Если спросить группу руководителей по клиентскому опыту (CX), работает ли их ИИ, вы получите почти единогласное «да». Но как только вы попросите их выразить это в цифрах, вряд ли удастся получить внятный ответ.
Именно эта тенденция подчеркивается в «Show Your Work» — новом отчете об исследовании, подготовленном Metric Sherpa в партнерстве со Sprinklr.
92% лидеров, в чьих организациях используется ориентированный на клиентов ИИ, заявляют, что он оправдал или превзошел ожидания. И лишь 27% говорят, что могут точно измерить результат с помощью записей или отчетов. В сентябре 2026 года в рамках исследования были опрошены 807 специалистов по маркетингу, сервису и CX из США, и все они занимаются определением, финансированием, внедрением или проверкой программ ИИ, ориентированных на клиента.
Вывод заключается не в том, что ИИ терпит неудачу. Дело в том, что уверенность значительно опережает фактические доказательства. В отчете это называется «пробелом в доверии к ИИ».
Результаты выглядят почти слишком хорошо
В ходе опроса респондентов спрашивали о восьми категориях бизнес-метрик: от времени обработки запросов до выручки и рисков. В каждой из них менее 4% заявили, что показатели ухудшились. Более одного из пяти респондентов (22%) сообщили, что улучшились все восемь показателей.
А теперь посмотрите на то, что стоит за этими ответами. Когда участников опроса попросили ввести конкретную метрику, ее исходное и текущее значения, полный ответ дали лишь около трех из десяти. Один из респондентов указал процент открытий писем за 12 месяцев, который вырос с предполагаемых 13,5% до 17,2%. Другой ввел слово «Оценка» в каждое поле.
Вот деталь, которая должна заставить остановиться любого руководителя по CX. Люди, заявлявшие, что могут точно измерить свой результат, предоставили полные данные практически с той же частотой, что и все остальные (27,3% против 27,2%). Уверенность в результате и способность показать точную цифру оказались совершенно разными вещами.
Прирост, который никто не измерял
Откуда же берутся все эти улучшения? Часть ответа кроется в том, что команды отслеживали до запуска.
85% респондентов сообщили об улучшении по крайней мере по одной метрике, которую их организация не отслеживала до запуска ИИ. Некоторые команды могли начать измерения после запуска или получить цифры из другого источника. Тем не менее эту закономерность трудно не заметить: улучшения, о которых заявляют люди, значительно превосходят то, что они измеряли изначально.
Наиболее яркий пример — скачок от скорости к экономии. Среди руководителей, считающих, что ИИ ускорил работу, 67,4% также говорят, что он снизил затраты. При этом до запуска расходы отслеживали лишь 32,1% из этой группы.
Это серьезный скачок на основе скудных доказательств. Сэкономленный час реален, но он попадает в отчет о прибылях и убытках только тогда, когда кто-то решает, на что этот час идет: на более компактный штат, более сложные кейсы или лучший уровень обслуживания. Пока это решение не принято и не зафиксировано письменно, экономия на слайдах презентации не превращается в реальность.
Где возникает разрыв
Скудные доказательства после запуска обычно проистекают из отсутствия данных до него. Почти каждая организация знала, чего она хочет от ИИ. И лишь немногие превратили это намерение в отчет, который кто-либо мог бы проверить позже.
Самый резкий спад наблюдается между этапом постановки ожиданий и определением метрик успеха: с 69% до 26%. Кроме того, лишь 17% организаций назначают ответственного за бизнес-результаты внедрения ИИ, что делает эту практику наименее распространенной из восьми изученных в ходе исследования.
Существует также вопрос ожиданий.
23% респондентов заявили, что их организация вообще не устанавливала никаких ожиданий до запуска. Тем не менее 85% из этой группы все равно считают, что ИИ оправдал или превзошел ожидания. Один из менеджеров по обслуживанию клиентов в розничной торговле выразился предельно ясно: «У нас вообще не было никаких ожиданий. Мой начальник просто подумал, что это классная игрушка, которая может понравиться клиентам».
Когда планка не установлена, почти любое приятное улучшение воспринимается как победа. А поскольку 18% респондентов заявляют, что руководство никогда не требовало доказательств, немногие команды стремятся эту планку установить. Проблемы начинаются позже, когда кто-то с бюджетом спрашивает, как именно вы добились этих результатов.
Что делают иначе немногие дисциплинированные игроки
Делает ли кто-нибудь это правильно? Да, хотя таких немного.
Лишь 4,5% организаций применяют шесть или более из восьми практик измерения, описанных в исследовании. Эта небольшая группа из 24 респондентов утверждает, что может точно измерить результаты в 63% случаев — почти в три раза чаще, чем организации, которые используют ноль или одну практику (23%). Размер выборки небольшой, поэтому этот разрыв следует воспринимать как ориентир, но само направление трудно игнорировать.
В более широком массиве данных три вещи постоянно сопутствуют наличию более убедительных доказательств.
- Ответственный. Команды с назначенным ответственным за результат сообщают о точных результатах в два раза чаще (46% против 23%).
- Ожидания. Команды, которые устанавливают ожидания до запуска, сообщают о точных результатах в два раза чаще (32,1% против 16,4%).
- Время. В случаях, когда решения работают уже два года или дольше, о точных результатах сообщают в 43% случаев, по сравнению с 25,0% для более новых внедрений. Тем не менее 58% работающих решений моложе одного года. Для большинства команд доказательства все еще находятся в процессе формирования.
В отчете эти закономерности сведены к пяти принципам, каждый из которых строится вокруг одного вопроса:
- Результат: Что меняется для клиента и бизнеса помимо сэкономленных часов?
- Ответственный: Кто отвечает за результат?
- Базовый показатель: Каковы были результаты работы до внедрения ИИ?
- Сравнение: Как изолировать вклад именно ИИ?
- Анализ: Что служит сигналом для принятия решения о масштабировании, изменении или прекращении проекта?
Данные опроса не позволяют определить, какая именно практика ведет к получению более достоверных доказательств. Именно поэтому принципы сформулированы в виде вопросов: каждый из них можно задать и протестировать в собственной программе внедрения ИИ.
Начните с одного приложения
Вам не нужна новая система измерений для каждого используемого инструмента ИИ. Выберите одно важное ориентированное на клиента приложение ИИ — будь то бот самообслуживания или ассистент агента в чатах в реальном времени — и оцените его по опроснику отчета из восьми вопросов. Можете ли вы указать на цель, базовый показатель, ответственного, регулярность проверки, сравнение, журнал изменений, критерии принятия решений и отчет для руководства? За каждым «Да» должен стоять документ или конкретный человек.
Затем используйте 90-дневный план из отчета, чтобы закрыть все пункты, где вы ответили «Нет», начиная с назначения ответственного.
Скачать полный отчет











