Ваш чат-бот бесит клиентов. Почему автоматизация экономит сегодня, но может дорого обойтись завтра

Еще несколько лет назад автоматизация поддержки воспринималась как конкурентное преимущество. Компания отвечала быстрее, операторы не тратили время на типовые вопросы, а клиент мог получить нужную информацию в любое время суток. Сегодня чат-боты есть практически везде: в банках, интернет-магазинах, службах доставки, телекоме, SaaS-сервисах и даже небольших локальных компаниях.

Причина очевидна. По мере роста бизнеса количество обращений увеличивается значительно быстрее, чем команда поддержки. Одни и те же вопросы начинают повторяться сотни раз в день: где находится заказ, как оформить возврат, сколько стоит доставка, как восстановить пароль, где найти документы. Автоматизация действительно позволяет снять огромную часть этой нагрузки и сократить стоимость обслуживания одного клиента.

Сама по себе эта стратегия абсолютно логична. Более того, в большинстве случаев она действительно работает.

Проблемы начинаются не тогда, когда компания внедряет чат-бота. Они начинаются тогда, когда чат-бот становится препятствием между клиентом и решением его проблемы.

Именно этот момент сегодня все чаще исследуют университеты, консалтинговые компании и специалисты по клиентскому опыту.

Интересно, что их выводы во многом совпадают с тем, что большинство пользователей давно чувствуют интуитивно: автоматизация действительно повышает эффективность поддержки, но только до определенной границы. После нее она начинает работать против бизнеса.

Если посмотреть на научные публикации последних лет, можно заметить одну закономерность. Практически никто не утверждает, что чат-боты сами по себе ухудшают клиентский опыт. Наоборот, большинство исследований показывают, что пользователи спокойно относятся к автоматизации, если она помогает быстро решить простой вопрос.

Проблемы возникают в другом сценарии. Когда человек сталкивается со сложной или нестандартной ситуацией, ожидания меняются. Ему уже недостаточно получить информацию. Он хочет решить проблему, а для этого нередко требуется участие сотрудника.

Исследование, опубликованное в 2023 году, показало, что по мере роста сложности обращения заметно снижается доверие пользователей к чат-боту и общая удовлетворенность взаимодействием. Особенно негативно воспринимаются ситуации, когда бот дает длинные объяснения вместо конкретного решения или вынуждает клиента самостоятельно искать ответ внутри большого текста. Исследователи делают довольно очевидный вывод: автоматизация хорошо работает для типовых задач, но плохо переносится на сценарии, требующие анализа ситуации, исключений из правил или человеческого участия.

Еще интереснее результаты исследования 2025 года, посвященного так называемому gatekeeper aversion — эффекту «бота-привратника».

Авторы выяснили, что пользователей раздражает не сам факт общения с искусственным интеллектом. Главная причина негативной реакции заключается в другом: бот становится обязательным этапом, который необходимо пройти, прежде чем появляется возможность поговорить с человеком. Если система не дает быстро переключиться на оператора после нескольких неудачных попыток, удовлетворенность сервисом резко снижается.

Еще одна работа, опубликованная в Journal of Retailing and Consumer Services, рассматривает влияние качества взаимодействия с чат-ботами на дальнейшее поведение клиентов. Авторы не делают громких заявлений о том, что плохой бот автоматически снижает LTV, но подтверждают более важную цепочку. Чем выше удовлетворенность процессом решения проблемы, тем выше вероятность повторного обращения, положительных рекомендаций и дальнейшего использования сервиса.

Это важное уточнение.

Было бы неправильно утверждать, что любой чат-бот уменьшает пожизненную ценность клиента. Такой зависимости исследования не подтверждают. Зато они подтверждают другое: если автоматизация ухудшает клиентский опыт, она влияет на доверие к бренду, а доверие уже напрямую связано с повторными продажами, удержанием клиентов и рекомендациями.

Именно поэтому сегодня все больше компаний оценивают автоматизацию не только через стоимость обработки обращения, но и через показатели удержания клиентов, CSAT, повторные обращения и качество решения проблемы.

