Self-service та AI на практиці: чому довіра важливіша за швидкість автоматизації

Цієї весни мені вдалося побувати на Beyond Boundaries Global Festival, де десятки компаній ділилися практикою побудови AI-сервісів. За кілька місяців після події стало зрозуміло, що більшість ідей не втратили актуальності. Навпаки – саме зараз їх варто перевіряти на практиці. Нижче розповідаю про підхід до AI-асистентів, який працює вже сьогодні, з паралелями того, що ми будуємо в UPSTARS.

Що якщо ваш AI-асистент щодня руйнує довіру клієнтів – і ви навіть не знаєте про це?

1. Довіра як валюта 

Одна з ідей, яка найкраще пояснює, чому self-service часто провалюється, належить Hans Van Dam з Conversation Design Institute. Він запропонував концепцію Conversational Capital: кожного разу, коли клієнт спілкується з вашою компанією, він або починає вам довіряти більше, або менше. Звідси простий, але неочевидний висновок: ефективність без емпатії – це борг. Якщо ви прискорили процес, але клієнт відчув байдужість, ви не зекономили, ви взяли в борг, який обовʼязково повернеться.

Hans також описав Empathy Agency Grid – матрицю, де AI-системи можна розмістити за двома осями: здатність діяти (Agency) і здатність розуміти (Empathy). Більшість сьогоднішніх ботів або роблять, але не розуміють, або розуміють, але нічого не роблять. Ціль – поєднати обидва виміри.

Саме тому в контексті self-service, ми обираємо гібридний підхід: не 100% автоматизації, а баланс між ефективністю і довірою. Наші інструменти дозволяють користувачам брендів-клієнтів самостійно вирішити близько 35% запитів. Є запити, де ціна помилки або емоційна складність настільки висока, що автоматизація скоріше спише бали з рахунку довіри, ніж поповнить його.

2. Контент-борг: технічно правильна відповідь ≠ хороша відповідь

Практичний приклад того, чому це так, показала команда Lloyds Banking Group, а глибше цю ідею розкрила дослідниця Rahel Anne Bailie. Разом вони підсвітили підхід, який я давно відчував інтуїтивно, але не міг чітко сформулювати.

Lloyds розповідали, як будували AI-агента для інвестиційних консультацій. Ключова ідея: технічно правильна відповідь ≠ хороша відповідь. AI може точно процитувати базу знань і при цьому бути нетактовним, нерелевантним або просто незрозумілим. Один реальний приклад: клієнт написав «моя бабуся померла, я отримав спадщину» і запитав про інвестиції. Система відповіла: «Чудово, що бабуся залишила тобі гроші!» – технічно правильно, емоційний провал.

Їхній підхід полягає в тому, що перш ніж вчити AI, потрібно спершу навести лад у базі знань – логічна ієрархія, зрозуміла для AI мова, лінгвістика, розбиті на частини статті. А потім написати еталонні відповіді і визначити критерії якості: точна, релевантна, повна, зрозуміла, структурована, просуває розмову вперед.

35% запитів у нас вже вирішуються за допомогою AI асистентів. Але є речі, де фінальне рішення завжди лишається за людиною. Складні ситуації, емоційно навантажені звернення, нестандартні кейси – це зона живих спеціалістів. В результаті така гібридна автоматизація економить час там, де це доречно і дає людям час бути присутніми там, де це важливо. Тому, навіть з підмогою AI, наша команда підтримки росте – якщо вам близький наш H2H підхід, ми постійно шукаємо своїх людей. 

Rahel Bailie пішла ще глибше і показала піраміду структур контенту. Її головна теза: AI навчається на контенті. І якість цього контенту напряму визначає якість відповідей. Звідси два терміни, які варто тримати в голові кожній команді, яка будує AI-сервіс:

Підписуйтеся на наші соцмережі

Важливість контенту це одна з причин, чому в моїй команді є окрема роль – Service Content Writer. Ця людина відповідає за створення та оновлення інформації для AI агентів, валідуючи її з іншими відділами. Тож не зважаючи на автоматизацію, яка присутня всюди, у нас зʼявляються ролі, згідно викликів нових робочих умов. AI задає темп, але на чолі має стояти людина, яка розуміє контекст, відповідає за якість і приймає рішення. Підтримка knowledge base – це контентна, процесна і людська робота.

3. Метрики: що ми рахуємо і що насправді важливо

Дані від Verint (дослідження 5 000 споживачів) дали кілька цифр, які варто тримати перед очима:

Клієнти не проти автоматизації. Вони проти, коли вона провалюється.

