ИИ-помощник в клиентском сервисе: кейс Bank of America

Слушайте выпуск подкаста «Маркетинг с AI»

Время чтения: около 13 минут

Содержание статьи

Короткий ответ: ИИ-помощник для клиентского сервиса не обязательно заменяет оператора. Он может за секунды собрать историю клиента, кратко объяснить причину обращения и предложить следующий шаг. В июле 2026 года Bank of America сообщил, что EricaAssist используется более чем 18 000 сотрудниками, формирует контекстную подсказку менее чем за три секунды и сократил средний звонок почти на минуту. Но эти цифры нельзя переносить на другой бизнес без проверки качества данных и собственного контрольного пилота.

ИИ-помощник для клиентского сервиса становится интересен бизнесу не потому, что умеет красиво разговаривать. Его ценность появляется в другой точке: он убирает мёртвое время между вопросом клиента и фактическим ответом сотрудника. Не заменяет эмпатию, а сокращает поиск по CRM, базе знаний, истории операций и предыдущим обращениям.

Что внедрил Bank of America

21 июля 2026 года Bank of America представил обновление EricaAssist - внутреннего human-assisted AI agent для клиентского сервиса. Это не та Erica, с которой клиент общается в мобильном приложении. EricaAssist работает на стороне сотрудника во время разговора.

По данным Bank of America, система используется более чем 18 000 представителями клиентского сервиса. Она суммирует причину звонка, поднимает релевантную информацию и рекомендует следующий шаг с учётом роли сотрудника и отношений клиента с банком. Контекстная подсказка формируется менее чем за три секунды.

Human-assisted AI - это модель, в которой AI анализирует данные и предлагает решение, но не забирает у сотрудника право финального выбора. Ответственность, тон разговора и действие в системе остаются за человеком.

Для банковского сервиса это принципиально. Ошибка автономного бота может затронуть деньги, договорные условия, персональные данные или обещания клиенту. В модели второго пилота AI не должен самостоятельно «умничать» в разговоре. Он работает как быстрый навигатор по разрешённому контексту.

Машина должна быстро собрать факты. Человек должен понять ситуацию, принять решение и сохранить отношения с клиентом.

Сам банк подчёркивает human oversight, прозрачность и ответственность. Это не декоративная оговорка. NIST в AI Risk Management Framework также предлагает заранее определять конфигурацию взаимодействия человека и AI: где система действует сама, где передаёт решение эксперту, а где используется только как дополнительное мнение.

Откуда берётся экономия минуты

Bank of America сообщает, что EricaAssist сократил среднюю длительность звонка почти на минуту. Важно не подменять причинность. В пресс-релизе нет данных, что операторов заставили говорить быстрее или сократили время на человеческий контакт. Описанный механизм другой: система убирает поиск и сбор информации внутри разговора.

В обычном колл-центре оператор слышит вопрос, открывает карточку клиента, ищет прошлые обращения, проверяет продукты, переключается между базой знаний и внутренними системами. Клиент в это время ждёт. Если данные разнесены по разным интерфейсам, даже сильный сотрудник тратит ресурс не на решение, а на навигацию.

Контекстная AI-подсказка - это короткое представление ситуации, собранное из разрешённых источников в момент обращения. Хорошая подсказка отвечает на три вопроса: кто перед нами, что, вероятнее всего, происходит и какой следующий шаг разрешён правилами компании.

На масштабе 18 000 сотрудников минута становится операционным показателем. Однако банк не раскрыл число звонков, период замера и полный финансовый расчёт. Поэтому переводить результат в денежную экономию без исходных данных некорректно.

Независимый ориентир даёт исследование Эрика Бриньолфссона, Даниэль Ли и Линдси Реймонд, опубликованное в The Quarterly Journal of Economics. Авторы изучили внедрение генеративного AI-помощника у 5 172 специалистов поддержки. Число успешно решённых обращений в час выросло в среднем на 15%. При этом эффект был неодинаковым: начинающие сотрудники выиграли больше, а у наиболее опытных влияние было небольшим и в отдельных показателях качества могло стать отрицательным.

