Генеративный ИИ улучшает качество обслуживания клиентов только тогда, когда он опирается на реальные знания вашего бизнеса. Модель, которая пишет беглым языком, но никогда не видела ваших регламентов, истории страховых случаев или клиентских досье, может выдать безупречное по форме письмо, которое окажется совершенно неверным.

Большинство, если не все, предприятия уже попробовали универсальные инструменты для создания текстов на базе ИИ. Черновики появляются быстро, но затем кто-то тратит целый час на проверку каждой цифры, корректировку тона и подтверждение того, что текст не нарушает нормативные требования. Время, сэкономленное в начале, теряется в конце.

В этом блоге рассматривается другой подход — генеративный ИИ на основе знаний, и объясняется, почему он так важен для команд, отправляющих клиентам важные сообщения.

Почему универсальные большие языковые модели не справляются с задачами клиентских коммуникаций

Универсальная большая языковая модель (LLM) многое знает о мире и практически ничего — о ваших клиентах. Она обучалась на публичных текстах, а не на ваших файлах претензий, условиях продуктов или прошлогодних звонках страхователям.

Этот разрыв проявляется в трех предсказуемых аспектах:

Точность. Не имея доступа к реальным данным, модель заполняет пробелы правдоподобными догадками. В счете или письме о претензии правдоподобная догадка превращается в проблему с соблюдением нормативных требований.
Контекст. Хороший ответ зависит от предыстории: что клиент уже спрашивал, что было обещано, какой полис применяется. Универсальная модель начинает каждый запрос с нуля.
Бренд и управление. Регулируемым отраслям необходимы утвержденная лексика, единый тон и след аудита. Свободная генерация по умолчанию не предоставляет ничего из этого.

В результате универсальный ИИ часто перекладывает работу, а не устраняет ее. Создание черновиков ускоряется, а их проверка замедляется.

Покупатели уже ощущают это. В июньском исследовании Foundry 2026 года, проведенном по заказу OpenText, 212 лиц, принимающих решения в сфере клиентского опыта и технологий на предприятиях, назвали качество данных и доступ к ним (40%), а также вопросы соблюдения требований и рисков (36%) двумя главными барьерами для расширения использования ИИ.

Что означает генеративный ИИ на основе знаний

Генеративный ИИ на основе знаний связывает модель с вашим контролируемым корпоративным контентом, поэтому каждый черновик создается на основе зафиксированных фактов, а не общих обучающих данных. Модель по-прежнему пишет текст, но содержание предоставляют ваши системы учета.

ИИ опирается на проверенный контент, включая претензии, правила, журналы звонков и рабочие пространства клиентов, чтобы создавать точные, богатые контекстом сообщения, соответствующие бренду.

Обычно обработка запроса на основе имеющихся данных состоит из четырех этапов:

Сотрудник приступает к задаче, например к ответу на запрос клиента.
ИИ извлекает соответствующий проверенный контент для данного клиента и случая.
Он создает черновик ответа, используя эти факты и утвержденный в организации стиль.
Сотрудник проверяет текст, вносит коррективы и отправляет его.

Ключевое слово здесь — «проверенный». В таком контенте уже настроены права доступа, актуальные версии и правила хранения записей. Обучение ИИ на этом контенте означает, что ИИ наследует эти средства контроля, а не обходит их.

Люди сохраняют контроль

Цель состоит в том, чтобы избавить сотрудников от ручной работы, а не исключить их из процесса. ИИ действует как второй пилот: он берет на себя сбор данных и создание первого черновика, а люди принимают окончательные решения.

Такое разделение труда задействует сильные стороны каждой стороны:

Когда объем рутинной работы сокращается, та же команда может отвечать быстрее и уделять больше времени беседам, которые формируют лояльность. Производительность растет, как и качество взаимодействия.

На практике: ответ на запрос по страховой выплате. Представьте себе клиента страховой компании, который пишет на электронную почту с вопросом, почему часть выплаты не была возмещена. Это стандартный вопрос с высокими ставками: неправильный ответ порождает жалобу, а медленный — подрывает доверие.

Без опоры на данные агент открывает систему учета претензий, документ с условиями полиса и журнал звонков в отдельных окнах. Он собирает историю воедино, а затем пишет ответ с нуля или вставляет шаблон универсального ИИ, который требует серьезной доработки.

С генеративным ИИ на основе знаний агент запрашивает черновик ответа. ИИ извлекает детали претензии, соответствующие условия полиса и заметки с последнего звонка клиента. Он создает четкое объяснение, в котором указан реальный лимит покрытия и учтено то, о чем клиенту говорили ранее. Агент проверяет текст, добавляет личное обращение и отправляет его. Экспертиза агента остается в сообщении. Исчезает необходимость искать информацию и перепечатывать ее заново.

Вопросы, которые стоит задать при оценке генеративного ИИ для клиентских коммуникаций

Если вы сравниваете различные варианты ИИ для клиентских коммуникаций, следующие вопросы помогут отделить инструменты на основе проверенных данных от универсальных решений:

Откуда ИИ берет факты? Ищите прямую интеграцию с вашим проверенным контентом, а не просто поле для ввода запросов.
Учитываются ли существующие права доступа? Агент должен видеть, а ИИ — использовать только те данные, к которым у этого агента есть доступ.
Может ли система соблюдать стандарты бренда и нормативных требований? Одобренная лексика и тон должны быть встроены в систему, а не добавляться при проверке.
Кто принимает окончательное решение? Модель второго пилота возлагает на человека ответственность за каждое отправленное сообщение.
Соответствует ли решение существующим рабочим процессам вашей команды? ИИ, который работает внутри привычных интерфейсов, используется на практике, а отдельный инструмент — зачастую нет.

Пройдите самостоятельную экскурсию по OpenText™ Experience Aviator и посмотрите, как генеративный ИИ на основе знаний создает клиентские коммуникации на основе вашего проверенного контента в удобном для вас темпе.

Дана Морио

Дана Морио — менеджер по продуктовому маркетингу в OpenText, обладающая более чем 20-летним опытом работы в сфере голосовых и унифицированных коммуникаций. Она является ветераном технологической отрасли с опытом работы в области обмена сообщениями, мобильных технологий, облачных, локальных и гибридных приложений для безопасных корпоративных коммуникаций.