, которых планировали нанять, после внедрения AI, 36.8% компаний провели сокращения в среднем на 24.1% персонала.
Но, на мой взгляд, это не конец профессии, а её трансформация.
Когда я спрашиваю операторов: “Что бы вы предпочли — сто однотипных вопросов в день или двадцать сложных, где нужно думать”? Сто процентов выбирают второе. И за второе платят больше.
AI автоматизирует рутину, а людям остается то, что действительно важно — взаимодействие, эмоции, решения, поэтому это не угроза профессии, а её эволюция.
Как именно это работает на практике? Разберём три ключевые роли будущего: Experience Orchestrator, AI Supervisor и Specialized Problem Solver.
Experience Orchestrator — управление клиентским опытом
Когда я впервые увидела модель “Agent as Coworker” (агент работает вместе с AI как коллега) в одном из проектов в Латинской Америке, я подумала: “Вот как должно быть всегда”.
Вот что изменилось: раньше оператор был один на один с клиентом и кучей систем, в которых нужно искать информацию. AI взял эту грязную работу на себя. Он находит данные, показывает историю, подсказывает решения. Оператор видит все на экране за секунды и может сфокусироваться на главном. Он слышит не только слова, но и эмоции. Понимает, когда клиенту нужно больше, чем стандартный ответ. И принимает решения, которые AI никогда не примет — потому что они требуют не логики, а эмпатии.
Разберем два реальных сценария, которые показывают, как это работает.
Кейс 1: Эмпатия и Crisis Resolution — злость превращается в лояльность
В 2024 году Delta Airlines столкнулась с масштабным IT-сбоем, который парализовал систему регистрации и вызвал массовые задержки рейсов по всей стране. Клиенты звонили в ярости: пропущенные встречи, сорванные планы, уровень злости — 9 из 10. Анализ этого кейса показывает, как sentiment analysis помог справиться с кризисом.
Механика: Анализ тональности в реальном времени обрабатывал более 30,000 упоминаний бренда ежедневно. При резких всплесках негатива система автоматически передавала алерты команде кризисного реагирования, такой подход снизил негативные настроения на 37% в течение 24 часов.
Посмотрим, как это может выглядеть во время обычного звонка клиента в авиакомпанию с AI:
- Клиент звонит в контакт-центр, сначала его встречает AI-бот, который предлагает стандартную компенсацию по регламенту;
- Но параллельно “Sentiment Analysis” фиксирует: “Anger Level: 9/10″, “Churn Risk: High”;
- Система понимает: здесь нужен человек. Звонок автоматически переводится на живого оператора;
- Оператор получает звонок, чтобы по-человечески выслушать и предложить level-up — решение, которое клиент не ожидает, но ценит. Вместо того чтобы следовать стандартному протоколу, оператор предлагает:
- Билет на следующий рейс бизнес-классом;
- Ваучер на отель;
- Персональное письмо-извинение от руководства.
Результат: не просто компенсация, а Customer Retention (удержание клиента).
Вот это и есть магия человеческого фактора. AI зафиксировал злость и оценил риск. Человек понял, что с этим делать, и превратил катастрофу в победу.
Кейс 2: Креативность и Value-Based Selling — продажа не похожа на продажу
Смоделируем другую ситуацию. Клиент звонит в интернет-магазин с простым вопросом: “Где мой горнолыжный костюм?”
Большинство операторов ответят: “В пути, придёт завтра”. Разговор закончен.
И что же делает оператор, который работает с AI:
Механика: AI предоставляет оператору Contextual Data (контекстные данные) о клиенте в реальном времени: история покупок, интересы, поведенческие паттерны, lifetime value. Оператор использует эти данные не для “впаривания”, а для персонализированного предложения, которое действительно полезно клиенту.
Пошаговый кейс:
- Клиент звонит в интернет-магазин с вопросом о статусе доставки горнолыжного костюма;
- AI-система показывает оператору на экране:
- “Недавние покупки: горные лыжи, крепления, термобелье”;
- “Upcoming trip (предстоящая поездка): Альпы, через 2 недели (по данным CRM-системы)”.
- Оператор отвечает на вопрос о доставке, а затем добавляет:
“Вижу, Вы готовитесь к серьезному катанию! Наша Travel Insurance (страховка путешественника) включает покрытие для экстремальных видов спорта и защиту нового оборудования до 5000€, чего нет у обычных страховых. Учитывая вашу экипировку, это может быть важно”.
Это не агрессивная продажа, а продажа через добавленную ценность. Клиент не чувствует давления, он чувствует заботу.
Когда операторам разрешают думать, а не просто читать скрипт, результаты говорят сами за себя: выше конверсия, выше средний чек, выше удержание клиентов. И, что важно, сами операторы работают с большим интересом.