Почти у любой автоматизации есть одна проблема. Компания и клиент оценивают ее совершенно по-разному.

Для руководителя службы поддержки или операционного директора успех обычно выглядит так:

• стоимость обработки одного обращения снизилась;
• бот самостоятельно закрыл 70–80% диалогов;
• количество операторов удалось сократить;
• среднее время первого ответа уменьшилось;
• нагрузка на команду поддержки стала ниже.

Все эти показатели действительно важны. Любой бизнес должен считать экономику своих процессов, и поддержка здесь не исключение.
Но если посмотреть на ситуацию глазами клиента, окажется, что он вообще не знает ни одной из этих метрик.

Его интересуют совершенно другие вопросы.

Удалось ли решить проблему с первого раза? Сколько времени пришлось потратить? Нужно ли было несколько раз повторять одну и ту же информацию? Пришлось ли искать способ поговорить с человеком? Захочется ли вообще снова обращаться в эту компанию?

Получается интересная ситуация. Внутри компании автоматизация может считаться успешным проектом, потому что операционные расходы действительно снизились. При этом клиентский опыт постепенно ухудшается, а бизнес замечает последствия только через несколько месяцев, когда начинают снижаться повторные продажи, растет количество негативных отзывов или увеличивается отток клиентов.

Эти показатели не противоречат друг другу. Проблема возникает тогда, когда бизнес начинает смотреть только на левую колонку и перестает измерять правую.

Большинство обращений действительно можно автоматизировать.

Если клиент хочет узнать статус заказа, посмотреть график работы магазина, скачать счет или изменить пароль, хороший чат-бот справится быстрее человека.

Но существует целый класс обращений, где ситуация меняется.

Именно здесь многие компании допускают одну и ту же ошибку. Вместо того чтобы использовать автоматизацию как фильтр, они начинают использовать ее как барьер.

Клиент вынужден пройти несколько экранов меню, ответить на серию вопросов, повторно описать проблему и только после этого получает возможность поговорить с оператором. Иногда не получает вообще.

Исследователи называют это gatekeeper effect или эффектом «бота-привратника». Раздражение вызывает не сам искусственный интеллект. Пользователь воспринимает негативно ситуацию, когда система не помогает приблизиться к решению, а наоборот увеличивает количество шагов до него.

Это хорошо знакомо каждому.

Представьте, что вы обнаружили двойное списание денег с карты. Вместо того чтобы сразу передать обращение специалисту, бот предлагает выбрать категорию, затем отправляет в раздел справки, просит сформулировать вопрос иначе и только потом сообщает, что не может помочь.

Через несколько минут проблема остается той же самой, но отношение к компании уже меняется.

Клиент начинает воспринимать автоматизацию как попытку избавиться от него, а не помочь.

Хороший пример — история Air Canada.

Пассажир обратился в поддержку, чтобы уточнить условия компенсации после смерти родственника. Чат-бот сообщил ему неверную информацию о порядке оформления льготного тарифа. Клиент последовал этим рекомендациям, но позже авиакомпания отказалась выполнять обещание, сославшись на то, что бот ошибся.

Суд не принял этот аргумент.

Решение оказалось очень показательным для всей индустрии. Суд указал, что для клиента чат-бот является частью компании, а значит именно компания несет ответственность за информацию, которую он предоставляет.

Это важный вывод далеко за пределами одного судебного процесса.
Клиент никогда не разделяет бренд, подрядчика, модель искусственного интеллекта и внутренние процессы компании. Если бот отвечает от имени бренда, ответственность за этот ответ остается за брендом.

Для бизнеса это означает простую вещь: автоматизация не снимает ответственность. Она лишь меняет способ общения с клиентом.
Еще один показательный пример произошел с международной службой доставки DPD.

Пользователь несколько раз пытался решить проблему с доставкой через чат-бота. После безуспешных попыток он начал экспериментировать с диалогом, и в итоге заставил систему написать стихотворение о том, насколько бесполезной является сама компания, а затем использовать ненормативную лексику.

