Почему COPC 8.0 меняет правила управления ИИ

Стандарт COPC (Customer Operations Performance Center) изначально разрабатывался консорциумом, в который входили Microsoft, Dell и American Express, и за три десятилетия он стал фактическим золотым стандартом управления контакт-центрами. Восьмая версия, опубликованная 11 февраля, — крупнейшее обновление за все время, и его ключевой вектор — интеграция искусственного интеллекта и омниканального обслуживания в систему операционного контроля.

Что конкретно изменилось? Раньше автоматизация и ИИ-проекты часто оставались в ведении ИТ-департамента. Менеджмент контакт-центра получал готового бота или инструмент автооценки, но не имел полномочий и методологии для управления его поведением. COPC 8.0 прямо требует, чтобы искусственный интеллект вошел в число ключевых факторов управления. Это означает, что технологии переходят из разряда «инструментов» в разряд «среды работы». Фактически, стандарт фиксирует свершившийся переход от частных экспериментов и прототипов к повсеместному применению ИИ в контакт-центрах.

Особенно важно, что в документе появляются четкие требования к этичному и ответственному использованию ИИ. Речь идет о конкретных механизмах: автоматизированная оценка качества должна калиброваться, дефектные функции должны отключаться, а обучение и верификация теперь распространяются не только на людей, но и на технологии, выполняющие клиентские задачи. То есть стандарт унифицирует понятие «исполнитель»: это может быть оператор-человек или ИИ-агент, но требования к компетенциям, контролю и ответственности становятся общими.

Олег Зельдин, управляющий партнер компании Apex Berg Contact Center Consulting, который детально разобрал новую версию стандарта в серии вебинаров, формулирует главный посыл для руководителя так: недостаточно просто внедрить бота, автоматические саммари, автооценку или инструменты поддержки операторов. Важно встроить эти решения в систему управленческого контроля и ясно определить, в каких точках технология влияет на клиентский опыт, каким образом проверяется корректность ее работы, как выполняется калибровка, где проходят границы допустимого применения, и кто отвечает за последствия, если технология ошибается. И в этом, по оценке Зельдина, проявляется зрелость самого стандарта — он выводит AI из области презентационных лозунгов и переводит его в плоскость полноценного операционного управления.

Почему старые роботы бесили клиентов и как это исправить

Прямая замена оператора роботом на типовых задачах почти всегда провальна. Клиенты чаще звонят со сложными вопросами, а «классический» голосовой робот, обученный на шаблонах, вызывает лишь раздражение. Практика показывает: до 90% таких звонков заканчиваются нервным «переключите на человека».

Грамотный подход начинается с классификации. Нужно выделить те категории вопросов, которые действительно можно автоматизировать и где участие человека не критично (например, передача показаний счетчика или согласование даты доставки).

Далее мы формулируем цель для робота и, что самое важное, — разрабатываем метрики. Здесь подвох: привычные «уровень обслуживания» или «процент потерь» для робота не работают, ведь он отвечает всегда. Оценивать нужно смысл: был ли решен вопрос клиента, насколько качественно и с каким настроением он завершил диалог.

Самый безопасный путь внедрения — замещение ИИ агента в стандартных сценариях. Сначала робот тестируется на архивных записях разговоров. Тысячи диалогов прогоняются через систему, сценарии шлифуются, и только когда результаты становятся приемлемыми, робота запускают в реальную очередь. Дальше следует регулярный контроль: если робот не дает нужного результата, его отключают или корректируют. Так ИИ превращается в управляемый ресурс.

Погружаемся в процесс: из чего состоит современный ИИ-агент

Чтобы управлять роботом, не обязательно быть программистом, но полезно понимать его «органы чувств». Для простоты понимания мы их разделили:

• «Уши» или ASR распознают речь и переводят звук в текст.
• «Рот» или TTS синтезирует речь, превращая текст в голос.
• «Слуховой аппарат» или VAD определяет моменты, когда клиент закончил фразу, чтобы робот не перебивал и не «зависал» в паузах.
• «Мозг» — LLM — это языковая модель, которая генерирует ответы. Именно благодаря развитию «мозгов» роботы стали звучать человечно.

Главное отличие «мозга» от жестких скриптов в том, что он недетерминирован. Он может по-разному отвечать на один и тот же вопрос. Поэтому на первый план выходят те самые метрики и итерации, о которых мы говорили выше.

Как робот вписывается в команду и почему это удобно

Технически грамотная интеграция позволяет системе воспринимать робота как обычного оператора. Он стоит в той же очереди, подчиняется тем же правилам приоритета и может обрабатывать несколько звонков одновременно. Руководитель видит его статус («готов» или «не готов») так же, как и у сотрудников, и получает единую отчетность по всей очереди.

К примеру, в Платформе Эра ИИ-агент работает на равных с операторами. Ему можно назначать «квалификации» (как и человеку), управлять его загрузкой, а отчеты по очереди автоматически учитывают, какую часть звонков обработал ИИ, а какую — люди. Это дает единую точку управления без переключений между разными системами.

Два безопасных сценария для старта

Не все контакт-центры готовы сразу доверить роботу полноценный диалог с клиентом. Более того, стандарт COPC 8.0 не требует этого. Начать можно с двух кейсов, которые не создают у клиента ложных ожиданий и дают быстрый измеримый эффект.

Первый — ИИ-помощник в очереди ожидания. Пока клиент ждет освобождения оператора, робот-ассистент предлагает ему сообщить информацию по теме обращения. Важно, что робот честно представляется в начале: «Я робот-ассистент, помогу собрать данные, пока вы ждете». Клиент может отказаться и просто продолжать ждать. Но если соглашается — робот в свободной форме принимает информацию, структурирует ее и передает оператору в виде предзаполненной карточки.