Specialized Problem Solver — “решатель” сложных задач
Если Experience Orchestrator управляет клиентским опытом вместе с AI и обрабатывает весь спектр обращений — от простых до сложных, то Specialized Problem Solver подключается в точках наивысшей сложности. Это эксперт, который берёт ситуации, где ошибка может дорого стоить.
Например:
- В финансовом секторе: AI обрабатывает запросы по балансу, Experience Orchestrator работает с жалобами и продажами, а Specialized Problem Solver расследует мошенничество или ведет сложные кредитные кейсы;
- В телекоммуникациях: AI решает вопросы по тарифам, Experience Orchestrator помогает с подключением услуг, а Specialized Problem Solver разбирается в технических проблемах сети или переговорах с VIP-клиентами.
По данным исследования AI-индустрии в Латинской Америке, бразильская компания Blip разработала AI-платформу для обработки естественного языка на португальском и испанском. Её боты обрабатывают более 50 миллионов ежедневных разговоров для таких корпоративных клиентов, как GM, Dell и Itaú, освобождая операторов для работы только со сложными эскалациями, требующими знания законодательства, технических нюансов или переговорных навыков.
Согласно исследованию GoodCall по трансформации ролей операторов, зарплаты в специализированных позициях на 20-40% выше базовых. С этим сложно поспорить.
Новая роль супервизора — от надзора к Data Science и Strategic Leadership
Помните старую модель? Супервизор слушает 5–7% случайных звонков, заполняет чек-листы и раз в месяц дает обратную связь оператору. К тому моменту никто уже не помнит, что произошло три недели назад.
Супервизору больше не нужно контролировать случайную выборку звонков. Теперь AI анализирует 100% всех звонков, чатов и e-mail обращений за него: соблюдение стандартов, compliance (GDPR, финансовые регуляции), тональность разговора, качество решения. AI мгновенно находит паттерны и аномалии, которые человек просто физически не увидит за месяц ручной работы.
Роль супервизора меняется кардинально. Он перестаёт быть “ловцом ошибок” и становится стратегом: анализирует закономерности, обучает команду на основе данных, улучшает процессы. AI обеспечивает прозрачность — показывает, что происходит на самом деле. Супервизор превращает эту прозрачность в действия.
Вот два реальных сценария, которые показывают, как это работает
Кейс 1: Total Quality Management — 100% контроль вместо выборки
Изучая опыт внедрения AI в финансовом секторе, я наткнулась на показательный кейс крупного американского банка (название не раскрою из-за NDA). Проблема была типичной для индустрии: традиционный контроль качества анализировал только 2-5% звонков. Критические нарушения compliance (например, оператор не упомянул обязательную информацию о рисках при продаже финансового продукта) могли быть пропущены.
Банк развернул AI-платформу для тотального контроля качества и речевой аналитики — и результаты меня впечатлили. Вот как это изменило работу супервизоров.
Механика: QA Bot (бот контроля качества) анализирует все разговоры по множественным критериям: AHT, Compliance (GDPR), Script Adherence (соблюдение скриптов), Sentiment Dynamics (динамика эмоций), Resolution Quality (качество решения). Система немедленно выявляет критические нарушения и передаёт алерты супервизору.
Посмотрим, как это может выглядеть в работе супервизора с AI:
- QA Bot сканирует 5,000 звонков за неделю;
- Система фиксирует паттерн: 20% операторов вечерней смены имеют низкий CSAT и высокий уровень стресса;
- Супервизор получает детальную аналитику с примерами звонков;
- Копает глубже — оказывается, вечером больше звонков от уставших, раздраженных клиентов, а стандартные запросы отнимают время у операторов;
- Решение: внедряет AI-бота для обработки простых транзакционных запросов в вечернее время (баланс счёта, статус заказа, сброс пароля);
- Результат: операторы освобождены от рутины, могут фокусироваться на сложных эмоциональных кейсах. CSAT растет на 12% за две недели, стресс операторов снижается.
Вот это и есть управление на основе данных. AI показал закономерность, которую супервизор не увидел бы, слушая случайную выборку. Человек понял причину и принял стратегическое решение.
Кейс 2: AI-Powered Workforce Management — планирование на основе данных
Представьте другую ситуацию. Супервизор планирует смены на следующую неделю, опираясь на прошлогоднюю статистику и интуицию: “В понедельник обычно много звонков, в пятницу меньше”.
Проблема в том, что реальность не совпадает с прошлогодними данными. Запустили маркетинговую кампанию — поток звонков вырос вдвое, а операторов не хватает. Или наоборот — простаивают, потому что клиенты не звонят.
Посмотрите, что делает супервизор, который работает с AI:
Механика: Machine Learning анализирует не только историю звонков, но и внешние факторы: запуск маркетинговых кампаний, погодные условия (в дождливые дни растет активность онлайн-покупок), упоминания бренда в социальных сетях, праздники и сезонные события. Супервизор использует эти данные не для гадания, а для точного прогноза нагрузки.
