Как Thunai автоматизирует поддержку клиентов с помощью ИИ-агентов (и что это значит для вашего B2B SaaS)

Команды поддержки клиентов находятся под давлением. Объем обращений растет на 20% в год, а численность персонала остается прежней. Клиенты ожидают мгновенных персонализированных ответов круглосуточно. Для B2B SaaS-компаний каждая задержка с ответом подрывает удержание и расширение выручки. Thunai, быстрорастущая технологическая фирма, столкнулась именно с этой проблемой, пока не перестроила поддержку вокруг ИИ-агентов и потоковой передачи данных на основе событий с IBM Confluent.

Результат? Поддержка масштабировалась в 3 раза без увеличения штата, время решения проблем резко сократилось, а показатель CSAT поднялся выше 94%. Но настоящая история не только о технологиях — она о том, как подключение потоков данных в реальном времени к принятию решений ИИ превращает обслуживание клиентов из центра затрат в двигатель роста. В этой статье разбирается подход Thunai и дается конкретный план для лидеров B2B-поддержки, чтобы воспроизвести эти результаты.

Почему традиционные стеки поддержки ломаются при масштабировании

Большинство команд поддержки SaaS начинают с хелпдеска, базы знаний и набора макросов. Это работает, когда у вас 200 обращений в месяц. При 2000 появляются трещины. При 20 000 система рушится. Лидеры поддержки сталкиваются с тремя взаимосвязанными проблемами:

• Разрозненные данные: Контекст клиента живет в CRM, данные об использовании продукта — в аналитическом инструменте, прошлые разговоры — в отдельной системе тикетов. Агенты переключаются между пятью вкладками, чтобы просто понять проблему.
• Реактивные рабочие процессы: Команды ждут, пока клиенты сообщат о проблемах. К моменту, когда агент подключается, разочарование уже нарастает.
• Узкие места в знаниях: Самые опытные 20% агентов отвечают на 80% сложных вопросов. Когда они недоступны, время решения проблем растет, а согласованность падает.

Thunai поняла, что исправление поддержки в масштабе требует пересмотра уровня данных, а не только интерфейса тикетов. Они обратились к IBM Confluent, чтобы объединить события в реальном времени, и создали поверх ИИ-агентов, которые могли бы мгновенно интерпретировать и реагировать на эти данные.

Фундамент данных: почему потоковая передача в реальном времени меняет всё

IBM Confluent предоставляет платформу потоковой передачи событий в реальном времени на базе Apache Kafka. Вместо ночного опроса баз данных каждое действие клиента, изменения учетной записи, использование функций продукта, обновления биллинга, журналы ошибок — всё поступает как событие за миллисекунды. Для поддержки это означает, что ИИ-агент может узнать, что клиент только что столкнулся с отказом платежа или сломанной интеграцией, еще до того, как клиент напишет хоть слово.

Thunai внедрила следующую событийно-ориентированную архитектуру:

1. Производители событий: Каждый микросервис в их SaaS-продукте и операционных системах (CRM, биллинг, мониторинг) публикует события в топики Confluent.
2. Обработка потоков: ksqlDB и пользовательские обработчики потоков обогащают события, сопоставляя ошибку продукта с планом клиента, статусом контракта и недавней историей обращений, и выводят структурированную запись «ситуации клиента».
3. Триггер ИИ-агента: Когда ситуация соответствует заранее заданным критериям (например, «корпоративный клиент на плане Pro сталкивается с всплеском ошибок API»), ИИ-агент вызывается автоматически.

Эта архитектура переворачивает модель поддержки с реактивной на проактивную. Вместо ожидания тикета система обнаруживает проблему и запускает последовательность решения.

ИИ-агенты в действии: рабочий процесс Thunai

Имея полную картину клиента в реальном времени, ИИ-агенты Thunai работают на трех уровнях:

Уровень 1: Автоматическое обнаружение и исходящее взаимодействие

Когда платеж клиента не проходит, ИИ-агент запускает сообщение в приложении или электронное письмо с защищенной ссылкой для обновления данных, до того как подписка будет приостановлена. При известных технических сбоях он отправляет персонализированное сообщение: «Мы заметили три ошибки тайм-аута в вашей учетной записи за последний час. Наша инженерная команда в курсе; вот обходное решение, которое вы можете применить сейчас».

«Мы перешли от тушения пожаров в тикетах к их предотвращению. ИИ-агенты теперь перехватывают 43% проблем, которые превратились бы в тикеты поддержки» — руководитель отдела клиентских операций Thunai.

Уровень 2: Разговорное решение с рассуждениями на основе LLM

Если клиент все же обращается, ИИ-агент уже осведомлен о контексте. У него есть доступ к недавним событиям клиента, полной истории разговоров, документации по продукту и прошлым решениям, которые сработали для похожих профилей. Используя паттерн генерации с дополнением извлечением (RAG), агент выдает точный ответ или выполняет последовательность действий через API — повторно отправляет лицензионный ключ, обновляет настройки конфигурации или предоставляет временный доступ, — держа клиента в курсе на естественном языке.

Уровень 3: Интеллектуальная эскалация с полной передачей контекста

Когда ИИ-агент определяет, что проблема требует человеческого суждения (например, сложные вопросы юридического соответствия или тонкая диагностика), он передает дело специалисту. Но передача меняет правила игры: агент-человек получает полный брифинг — сводку ситуации, шаги, которые ИИ уже предпринял, релевантные детали учетной записи и предложенное следующее действие, — всё в сжатой панели. Среднее время на ориентацию падает с 8 минут до менее 30 секунд.