В чем здесь технологическая сложность? Робот должен из неструктурированной речи (или текста в чате) извлечь сущности: дату, время, сумму, адрес, номер заказа. Причем сделать это с машиночитаемой точностью. Робот слышит «завтра после обеда» и преобразует это в конкретную дату и время, причем междометия вырезаются, а результат сохраняется в формате, понятном информационной системе. Интересно, что часто в промпте не закладывают явных инструкций по форматированию даты — нейросеть выполняет эту операцию самостоятельно (при необходимости спецификацию можно ужесточить).

Результат сохраняется в контекст вызова и автоматически заполняет поля карточки в приложении оператора. Когда оператор наконец принимает звонок, он уже видит: клиент сказал то-то, проблема такая-то, контактные данные такие-то. Это сокращает время обработки вызова и повышает качество сервиса. Выгода тройная: клиенту не скучно ждать, оператор получает подготовленную информацию, компания экономит трафик и время.

Второй кейс — ИИ-суфлер. Здесь клиент вообще не подозревает о присутствии искусственного интеллекта. Когда оператор обрабатывает звонок (или текстовый диалог), система в реальном времени анализирует стенограмму разговора. Она может работать автоматически или по запросу оператора. На экран выводятся подсказки: статьи из базы знаний, релевантные текущей проблеме, шаблоны предполагаемых ответов с подстановкой информации о клиенте, или просто фрагмент стенограммы, который оператор может скопировать в карточку. Для голосовых вызовов, например, полезна расшифровка того, что сказал клиент — особенно если связь плохая или акцент сильный.

Суфлер не пытается заменить оператора. Он работает как опытный наставник, который стоит за спиной и шепчет нужную фразу. Это снижает нагрузку на сотрудника, особенно новичка, и ускоряет решение проблемы. С точки зрения COPC 8.0, это пример ответственного использования ИИ: технология дополняет человека, а не вытесняет его без должной проверки.

Эволюция сценариев: от жестких инструкций к гибкости

Чтобы понять, почему сегодняшние ИИ-агенты так отличаются от своих предшественников, полезно проследить путь, который прошла технология за последние 10–15 лет. Каждый этап — это смена философии управления диалогом. И для руководителя контакт-центра важно улавливать эти различия: они напрямую влияют на то, как быстро вы сможете настраивать робота под новые задачи, насколько предсказуемым будет его поведение и сколько времени ваша команда будет тратить на доработки.

Индустрия прошла путь от строгих сценариев IVR (где клиент нажимает кнопки) к гибридным моделям. Сегодня на смену огромным, громоздким инструкциям приходит «агентский подход». Суть в том, что диалог разбивается на этапы (приветствие, сбор данных, прощание). У каждого этапа своя цель и свой «мозг». Это сочетает гибкость современных нейросетей с предсказуемостью сценария, делая управление роботом более прозрачным.

Безопасность и контроль: почему локальное решение важнее облачного

Для бизнеса критически важен вопрос: где хранить данные и где работает ИИ? Облачные сервисы удобны для экспериментов, но для промышленной эксплуатации большинство экспертов сходятся во мнении, что развертывание на своей инфраструктуре надежнее. Причины:

1. Безопасность. Голос клиента — это биометрические персональные данные. Содержание разговора — коммерческая тайна. В локальном контуре соблюсти требования законодательства (например, 152-ФЗ) гораздо проще.
2. Стабильность. Облачный провайдер может внезапно изменить голос или убрать модель, что для бренда неприемлемо. Локальное решение предсказуемо в работе и биллинге.
3. Качество связи. Для естественного диалога робот должен отвечать в течение доли секунды. В облаке сетевые задержки делают разговор неестественным. Локальные компоненты, работающие на тех же серверах, лишены этой проблемы.

При этом современные платформы позволяют легко менять одну модель на другую без перестройки всей системы, где ключевые компоненты могут работать в защищенном контуре без доступа в интернет, что дает полный контроль над данными и качеством.

Среда работы уже готова

Возвращаясь к стандарту COPC 8.0: он требует относиться к ИИ как к среде работы. Это означает, что контакт-центр, который не использует искусственный интеллект для классификации обращений, поддержки операторов или автоматизации простых запросов, уже отстает от индустриальных стандартов. Но еще важнее другое: использовать ИИ недостаточно — нужно уметь им управлять. Нужны метрики, контроль, итерации, юридическая и этическая ответственность.

В решении, которое мы использовали для сравнения — «Платформа Эра», где голосовые роботы встраиваются в очереди наравне с операторами, ИИ-помощники собирают контекст во время ожидания, а ИИ-суфлёры помогают людям работать быстрее и точнее. Всё это работает в едином интерфейсе, на единой объектной модели, с возможностью развертывания в закрытом контуре без доступа в интернет.

Сегодня рынок ставит вопрос не в плоскости «надо или не надо», а в плоскости сроков и архитектурных сценариев — как быстро вы сможете перестроить процессы и в каком формате интегрировать ИИ, чтобы не упустить конкурентное преимущество. И самый убедительный ответ на этот вызов — живые, работающие инструменты, которые уже сейчас ведут диалоги с реальными клиентами, чутко улавливают их запросы и эмоции, а также служат надежной опорой для операторов в их повседневной рутине.

■ Рекламаerid:2W5zFH9DnL1Рекламодатель: ООО «Технологии коммуникаций»ИНН/ОГРН: 5001097989/1145001000638Сайт: https://era-platform.ru/