Пошаговый кейс:
- Крупный европейский ритейлер H&M готовится к запуску летней распродажи;
- AI-система анализирует факторы:
- История звонков во время прошлых распродаж;
- Запланированная email-рассылка на 500,000 подписчиков;
- Прогноз погоды (жаркие выходные — больше онлайн-покупок);
- Активность в соцсетях (рост упоминаний бренда на 30%).
- Система прогнозирует: всплеск обращений +40% в субботу с 14:00 до 18:00;
- Супервизор автоматически получает предложение оптимального расписания смен за 5 дней.
Результат: все обращения обработаны без задержек, операторы загружены оптимально (75-85%), SLA выполнен на 95%+.
Это не гадание на кофейной гуще. Это планирование на основе данных. AI видит паттерны, которые человек не заметит, а супервизор принимает решения, которые AI сам не примет.
AI Operations Supervisor тот, кто учит и контролирует AI
Есть ещё одна роль, которая появилась совсем недавно — и она переворачивает всё с ног на голову.
Раньше супервизоры контролировали только людей. Сейчас есть специалисты, которые контролируют AI.
AI Operations Supervisor — это человек, который следит за тем, как работают боты. Звучит странно? На самом деле это критически важная роль. Потому что AI — не волшебная кнопка “включил и забыл”. Боты ошибаются. Они дают неправильные ответы, не понимают сленг, зависают на нестандартных запросах.
Вот что делает AI Operations Supervisor:
Он анализирует, где боты справляются, а где наоборот. Видит, что 30% клиентов, спрашивающих про возврат, уходят из чата с ботом без решения проблемы и дообучает систему. Находит запросы, которые бот не понимает (“верните деньги за заказ” вместо “оформить возврат”), и добавляет эти фразы в базу. Смотрит на метрики: сколько обращений бот закрыл сам, сколько передал людям, где клиенты злятся и просят оператора.
Это не программист и не разработчик AI. Это человек, который понимает и клиентов, и технологии. Он делает AI умнее каждый день, потому что знает, как люди реально говорят, что им нужно, где система дает сбой.
Изучая материалы по управлению AI в контакт-центрах, я заметила: когда компании выделяют специалиста для контроля и обучения ботов результаты получаются намного лучше. Меньше ошибок в ответах, клиенты довольны, больше запросов решается без привлечения людям. Логика простая: кто-то постоянно следит за системой, учит ее и улучшает.
Зарплата? На 30-50% выше обычного супервизора. Потому что такой специалист должен понимать и клиентский сервис и технические особенности AI-систем, а это нечастое сочетание.
Ваше будущее начинается сейчас
Вопрос не в том, заменит ли AI операторов и супервизоров. Вопрос в том, кто адаптируется быстрее.
Те, кто развивает эмоциональный интеллект, осваивает AI-инструменты и выбирает специализацию, увеличивают свою ценность и зарплату. А те, кто цепляется за старые методы, рискуют остаться позади.
Освойте эмоциональный интеллект (EQ) и научитесь работать с AI. Хорошая новость: для этого не нужно становиться программистом. Достаточно понять, как технологии усиливают ваши способности. Вот с чего можно начать:
Онлайн-курсы (бесплатно или недорого):
- Emotional Intelligence — Coursera (Arizona State University) — основы EQ для работы, ~4 недели;
- Emotional Intelligence in Leadership — Coursera — практические стратегии для команд;
- Developing Your Emotional Intelligence — LinkedIn Learning — короткий курс (2-3 часа);
- Customer Service in the Age of Generative AI — Coursera (University of Virginia) — как использовать AI-чат боты и персонализацию;
- Contact Center AI: Conversational Design Fundamentals — Google Cloud — бесплатный курс по созданию виртуальных агентов;
- 10 Best Free AI Customer Service Courses — Sobot Academy — подборка бесплатных курсов;
- Книга-классика: “Emotional Intelligence 2.0” by Daniel Goleman.
Практикуйте навыки с Chat GPT
Один из самых простых способов прокачать навыки: тренировка с Chat GPT. Доступен всегда, не обижается на ошибки.
Попросите его сыграть роль недовольного клиента, проведите диалог, получите обратную связь. Когда станет легко, усложняйте сценарии: клиент требует невозможное или переходит на личности.
Требуйте обучения от работодателя
Ваша компания внедряет AI? Требуйте тренинги и время на практику. Это не просьба, это ваше право как профессионала.
Мы разобрали, что происходит с профессией оператора и какие роли появляются. Но как это работает с точки зрения технологий? Какие конкретно AI-инструменты меняют правила игры? И главное: как руководителям внедрить всё это в своих контакт-центрах, не превратив процесс в хаос?
Об этом во второй части. Там я покажу технологическую механику трансформации: от конкретных AI-сценариев до пошагового Road Map внедрения. С кейсами, метриками и реальными цифрами ROI.