AI-помощник не даёт одинаковый эффект всем. Он может быстрее передавать лучшие практики новичкам, но не должен обесценивать суждение сильных специалистов.

AI-суфлёр, чат-бот или автономный агент

Бизнес часто начинает обсуждение с инструмента: «нам нужен бот» или «давайте внедрим агента». Я бы начинала с распределения ответственности. Кто видит клиента, кто принимает решение и кто имеет право изменить данные или условия сделки?

Критерий

Чат-бот

AI-суфлёр

Автономный агент

Контакт с клиентом

Общается напрямую

Работает за интерфейсом сотрудника

Может общаться и действовать сам

Финальное решение

В рамках сценария

Принимает человек

Делегировано системе в заданных границах

Подходящий процесс

Частые простые вопросы

Сложный сервис, продажи, удержание

Повторяемые действия с низким риском

Главный риск

Тупиковый сценарий

Слепое доверие подсказке

Ошибочное действие без своевременной остановки

Ключевая метрика

Доля решённых вопросов

Время, качество и принятие подсказок

Успешные действия и цена ошибки

В длинном цикле сделки, дорогих услугах, финансах, B2B и конфликтном сервисе я бы сначала рассматривала AI-суфлёр. Чем выше цена неверного обещания, тем важнее оставить человека в контуре. Для справочных запросов подходит чат-бот. Для стандартизированных операций с понятным откатом можно постепенно повышать автономность.

Подробный разбор архитектуры и уровней самостоятельности есть в материале «Как внедрить ИИ-агента в маркетинг». Но в любом сценарии начинать нужно не с самой продвинутой модели, а с процесса, где можно измерить цену задержки и цену ошибки.

Что кейс EricaAssist меняет для маркетинга и продаж

Главный вывод для маркетинга находится не в колл-центре, а на стыке функций. Рекламная кампания создаёт ожидание. Сайт уточняет предложение. CRM хранит источник и историю контактов. Продажи или поддержка должны продолжить тот же контекст. Если на последнем этапе сотрудник снова спрашивает клиента, где тот увидел акцию и что ему обещали, система теряет информацию по дороге.

Customer Journey не заканчивается после заявки. Он включает звонок, решение проблемы, повторную покупку и постпродажный опыт. AI-подсказка делает разрыв между рекламой и живым разговором видимым: либо контекст дошёл до сотрудника, либо компания снова заставляет клиента пересказывать собственную историю.

Поэтому AI в продажах меняет и KPI маркетинга. Одних кликов, CPL и количества лидов недостаточно. Нужно проверять передачу данных дальше по воронке:

  • сохраняется ли источник и конкретная кампания;
  • видит ли менеджер обещание из объявления или лендинга;
  • передаются ли сегмент, интерес и история касаний;
  • доступна ли информация в момент разговора;
  • связана ли подсказка с конверсией и качеством сервиса.

Это и есть переход от набора каналов к операционной системе. В статье об операционной системе маркетолога я подробно разбираю, почему AI должен быть соединён с контекстом бренда, инструментами и корпоративными данными. Без этого нейросеть остаётся ещё одним окном, куда сотрудник вручную переносит информацию.

AI не исправляет разрыв между маркетингом, продажами и сервисом. Он делает последствия этого разрыва быстрее и заметнее.

Почему качество данных определяет результат

В транскрибации звучит жёсткая формула: если в CRM бардак, умный помощник превращается в генератор глупых советов. По сути это верно, но я бы уточнила механику. Модель может корректно обработать только тот контекст, который ей доступен. Если статус устарел, клиент задублирован, договорённость записана свободным текстом, а источник потерян, система синтезирует непротиворечивый ответ из противоречивых входных данных.