Измеримое бизнес-влияние: цифры, которые имеют значение

Доказательство — в метриках. В течение шести месяцев после развертывания ИИ-агентов на основе потоков событий в реальном времени Thunai задокументировала:

• 61% отклонения тикетов: Большинство запросов было решено с помощью автоматических исходящих действий или самообслуживания, управляемого проактивными подсказками ИИ.
• Среднее время первого ответа сократилось с 8,2 часов до 2,1 минуты. Это включает тикеты, которым в итоге потребовалась помощь человека, потому что ИИ-агенты обеспечивали мгновенное подтверждение и часто частичное решение.
• CSAT вырос с 78% до 94%. Клиенты последовательно называли «упреждающий сервис» причиной повышения оценок удовлетворенности.
• Стоимость тикета упала на 64%. Переведя работу первого уровня и большую часть второго на ИИ, специалисты-люди сосредоточились на взаимодействиях с высокой ценностью, что повысило эффективность и удовлетворенность работой.

Нисходящий тренд объема тикетов показывает накопительный эффект: по мере того как ИИ-агенты становились точнее, а уровень обработки событий созревал, меньше проблем достигало очереди поддержки, а те, что доходили, было проще решать.

Примечательно, что улучшение CSAT не было разовым скачком. Оно продолжало расти, поскольку система училась на каждом взаимодействии, ещё больше подпитывая добродетельный цикл. И если сопоставить этот выигрыш с доходом от расширения, то для B2B-компаний с CSAT выше 90% улучшение чистого удержания выручки составляет 10–15 процентных пунктов, и ROI становится очевидным.

План действий: Как руководители поддержки могут внедрить эту модель

Успех Thunai не был «большим взрывом». Они следовали поэтапному, взвешенному подходу, который может повторить любой руководитель поддержки. Вот практическая структура:

Этап 1: Составьте карту своей Триады Событий (недели 1–2)

Определите три категории событий, которые больше всего влияют на качество обслуживания клиентов:

• События продукта: коды ошибок, использование функций, аномалии времени безотказной работы.
• События аккаунта: изменения тарифов, сбои при оплате, онбординг новых пользователей.
• События взаимодействия: недавние тикеты поддержки, оценки NPS, сообщения в сообществе.

Начните всего с пяти высоковлиятельных событий, таких как сбой оплаты, критическая ошибка на платном тарифе или понижение тарифа клиентом. Подключите их к легковесному уровню потоковой передачи (Kafka, Confluent или даже шина на основе вебхуков).

Этап 2: Определите условия запуска действий и ответы агентов (недели 3–4)

Для каждого события разработайте сценарий «если это, то то»:

• Какое условие запускает ИИ-агента? (например, «уровень ошибок > порога на корпоративном аккаунте»)
• Каков оптимальный путь решения? (Отправить статью базы знаний, перезапустить сервис, запланировать звонок с менеджером по работе с клиентами)
• Какой запасной вариант гарантирует, что ни один клиент не останется без ответа? (Эскалировать с полным контекстом после двух неудачных попыток ИИ)

Используйте low-code AI-платформы для создания этих агентов без написания бэкенд-кода. Современные инструменты позволяют перетаскивать соединения данных, определять диалоговые сценарии и интегрироваться напрямую с хелпдесками, такими как Zendesk или Intercom.

Этап 3: Измеряйте, учитесь и расширяйтесь (постоянно)

Отслеживайте те же метрики, что и Thunai — процент отклонения тикетов, время первого ответа, CSAT, стоимость одного тикета — в единой панели мониторинга. Еженедельно просматривайте 20 лучших разговоров, обработанных ИИ, чтобы выявлять пробелы. Расширяйте охват событий и sophistication агентов двухнедельными спринтами.

«Самая большая ошибка — пытаться автоматизировать всё сразу. Начните с 20% проблем, которые вызывают 80% объёма, добейтесь в этом успеха, а затем развивайтесь». — Советник по операциям поддержки

Где подходит Successly: Ускорение вашего пути к ИИ-агентам

Архитектура Thunai требовала глубоких знаний Kafka и месяцев кастомной разработки. Но эти принципы не требуют такого уровня инженерных инвестиций. Successly предлагает специализированную платформу для автоматизации поддержки на основе ИИ, которая уже подключается к вашему продуктовому анализу, CRM, биллингу и хелпдеску, получая те же самые события в реальном времени, на которые полагался Thunai, без необходимости самостоятельно управлять потоковой инфраструктурой.

ИИ-агенты Successly предварительно обучены на паттернах B2B-поддержки, поэтому вы получаете готовое обнаружение неудачных платежей, сбоев при онбординге и типичных ошибок продукта. А поскольку он интегрируется с инструментами, которые вы уже используете, вы можете перейти от пилота к полноценному производству за недели, а не за кварталы. Команды, внедряющие Successly, обычно наблюдают:

• Отклонение 50–65% тикетов в течение первых 90 дней
• Время первого ответа менее минуты для взаимодействий, управляемых ИИ
• CSAT более 90% для автоматизированных разговоров

Заключение: Превратите поддержку в стратегическое преимущество

История Thunai с IBM Confluent и ИИ-агентами — это образец того, чего может достичь современная поддержка. Рассматривая каждый сигнал от клиента как возможность помочь, они превратили реактивный центр затрат в двигатель лояльности и роста. Для лидеров B2B SaaS урок очевиден: основа отличной ИИ-поддержки — это не более умный чат-бот, а более умный конвейер данных. С такими платформами, как Successly, вы можете развернуть этот конвейер и интеллектуальных агентов, работающих на его основе, без серьёзных инженерных усилий.

Ваши клиенты уже транслируют сигналы, определяющие их успех и отток. Прислушиваетесь ли вы?