LLM-агенты: что ждет клиентский сервис в 2026 году

@Freepik
Рассказывает Андрей Зименков, основатель target ai.

К середине 2025 года, по оценке target ai, менее 15% крупных B2C-компаний в России имеют практический опыт внедрения LLM-агентов на базе ИИ в направлении клиентского сервиса. 

Однако уже в ближайшие два года с задачей роботизации столкнется практически каждый крупный бизнес, в котором служба поддержки насчитывает более 100 человек. Причина — необходимость сокращать издержки и одновременно улучшать клиентский опыт за счет искусственного интеллекта. 

Что такое LLM-агенты и какие задачи они решают 

Голосовые LLM-агенты — это виртуальные сотрудники на базе искусственного интеллекта. Они воспринимают контекст разговора и, в отличие от разговорных ботов, могут планировать и совершать действия, например, получать и вносить данные в CRM.

В своей работе агент использует промт и набор инструментов. Промт обозначает рамки и контекст для агента, а инструменты, такие как база знаний и база данных, позволяют получать информацию для генерации ответов.

Пример того, как агент генерирует ответы 

Клиент позвонил с претензией:

«В моем фитнес-клубе слишком много людей и все тренажеры заняты».

Сначала LLM-агент обратится к базе данных, чтобы узнать, в какой клуб ходит клиент и в какое время он обычно занимается. Затем агент проверит текущую посещаемость клуба и сравнит ее с посещаемостью ближайших клубов. После сформирует следующий ответ:

«Да, понимаю вас. Заниматься в зале, где много людей, бывает сложно. Могу предложить альтернативу. Чаще всего вы посещаете зал с 16:00 до 19:00. Рядом с вами есть клуб на улице Пушкина, дом 2. Туда ходит меньше людей, чем в ваш клуб. Если не хотите другое место, то можете приходить в текущий клуб с 17:30 до 18:30 — в это время вечером зал свободнее всего».

Направления, где сейчас уже применяются LLM-агенты

В E-grocery агент заменяет входящую линию поддержки, определяет тему обращения (например, статус заказа, перенос доставки и др.) и обрабатывает до 80% звонков без участия оператора.

В фитнес-индустрии агенты осуществляют исходящие звонки с предложением продлить абонемент или ежемесячную фитнес-подписку. Это позволяет обойтись без найма дополнительных операторов. 

В страховых компаниях агенты автоматизируют обязательные опросы клиентов о качестве медицинских услуг. Результат — ускорение сбора обратной связи в 5–10 раз и сокращение затрат на ее получение. 

Пошаговый алгоритм работы агента

Процесс автоматизации обработки жалоб на доставку при помощи LLM-агента выглядит так:

1. Клиент звонит на горячую линию и описывает проблему: «не привезли часть товаров», «товар испорчен», «подменили позицию».

2. LLM-агент распознает тип инцидента (недостача, брак, ошибка комплектации).

3. Через API агент подтягивает последний заказ клиента и находит спорный товар.

4. Агент кратко подтверждает найденную информацию, уточняет детали (количество, степень повреждения) и предлагает варианты решения: возврат, повторная доставка или промокод на следующую покупку.

5. После получения согласия агент заводит заявку в CRM, а дальше делает то, что выбрал клиент: инициирует возврат средств, либо оформляет заказ с товаром под замену, либо отправляет уникальный промокод. Всю информацию клиенту дополнительно дублируют в SMS-сообщении прямо во время диалога.

6. В конце беседы агент подводит итог. Например, «заявка № … оформлена, деньги вернутся в течение N дней», после спрашивает, есть ли у клиента еще вопросы. Если нет, то желает ему хорошего дня и завершает звонок.

Такой сценарий автоматизирует около 80% всех звонков, сохраняя уровень удовлетворенности клиентов, сравнимый с работой оператора.

---

Читайте также: Быстрее, точнее, умнее: как управлять лояльностью клиентов в 2025 году

---

Как внедрить голосового агента

Сначала нужно начать с создания агента. Чтобы он работал правильно, требуется сделать следующее:

1. Первый шаг — четко сформулировать бизнес-задачу, под которую нужен голосовой LLM-агент. Не пытайтесь сделать «универсального солдата»: эффективнее создать несколько агентов на разные направления. Один, например, консультирует по продуктам и услугам, другой обрабатывает входящие запросы первой линии поддержки.

2. Далее пишется промпт-инструкция. В ней нужно кратко обозначить, что должен делать агент и как ему общаться с клиентами.

3. Затем подготавливается база знаний. Это основное хранилище информации, из которого агент черпает ответы: описание продуктов, типовые вопросы, внутренние регламенты. Чем актуальнее и полнее база, тем точнее и полезнее ответы.

4. Следом подключается база данных компании. Оттуда агент получает меняющиеся сведения — цены продуктов, сроки доставки, статусы заказа и прочую информацию. 

Внедрение голосового LLM-агента в работу компании требует скоординированных усилий разных команд и лидеров. Поддержка топ-менеджмента критична, потому что роботизация затрагивает ключевые бизнес-процессы и требует управленческих решений. 

Пилотный этап обычно занимает от одного до трех месяцев. Цель пилота — получить ощутимые доказательства эффективности голосового LLM-агента. Поскольку у большинства компаний еще мало практического опыта работы с такими решениями, на пилоте они проверяют гипотезы и только потом переходят к масштабированию проекта. 

После пилота начинается развертывание боевого решения. Уровень автоматизации постепенно наращивается до 20% в первые 2–3 месяца, до 60% — в течение 9–12 месяцев. 80% автоматизации можно достичь по завершении 2 лет. 

Контроль, безопасность и управляемость

Чтобы агент не вышел за рамки инструкций, применяются защитные меры: процедурные сценарии, встроенные антигаллюцинации и симуляции для тестирования.

Для процессов, где нельзя отклониться ни на шаг (возврат денег, верификация личности), агент работает строго по «процедурам», или жестко заданным алгоритмам. Каждое действие фиксировано в определенной последовательности, чтобы не пропустить критически важный этап и избежать раскрытия чувствительной информации.

Проверить работу агента и качество обработки обращений помогает режим симуляций. ИИ-тестировщик, опираясь на базу знаний, генерирует тысячи тестовых диалогов с агентом, формируя вопросы так, будто их задает настоящий клиент. Если в ходе симуляции агент «теряется» или не отвечает на какой-то вопрос, сценарий отмечается как неуспешный. После агент дорабатывается, а выявленные пробелы устраняются.

Важно помнить: только 30–40% коммуникаций можно спрогнозировать заранее. Остальные 60–70% — это живой диалог, на который агент должен реагировать по ситуации. Поэтому управляемость и ограничение «свободы воли» представляют один из главных вызовов при разработке LLM-агентов.

Прогноз внедрения LLM-агентов на 2026 год

Существующие нейросети позволяют автоматизировать до 80% сценариев при индексе удовлетворенности клиентов (CSI — Customer Satisfaction Index) более 50%. При должном развитии агентских платформ (интеграции с внутренними ИТ-системами, процедуры, обучение) к концу 2025 году возможна 100%-ная автоматизация даже сложных, транзакционных сценариев.

Способность LLM работать с памятью и контекстом предыдущих обращений позволяет развивать персонализированный клиентский опыт и увеличивать CSI одновременно с автоматизацией. К 2026 году станет возможна модель, при которой базовый клиентский сервис будет полностью автоматизированным и бесплатным, а общение с квалифицированным оператором станет платной премиум-услугой. 

Андрей Зименков, 
основатель target ai.

Для NEW RETAIL