Особенно опасны дубликаты. Один и тот же клиент может существовать в CRM под разными телефонами, email или юридическими лицами. Тогда история дробится. Практика дедупликации клиентов нужна не только ради чистого отчёта. Она определяет, увидит ли AI целостную историю взаимодействия.

Перед интеграцией проверьте пять слоёв: идентификацию клиента, актуальность статусов, происхождение фактов, ролевой доступ и обратную связь по отклонённым подсказкам. Один клиент должен собираться в один профиль, а сотрудник и модель - видеть только данные, необходимые для конкретного сценария.

Здесь проходит граница между демонстрацией и инфраструктурой. AI в маркетинге приносит пользу, когда подключён к реальным данным и встроен в процесс. Если сотрудники продолжают вести договорённости в личных чатах, а CRM заполняется задним числом, начинать нужно с дисциплины данных.

Как проверить гипотезу за две недели

Внедрение не обязательно начинать со всей компании. Для первого пилота достаточно одного повторяемого сценария: первичная квалификация, повторная продажа, удержание, обработка претензии или консультация по сложному продукту. Главное, чтобы у процесса была измеримая исходная точка.

Формула пилота: один сценарий + тестовая и контрольная группы + одинаковый период + заранее определённые метрики + запрет на автономное действие AI. Такой дизайн не доказывает эффект навсегда, но позволяет отделить технологию от сезонности, состава смены и общего улучшения процесса.

Шаг 1. Зафиксировать проблему

Не «улучшить сервис», а, например: оператор тратит 70 секунд на поиск истории; 18% обращений переводятся между линиями; новый сотрудник выходит на целевую производительность за восемь недель; менеджеры повторно спрашивают источник заявки.

Шаг 2. Собрать карту контекста

Определите, какие пять-семь фактов должны появляться на экране в первые секунды. Избыточная подсказка создаёт новую когнитивную нагрузку. Сотруднику не нужен весь профиль клиента. Ему нужны причина обращения, критические ограничения и разрешённый следующий шаг.

Шаг 3. Разделить сотрудников на группы

Контрольная группа работает как обычно, тестовая получает AI-подсказку. Сопоставьте опыт, смены и типы обращений, иначе эффект сильного состава можно ошибочно приписать технологии.

Шаг 4. Измерять не только скорость

Минимальный набор метрик:

  • среднее время обработки обращения;
  • доля решений с первого контакта;
  • конверсия в следующий этап воронки;
  • CSAT, NPS или другой показатель клиентского опыта;
  • доля принятых, изменённых и отклонённых рекомендаций;
  • ошибочные или рискованные подсказки;
  • скорость обучения новых сотрудников.

Отклонённые подсказки показывают, где расходятся модель, данные и суждение сотрудника. Сохраняйте причину: неверный факт, устаревший статус, неуместный тон или более сильное решение специалиста.

Какие риски нельзя отдавать алгоритму

У модели второго пилота есть сильное преимущество: ошибку можно остановить до контакта с клиентом. Но человек в контуре не гарантирует безопасность автоматически. Если сотрудник перегружен, интерфейс создаёт иллюзию точности, а рекомендации почти всегда выглядят уверенно, возникает automation bias - склонность соглашаться с системой.

Поэтому проекту нужны управленческие правила:

  • какие решения AI может только подсказать, а какие нельзя предлагать вообще;
  • какие источники доверенные и как показывается их актуальность;
  • кто отвечает за ошибку и разбирает инцидент;
  • как сотрудник отклоняет рекомендацию и передаёт обратную связь;
  • как проверяется качество после обновления модели или базы знаний.

Исследование клиентской поддержки показывает двойной эффект. AI ускоряет обучение и помогает новичкам приблизиться к практикам сильных коллег. Одновременно авторы предупреждают: если опытные сотрудники начинают механически следовать рекомендациям, качество отдельных разговоров может снижаться, а поток новых профессиональных решений - сужаться. Поэтому эксперт должен оставаться не подтверждающей кнопкой, а источником обратной связи для системы.

