ИИ-ассистент в поддержке – не статья расходов на инновации, а инвестиция, которую нужно защитить цифрами. Руководитель, согласующий бюджет, хочет видеть срок окупаемости и понимать риск. Ниже – рабочая методика расчёта ROI без маркетингового тумана: что считать в числителе, что в знаменателе и как не обмануть себя на пилоте.

Считаем затраты честно, включая скрытые

Знаменатель ROI – полная стоимость владения за горизонт 12–24 месяцев, а не цена лицензии. В расчёт входят:

  • разработка и интеграция с CRM, тикет-системой и базой знаний;
  • инфраструктура: GPU или API-токены, хранилище, мониторинг;
  • подготовка и разметка данных – обычно самая недооценённая статья;
  • сопровождение: дообучение модели, актуализация базы знаний, контроль качества ответов.

Для госсектора и регулируемых отраслей добавьте затраты на размещение модели в защищённом контуре. Развёртывание LLM на собственных мощностях дороже облачного API на старте, но снимает риск утечки персональных данных и обращений граждан. Как это устроено технически, мы разбирали в материале про LLM во внутреннем контуре. Если параллельно идёт переход на отечественную инфраструктуру, учитывайте смежные проекты – например, миграцию с VMware – чтобы не считать одни и те же серверы дважды.

Числитель: где ассистент приносит деньги

Эффект складывается из трёх источников, и каждый нужно измерять отдельно.

Снижение нагрузки на операторов. Базовая метрика – доля обращений, закрытых без участия человека (deflection rate). Умножьте её на число обращений и на стоимость одного контакта с оператором. Реалистичный ориентир для первого года – автоматизация 25–40% типовых запросов, а не «90% звонков», которые обещают вендоры.

Скорость и удержание. Ассистент отвечает мгновенно и круглосуточно. Сокращение времени первого ответа снижает отток и количество эскалаций. Эффект считается через изменение CSAT и доли повторных обращений по одному вопросу.

Разгрузка экспертизы. Ассистент, который подсказывает оператору готовый ответ из базы знаний, сокращает время обработки сложного тикета. Это работает только при упорядоченных документах – поэтому проект часто начинается с наведения порядка в контенте, а не с модели. О подходе к управлению документами без тяжёлой платформы мы писали в статье про СЭД без ECM.

Проверяем гипотезу на пилоте

Не считайте ROI на презентации – считайте на двухмесячном пилоте с одной линией поддержки. Зафиксируйте базовые метрики до запуска: среднее время ответа, стоимость контакта, CSAT, долю эскалаций. Запустите ассистента на ограниченном сегменте обращений и сравните те же показатели.

Ключевая ошибка – мерить только deflection rate. Если ассистент закрывает обращение неверным ответом, клиент возвращается, и вы получаете рост скрытых затрат вместо экономии. Поэтому в пилот закладывайте контроль качества: процент корректных ответов, долю обращений, ушедших на повторную обработку, и оценку самих клиентов.

Формула проста: ROI = (годовой эффект − годовые затраты) / годовые затраты. Для поддержки здоровый ориентир – окупаемость за 9–14 месяцев. Если расчёт даёт меньше, перепроверьте, не завысили ли deflection и не забыли ли сопровождение.

Вывод

ROI ИИ-ассистента – это не вера в технологию, а таблица с измеримыми метриками до и после. Считайте полную стоимость владения, измеряйте эффект по трём источникам отдельно и проверяйте гипотезу на пилоте с контролем качества. Та же дисциплина – фиксация метрик до запуска и контроль качества ответов – определяет и саму разработку ИИ-приложений под защищённый контур, где модель окупаемости закладывается ещё на этапе проектирования.