ASAPP автоматизировала клиентский сервис с помощью GenerativeAgent на Amazon Bedrock. Система оркестрирует пять–семь языковых моделей, работает с голосом и чатами и передаёт сложные случаи операторам. По данным AWS, клиенты ASAPP решают 91% сложных вопросов с первого обращения и тратят на один чат на 77% меньше.
Кратко: ASAPP использует связку из 5-7-ми языковых моделей, корпоративных систем и управляемой инфраструктуры Amazon Bedrock. ИИ берет на себя повторяющиеся операции, а сотрудники контакт-центра сосредотачиваются на сложных ситуациях.
Задача: ускорить сервис, не жертвуя безопасностью
ASAPP разрабатывает ИИ-решения для крупных контакт-центров. Её GenerativeAgent ведет голосовые и текстовые диалоги, обращается к корпоративным системам и помогает довести запрос клиента до результата — например, найти информацию, применить правила компании или выполнить операцию.
Главным ограничением ранней версии платформы стала работа с персональными данными. ASAPP использовала собственный слой для поиска и удаления PII — имен, адресов и других идентификаторов. Такая защита снижала риск утечки, но одновременно замедляла ответы и лишала модель контекста. В сценарии перебронирования авиабилета отсутствие адреса или других данных могло помешать ИИ выполнить задачу без оператора.
Бизнесу требовалось совместить четыре условия:
Главным ограничением ранней версии платформы стала работа с персональными данными. ASAPP использовала собственный слой для поиска и удаления PII — имен, адресов и других идентификаторов. Такая защита снижала риск утечки, но одновременно замедляла ответы и лишала модель контекста. В сценарии перебронирования авиабилета отсутствие адреса или других данных могло помешать ИИ выполнить задачу без оператора.
Бизнесу требовалось совместить четыре условия:
- естественный диалог без жесткого меню;
- доступ к нужному контексту и внутренним системам;
- высокая скорость ответа и доступность сервиса;
- защита персональной информации на корпоративном уровне.
Результаты внедрения
По данным кейса AWS, внедрение принесло следующие результаты:
ИИ обрабатывает рутинную часть потока, поэтому операторы могут одновременно вести втрое больше сложных разговоров. При этом автоматизация не означает полного исключения людей: система оставляет им ситуации, где необходимы экспертная оценка, эмпатия или решение нестандартной проблемы.
Почему кейс важен для бизнеса
Главный вывод — эффект создает не сама LLM, а архитектура вокруг неё. ASAPP сочетает модели, правила маршрутизации, корпоративные данные, инструменты оценки, контроль безопасности и передачу диалога оператору. Без этих компонентов хороший демонстрационный чат редко превращается в устойчивый сервис.
Кейс также показывает, почему стоимость обращения нельзя оптимизировать отдельно от качества. Если ИИ просто закрывает дешевые вопросы, но увеличивает число повторных звонков, экономия оказывается формальной. ASAPP измеряет решение с первого обращения, долю эскалаций и самообслуживание — показатели, связанные с реальной нагрузкой на контакт-центр.
Кейс также показывает, почему стоимость обращения нельзя оптимизировать отдельно от качества. Если ИИ просто закрывает дешевые вопросы, но увеличивает число повторных звонков, экономия оказывается формальной. ASAPP измеряет решение с первого обращения, долю эскалаций и самообслуживание — показатели, связанные с реальной нагрузкой на контакт-центр.
Кейс ASAPP хорошо показывает: реальный эффект от ИИ создаёт не сама языковая модель, а архитектура вокруг неё — доступ к корпоративному контексту, безопасность, интеграции и своевременная передача сложных случаев оператору. Именно такой подход превращает ИИ из демонстрационной технологии в рабочий инструмент, который одновременно повышает качество сервиса и снижает его стоимость.
— Борис Левин, директор управляющей компании Komanda.ai
Что можно повторить в своей компании
- Выбрать ограниченный сценарий. Начать с категории обращений, где есть понятный результат: статус заказа, изменение бронирования, подбор тарифа или ответ по регламенту.
- Зафиксировать базовые метрики. До запуска измерить стоимость контакта, долю решения с первого раза, время ответа, повторные обращения и эскалации.
- Подключать только необходимые данные. Модель должна получать актуальный контекст, но доступ следует ограничить ролью, сценарием и минимально нужным набором полей.
- Разделить функции между компонентами. Поиск, классификация, генерация ответа и выполнение действия не обязательно поручать одной модели.
- Сохранить передачу человеку. Условия эскалации и полный контекст разговора нужно проектировать вместе с самим ИИ-сценарием.
- Проверять качество на реальных диалогах. Оценивать не только корректность текста, но и завершенность операции, безопасность, задержку и стоимость.
Вывод
ASAPP превратила генеративный ИИ в операционный слой контакт-центра: система ведет диалог, использует корпоративный контекст и выполняет типовые действия, а оператор подключается к более сложным случаям. Заявленные результаты — 91% решения с первого обращения и снижение стоимости чата на 77% — показывают потенциал подхода. Однако переносить эти цифры на другой бизнес напрямую нельзя: итог зависит от структуры обращений, качества данных, интеграций и методики измерения.
Примечание редакции: показатели приведены по материалам AWS и ASAPP и не являются независимым аудитом. На странице источника дата публикации не указана; материал обнаружен и проверен 21 июля 2026 года.
Источник: Aws.amazon.com
Частые вопросы
Какой результат получила ASAPP от внедрения генеративного ИИ?
Согласно кейсу AWS, 91% сложных обращений решаются с первого контакта, стоимость одного чата снизилась на 77%, а доля самообслуживания выросла на 49%.
Может ли ИИ полностью заменить операторов контакт-центра?
Кейс ASAPP показывает другую модель: ИИ автоматизирует повторяющиеся действия и передает сотрудникам сложные ситуации. Люди остаются частью процесса эскалации.
Почему ASAPP использует несколько языковых моделей?
Разные модели выполняют разные функции и выбираются с учетом канала, задержки и сложности задачи. Это помогает оптимизировать качество, скорость и стоимость.
Как ASAPP защищает персональные данные?
Компания использует встроенные механизмы контроля Amazon Bedrock и ограничивает обработку данных архитектурой платформы. По данным AWS, это позволило убрать собственный слой редактирования PII, который снижал качество ответов.
Какие метрики отслеживать при запуске ИИ в клиентском сервисе?
Минимальный набор — стоимость обращения, доля решения с первого контакта, число эскалаций, повторные обращения, время ответа, удовлетворённость клиента и доля успешно завершённых операций.