Чек-лист для маркетологов и предпринимателей

  1. Выберите один дорогой или медленный сценарий, где сотрудник тратит время на поиск контекста.
  2. Посчитайте текущие показатели до внедрения: время, конверсию, решение с первого контакта, качество и цену ошибки.
  3. Проверьте CRM: дубли, пропуски источников, устаревшие статусы и несвязанные истории обращений.
  4. Определите пять-семь фактов, которые действительно нужны сотруднику в первые секунды.
  5. Зафиксируйте границы: AI рекомендует, человек решает, критические действия требуют отдельного подтверждения.
  6. Запустите тестовую и контрольную группы на одном периоде и сопоставимых обращениях.
  7. Разбирайте отклонённые подсказки как данные о качестве системы, а не как ошибку сотрудника.

Если непонятно, какой процесс готов к AI, а где автоматизация только ускорит хаос, начните с диагностики маркетинга, продаж и данных.

Выбрать формат работы

Ключевые выводы

  • EricaAssist - это AI-помощник сотрудника, а не автономная замена оператора.
  • По данным Bank of America, более 18 000 сотрудников получают подсказки менее чем за три секунды, а средний звонок сократился почти на минуту.
  • Ценность возникает за счёт сокращения поиска информации, а не сокращения эмпатии.
  • Маркетинговый контекст должен доходить до продаж и сервиса в момент разговора.
  • Грязные CRM-данные превращают AI в усилитель ошибок.
  • Пилот нужно оценивать по скорости, качеству, конверсии и отклонённым рекомендациям.
  • Human-in-the-loop работает только при реальном праве сотрудника не согласиться с системой.

Частые вопросы

Что такое ИИ-помощник для клиентского сервиса?

Это система, которая во время обращения собирает контекст из разрешённых источников, формирует подсказку и предлагает следующий шаг сотруднику. В модели human-assisted AI финальное решение и коммуникация с клиентом остаются за человеком.

Как работает EricaAssist в Bank of America?

EricaAssist суммирует причину звонка, поднимает релевантную информацию и предлагает следующий шаг с учётом роли сотрудника и отношений клиента с банком. По данным Bank of America, контекстная подсказка появляется менее чем за три секунды.

Правда ли EricaAssist сократил звонок на одну минуту?

Bank of America сообщает о сокращении средней длительности звонка почти на минуту. Это показатель компании, а не независимый аудит, поэтому другому бизнесу нужен собственный пилот и контрольная группа.

Чем AI-суфлёр отличается от чат-бота?

Чат-бот общается с клиентом напрямую по сценарию или с помощью модели. AI-суфлёр работает за интерфейсом сотрудника: ищет факты, суммирует контекст и предлагает варианты, но не заменяет человеческое решение.

Какие данные нужны для AI-подсказок в продажах?

Нужны актуальная карточка клиента, источник обращения, история контактов, продукты и договорённости, разрешённые транзакционные данные и правила следующего шага. Доступ должен быть ролевым, а данные - очищенными и непротиворечивыми.

Какие метрики использовать в пилоте AI-помощника?

Измеряйте среднее время обработки, решение с первого обращения, конверсию в следующий этап, удовлетворённость клиента, долю принятых и отклонённых подсказок, ошибки и время обучения новых сотрудников.

Источники

  1. Bank of America: EricaAssist with Generative AI, 21 июля 2026 года.
  2. Reuters: BofA enhances AI-powered tool to resolve client needs faster, 21 июля 2026 года.
  3. Brynjolfsson, Li, Raymond: Generative AI at Work, The Quarterly Journal of Economics, 2025.
  4. NIST AI Risk Management Framework.

Любовь Черемисина

Стратегический маркетолог, предприниматель, fractional CMO

20 лет в digital, 10 000+ часов преподавания, 4 000+ часов стратегических сессий и опыт работы более чем со 100 компаниями. Специализация: маркетинговые стратегии, аналитика, AI в маркетинге и проектирование систем, которые связывают маркетинг с продажами и бизнес-результатом.

Читать также