Примеры заполнения
Ниже — короткие образцы заполнения ключевых артефактов. Они не заменяют шаблоны, но показывают уровень конкретики, который нужен для gate-решений.
Карточка инициативы
Название: Помощник оператора поддержки по типовым обращениям
Процесс: обработка обращений физических лиц в первой линии поддержки
Проблема: оператор тратит 8-12 минут на поиск инструкции и подготовку ответа по типовым вопросам
Инициатор: руководитель направления клиентской поддержки
Бизнес-владелец: директор контакт-центра
Гипотеза эффекта: если оператор получает ответ и ссылку на инструкцию в интерфейсе, среднее время обработки типовых обращений снизится на 20%
Baseline: AHT 9,5 минуты по выбранной группе обращений
Цель: AHT 7,6 минуты без ухудшения CSAT
ИИ-продукт: помощник по знаниям
Риск: подсказка сотруднику, решение отправляет человек
Следующий шаг: проверить базу знаний и выбрать 50 типовых обращений для пилота
Паспорт процесса
Процесс: обработка входящих счетов от поставщиков
Владелец: руководитель АХО
Объём: 2 000 счетов/мес, ~8 мин ручного ввода на счёт
Шаги: чтение PDF → извлечение полей → проверка бухгалтером → ввод в ERP
AI-fit: высокий (объём, данные в цифре, извлечение из текста, проверка есть)
Маршрут: извлечение — RAG/LLM; ввод — агент
Risk tier: Moderate
Value hypothesis: 8 мин → 2 мин × 2 000 = ~200 ч/мес экономии
Owner эффекта: руководитель АХО
Граница: плохое качество сканов — порог уверенности и ручной фолбэк
Сценарий применения
Пользователь: оператор первой линии
Триггер: новое обращение клиента
Входные данные: текст обращения, категория, доступные инструкции
Действие ИИ: найти релевантные инструкции и подготовить черновик ответа
Действие человека: проверить ответ, при необходимости исправить и отправить клиенту
Ограничения: ИИ не меняет данные клиента и не принимает решение о компенсации
Метрика качества: доля ответов, принятых оператором без существенной правки
Метрика эффекта: AHT, FCR, CSAT
Отчет эксперимента
Период: 2 недели
Группа: 20 операторов, 1 категория обращений
Объем: 1 200 обращений
Результат качества: 78% подсказок оценены как полезные
Результат процесса: AHT снизился с 9,5 до 8,1 минуты
Проблемы: в 12% случаев не хватало актуальных инструкций
Решение: доработать базу знаний, расширить пилот на вторую категорию после проверки контента
Архитектурное заключение
Контур: внутренний корпоративный контур
Источники данных: база знаний поддержки, классификатор обращений
Интеграции: интерфейс оператора, поиск по документам, журнал использования
Доступы: только сотрудники поддержки
Логирование: запрос, найденные документы, выбранный ответ, оценка оператора
Ограничения: персональные данные не передаются во внешний сервис
Рекомендация: разрешить пилот при условии контроля качества базы знаний
Отчет эффекта
Baseline: AHT 9,5 минуты
Target: 7,6 минуты
Fact: 7,9 минуты после 6 недель промышленного использования
Дополнительные метрики: CSAT не снизился, FCR вырос на 3 п.п.
Атрибуция: сравнение с контрольной категорией обращений без помощника
Решение: подтвердить эффект частично, масштабировать после обновления базы знаний
Что делает пример хорошим
- есть процесс и пользователь;
- указаны baseline, target и fact;
- описано действие ИИ и действие человека;
- видны ограничения;
- решение связано с дальнейшим шагом;
- риск не спрятан за общими словами.