Практика Capital One додає важливий нюанс: старі метрики, як от AHT, containment rate, intent match – це фундамент, який нікуди не дівається. Але самі по собі вони вже не дають конкурентної переваги. Нові метрики мають вимірювати довіру: чи зростає капітал після кожної розмови?

В UPSTARS ми вимірюємо кілька речей одночасно:

Важливий підводний камінь: у метрику self-service можуть потрапляти звернення, які не дійшли ні до агента, ні до рішення. Такі кейси потрібно аналізувати окремо і розбиратись, на якому етапі користувач покинув флоу: надто довгий шлях, невдалі формулювання, відсутність локалізації. Після ідентифікації причин CX-бар'єри потрібно видалити або оптимізувати сценарій.

4. Бот vs команда агентів – де межа?

Практичний досвід масштабування показують кейси bol. (найбільший онлайн-рітейлер Нідерландів і Бельгії) і KPN (телеком, 12 млн клієнтів). Обидва прийшли до однакового висновку: один бот для всього не працює.

bol. за 18 років еволюції свого бота Billie дійшли до архітектури команди спеціалізованих агентів: Dialogue bot + Refund bot + Invoice bot. Результат: з 56% успішних розмов до 90% після переходу на нову архітектуру.

KPN обирали агентів через просту Venn-діаграму: Customer experience × Business value × Feasibility. На перетині цих кіл є оптимальна зона. Так з'явились три агенти: Invoice agent, Technician appointment agent, Verification agent.

На мою думку, чат-бот має відігравати роль основного каналу self-service. Він може покривати багато функцій: пошук інформації, персоналізація через отримання клієнтських даних, інтерактивний пошук рішення через керовані флоу, або повна автоматизація запиту при інтеграції з внутрішніми системами.

Один із наших кейсів: часто до команди надходили запити, які агент не міг вирішити одразу, потрібно було залучати суміжні команди, збирати додаткову інформацію від клієнта, створювати тікет. Ми дослідили цей тип звернень і запустили новий функціонал у чат-боті: тепер користувач сам проходить весь процес – бот уточнює інформацію, приймає файли й передає їх як тікет суміжному департаменту. Результат: бот опрацьовує до 40% тікетів самостійно, а CSAT цього флоу становить 70%, що є високим показником для повністю автоматизованого сценарію.

5. Що далі: від Button bot до Agentic AI

On Running (бренд кросівок) показали шестирічну еволюцію свого AI – від простого clickbot у 2020-му до повноцінного AI-асистента для покупок у 2025-му. Найцікавіше в їхньому досвіді це сама зміна логіки роботи з продуктом: від «запустили і забули» до постійного циклу навчання. Старий підхід: побудуй, протестуй і запусти. Новий: запусти, спостерігай, навчайся, перепроектуй, масштабуй. Справжній продукт – це цикл навчання AI асистента.

KPN дивляться ще далі і розповідають про рух від окремих агентів до Personal AI, який комунікуватиме з іншими AI через протоколи на кшталт MCP. Це вже не далеке майбутнє, саме тому варто проєктувати архітектуру сервісу так, щоб вона могла до цього дорости.

Моя команда починала впроваджувати self-service інструменти у 2022 році з класичного кнопкового чат-бота та бази знань. Початковий показник self-service складав лише 10-15%. Після переходу на AI-інструменти, масштабування контенту та оптимізації сценаріїв вдалося досягти до 40% у чатах та до 25% в email. Рівень CSAT self-service також покращився. 

Це підтверджує головну думку, яка не втрачає актуальності незалежно від того, скільки часу минуло з моменту будь-якої конференції: системна робота зі сценаріями та даними дає відчутний ефект. Але тільки якщо ви не зупиняєтесь після запуску. Навіть якщо інструмент працює на AI, він не буде самонавчатися автономно. Потрібні постійні оновлення, ревізія контенту, корекція флоу і моніторинг аналітики. 

Якісний сервіс – це конкурентна перевага. Саме тому моя команда ретельно підходить до побудови комунікацій з клієнтами і якісного вирішення їхніх запитів. Через це Service-напрямок у UPSTARS постійно продовжує зростати: у 2026 році у нас заплановано відкриття близько 100 позицій у команду. 

У підсумку

Довіра як валюта, контент-борг та архітектура команди спеціалізованих агентів замість одного бота – ідеї, які не залежать від тренду. Вони працюють у будь-якій компанії, яка будує self-service, і саме тому їх варто перевіряти на власній практиці знову і знову. Метрики варто регулярно переосмислювати, до контент-боргу підходити системно, а агентів проєктувати під різні режими й запити користувача. Self-service – це стратегія довіри, яку потрібно будувати щодня.