Именно этот эпизод разошелся по мировым СМИ. Но интереснее другое.
Причиной вирусности стал не искусственный интеллект. Причиной стал неудовлетворенный клиент.

Если бы проблема была решена в самом начале, никакого публичного кейса просто не возникло бы.

Это хороший пример того, что репутационные кризисы редко начинаются с технологий. Обычно они начинаются с плохого клиентского опыта.

Может показаться, что подобные ошибки характерны только для банков, авиакомпаний или маркетплейсов с миллионами клиентов. На практике все происходит гораздо раньше.

Представим небольшой интернет-магазин или локальную сеть из нескольких точек продаж.

Первые месяцы сотрудники отвечают на все вопросы вручную. Затем количество заказов растет, появляются повторяющиеся обращения, менеджеры начинают тратить все больше времени на одинаковые ответы.

Следующий шаг выглядит очевидным — установить чат-бота. На этом этапе многие компании совершают одну и ту же ошибку. Вместо того чтобы автоматизировать только простые сценарии, они постепенно начинают переносить в бота практически всю поддержку.

В результате клиент, который хочет узнать график работы магазина, действительно получает быстрый ответ. Но тот, кто столкнулся с проблемой доставки или возврата денег, проходит тот же самый путь через автоматизированные сценарии, хотя его вопрос уже давно требует участия человека.

Для небольшого бизнеса это может оказаться даже опаснее, чем для крупной корпорации.

У банка миллионы клиентов.

У локального бренда каждый постоянный покупатель гораздо ценнее.
Если человек после одной конфликтной ситуации уходит к конкуренту и больше не возвращается, стоимость такой ошибки может оказаться значительно выше той суммы, которую компания сэкономила на работе оператора.

Парадокс современной автоматизации заключается в том, что лучшие чат-боты редко пытаются ответить на все вопросы.

Наоборот, они очень хорошо понимают собственные ограничения.
Это звучит неожиданно, потому что большинство компаний воспринимают эффективность автоматизации через количество обращений, которые удалось не передать человеку. Чем выше этот показатель, тем успешнее считается проект.

На практике все работает иначе.

Если бот пытается решить проблему, которую объективно не способен решить, он не экономит компании деньги. Он увеличивает стоимость контакта, потому что клиент все равно приходит к оператору, но уже раздраженным, с потерянным временем и зачастую с более низким уровнем доверия.

Хороший пример можно увидеть в работе современных AI-ассистентов внутри крупных технологических компаний. Искусственный интеллект все чаще используется не вместо сотрудников, а вместе с ними. Он собирает контекст обращения, проверяет историю заказов, предлагает оператору возможные решения, автоматически оформляет документы или помогает найти нужную информацию. Но окончательное решение остается за человеком, если ситуация выходит за рамки стандартного сценария.

Именно поэтому хороший чат-бот сегодня все меньше похож на виртуального консультанта, который обязан знать ответы на любые вопросы. Скорее это диспетчер, который быстро определяет тип обращения и понимает, когда необходимо передать диалог специалисту.

Разница кажется незначительной, но именно она определяет, будет ли автоматизация улучшать клиентский опыт или постепенно разрушать его.

За последние два года качество языковых моделей выросло настолько сильно, что многие компании начали воспринимать AI как универсальное решение.
Появилась иллюзия, что достаточно подключить ChatGPT, Claude, Gemini или другую модель, и поддержка автоматически станет лучше.

На практике этого почти никогда не происходит.

Большинство проблем возникают задолго до выбора модели.

1. Если в CRM отсутствует информация о клиенте, искусственный интеллект не сможет ее придумать.
2. Если база знаний устарела, AI будет уверенно ссылаться на устаревшие данные.
3. Если внутри компании нет понятных регламентов возвратов или компенсаций, бот тоже не сможет их корректно применять.

Другими словами, качество автоматизации почти всегда ограничено качеством процессов, которые существуют внутри бизнеса. Это хорошо видно на небольших компаниях.

Представим интернет-магазин одежды. Руководитель хочет снизить нагрузку на менеджеров и внедряет AI-бота. Через месяц оказывается, что количество жалоб не уменьшилось, а наоборот выросло.

• начинают искать проблему в модели;
• меняют промпты;
• подключают другую систему;
• добавляют новые сценарии.

Хотя настоящая причина может быть совершенно в другом. Например, в том, что информация о наличии товара обновляется раз в сутки, а не в реальном времени. Или правила возврата отличаются в зависимости от поставщика, но нигде формально не описаны.

В результате бот отвечает именно так, как позволяет ему внутренняя инфраструктура компании.

Поэтому автоматизация редко исправляет хаос. Обычно она делает его заметнее.

Парадоксально, но большинство компаний замечают проблему слишком поздно.

Пока операционные показатели улучшаются, кажется, что проект развивается успешно. Бот закрывает больше обращений, нагрузка на поддержку снижается, расходы сокращаются.

Но одновременно начинают появляться менее очевидные сигналы:

1. Клиенты повторно обращаются по одному и тому же вопросу.
2. Растет количество негативных отзывов о поддержке.
3. Операторы получают раздраженных пользователей, которым уже пришлось несколько раз объяснять проблему.
4. Увеличивается количество компенсаций и ручных исключений.
5. Часть клиентов просто перестает писать в поддержку. Они уходят молча.

Это один из самых опасных сценариев. Компания может воспринимать снижение количества обращений как успех автоматизации, хотя на самом деле люди перестали обращаться, потому что перестали верить, что им помогут. Поэтому оценивать эффективность поддержки только по внутренним метрикам уже недостаточно. Необходимо смотреть на весь путь клиента после обращения.

1. Возвращается ли он повторно?
2. Совершает ли следующую покупку?
3. Насколько изменился уровень удовлетворенности?
4. Как быстро была действительно решена проблема?
5. Сколько раз пришлось переключаться между ботом и оператором?
6. Именно эти показатели начинают отражать реальную ценность автоматизации для бизнеса.

Если хотя бы на несколько вопросов ниже ответ положительный, автоматизацию стоит пересмотреть.

Этот чек-лист нельзя считать универсальным аудитом клиентского сервиса. Но даже такая простая проверка помогает быстро увидеть, воспринимает ли компания автоматизацию как инструмент помощи клиенту или только как способ снизить операционные расходы.

Автоматизация поддержки уже давно перестала быть вопросом «использовать или не использовать». Для большинства компаний это неизбежный этап развития.

Вопрос сегодня звучит иначе. Что именно вы автоматизируете?

Если искусственный интеллект избавляет клиента от ожидания, быстро отвечает на типовые вопросы и своевременно передает сложные ситуации человеку, он действительно делает сервис лучше.

Если же автоматизация превращается в дополнительный барьер между клиентом и решением проблемы, экономия на поддержке может оказаться иллюзией. Компания сократит расходы на операторов, но постепенно потеряет доверие, повторные продажи и часть постоянных клиентов.

Самое интересное, что большинство подобных проблем связано не с качеством современных языковых моделей. Они возникают значительно раньше — на этапе проектирования клиентского пути, настройки CRM, подготовки базы знаний, аналитики обращений и бизнес-процессов внутри компании.

Поэтому хороший чат-бот — это не тот, который умеет отвечать на любые вопросы. Хороший чат-бот понимает, какие вопросы он действительно должен решать сам, а в какой момент лучше сразу передать клиента человеку.

Как это связано с маркетингом?

Поддержка давно перестала быть исключительно сервисной функцией. Для многих компаний именно она определяет, вернется ли клиент повторно, оставит ли рекомендацию и как будет воспринимать бренд после первой проблемы.

Поэтому при проектировании цифровых продуктов важно смотреть не только на рекламу или конверсию сайта, но и на весь путь пользователя после покупки. В Pickles team мы регулярно сталкиваемся с тем, что причиной низкого LTV оказывается не маркетинг, а разрыв между рекламой, сайтом, CRM и клиентским сервисом. Именно поэтому мы проектируем цифровые продукты как единую систему, где автоматизация помогает пользователю быстрее получить результат, а не становится еще одним препятствием на его пути.