• Одно АРМ вместо разрозненных каналов: где появляется операционная эффективность.
• Не каждый диалог должен обрабатывать человек: как находить потенциал для автоматизации.
• Ритейл как полигон изменений: какие клиентские сценарии мы уже передали чат-ботам и что это дало бизнесу.

• Выбор оптимального набора функций для решения ключевых задач небольшого КЦ.
• Определение необходимого объёма интеграций с корпоративными системами.
• Использование возможностей платформы для создания единого рабочего пространства оператора.
• Формирование целостной истории обращений по всем каналам.
• Использование корпоративной BI-системы для контроля обработки обращений.

В рамках проекта на платформе ЭВРИКС создано единое рабочее место оператора, объединившее данные клиента, историю взаимодействий и основные операции с интеграцией в существующие банковские системы. Решение позволило сократить переключения между системами и обеспечить возможность дальнейшего развития контакт-центра без изменения ИТ-ландшафта банка.

• Технический вызов: масштабирование телефонии под сезонный пик.
• Архитектура решения: облачная платформа и осознанный отказ от мультиканальности в пользу глубины проработки voice-направления.
• Функциональные модули платформы, задействованные в Anex: от оценки качества ответов до сервиса аналитики в онлайн-режиме.
• Почему телефонная связь остается самым востребованным каналом в сфере услуг: мнение лидера российского туристического рынка Anex.

• Почему не получается сделать единую контекстную среду.
• Как использовать ИИ-возможности для усиления операторов.
• За счёт чего компаниям выстраивать единый ИИ-контекст и что доработала команда MANGO OFFICE.
• Демонстрация идеального пути клиента, оператора и руководителя с цифровыми помощниками, передачей контекста, омниканальными конспектами и ИИ-суфлёром в чатах.
• Какие шаги и идеи взять на вооружение в первую очередь, чтобы улучшить клиентский и пользовательский путь.

Контакт-центры внедряют ботов, считают процент автоматизации и планируют нагрузку на операторов. Но через пару лет одно обращение будут вести несколько ИИ-агентов и человек, который подключится на минуту. И привычные вопросы, сколько нужно операторов, что считать их нагрузкой и как оценивать работу бота, придётся задавать заново.

Через Webim каждый день проходит 30 млн. чатов. Опираясь на наш опыт, расскажем, к чему движется клиентский сервис и что контакт-центрам стоит начать менять уже сейчас.

Что обсудим:

• Почему деление сервиса на ботов и операторов скоро потеряет смысл, если одно обращение по очереди ведут несколько ИИ-агентов и человек
• Почему цель «не пустить клиента к оператору» вредит бизнесу и какой должна быть настоящая задача ИИ
• Как изменится рабочее место оператора, когда сотрудников в контакт-центре станет меньше, а каждый из них будет дороже
• Почему в эпоху ИИ выигрывает не тот, у кого лучшая модель, а тот, кто быстрее подстраивается под клиента
• Что изменится, когда в ваш чат вместо клиента начнёт писать его ИИ-ассистент

Успешные кейсы — эволюция голосовых и чат-ботов в ИИ-агентов. Без человека никуда — новый ИИ-функционал для операторов контакт-центра.

• Голосовой ИИ-агент федеральной сети клиник. Как ИИ-агент заменил голосового робота и разгрузил колл-центр на 40%. При этом не потерял ни одного клиента.
• Голосовой ИИ-агент доставки воды. Как ИИ-агент закрыл «слепую зону» в приёме заказов — и почему интеграция с CRM стала главным рычагом роста.
• Голосовой ИИ-агент для сервиса онлайн-бронирования отелей. Как ИИ-агент заменил аккаунт-менеджера отельеров.
• Базы знаний для ИИ-агента — RAG больше не нужен! Как мы автоматизировали создание базы знаний.
• Омниканальный контакт-центр с ИИ — эпицентр ИИ-агентов и каналов общения. Как мы объединили лучшие практики и важные данные в BI-системе.
• Интеллектуальный анализ диалогов. Как мы с помощью ИИ превратили речевую аналитику в смысловую.

• Развитие платформы ZIAX в области ИИ-ассистентов.
• Как использовать ИИ-ассистентов в компании.
• ИИ-ассистент в КЦ: повышаем производительность супервизора.
• Подводные камни при внедрении умных ассистентов в работу контакт-центра.

• Почему на демонстрации все боты выглядят гениально, а в реальности разочаровывают?
• Как клиенты формулируют свои вопросы и почему ваша база знаний их не понимает?
• Почему качество ответов падает после первого шага, даже если модель очень мощная?
• Почему поиск по базе знаний — не единственный правильный сценарий обработки реплик?
• Почему средние метрики качества — это ловушка для заказчика?
• Почему идеальная релевантность ответа не гарантирует его правильности?
• Как клиент на самом деле оценивает вашего бота и почему вы об этом не знаете?

Компании внедряют голосовых роботов в контакт-центр, ожидая замены части операторов и роста скорости обслуживания. На практике робот регулярно отвечает не так, как оператор, его метрики (FCR, AHT, CSAT) непредсказуемы и не совпадают с показателями операторов, а клиенты спустя месяцы после запуска продолжают просить переключить их на живого оператора. Причина носит системный характер, а не сводится к качеству конкретной модели:

• Операторы и робот учатся на разных источниках знаний: регламенты устаревают быстрее, чем их успевают довести до сотрудников.
• Разные каналы — звонки, чаты, видео — дают противоречивые формулировки ответа на один и тот же вопрос клиента.
• Робота обучают на «сыром» датасете диалогов, где смешаны хорошие и плохие практики операторов.
• В результате робот масштабирует не лучшие практики компании, а усреднённые, а иногда и откровенно неудачные ответы.

Дело не в модели. Дело в том, на чём она учится.

COPC CX Standard, Release 8.0 (2026) — операционный стандарт, на который три десятилетия ориентируются крупнейшие контакт-центры мира. Впервые в его истории стандарт формально требует единого управления ботами и живыми операторами по одним правилам (Unified Management Across Channels) и встроенного управления рисками ИИ (AI Governance Built In). Таким образом, необходимость устранения описанных проблем теперь закреплена как требование индустрии, а не частное наблюдение.

В докладе расскажем о том, как продукты компании 3iTech (речевая аналитика, суфлёры, тренажёры, AI-агенты) работают не по отдельности, а в составе единой платформы, где данные из аналитики тут же улучшают сценарии ботов и тренажёров. Это снижает стоимость владения и повышает эффективность.

• Тренды использования ИИ в клиентском сервисе.
• Какие задачи может решать ИИ.
• Какие задачи следует решать с помощью готовых продуктов.
• Примеры использования ИИ в клиентском сервисе Мосбиржи.
• Разумный подход и обоснованный расчёт затрат.

• Почему массовость перестала быть стратегией: как антиспам-ограничения, маркировка и фильтрация вызовов повышают цену нецелевого звонка и снижают доверие к бренду.
• Репутация номера как часть клиентского опыта: почему подозрительный или несвоевременный вызов снижает не только дозваниваемость, но и готовность клиента к диалогу.
• Кому, когда и с каким поводом звонить: как скоринг базы, сегментация, история попыток и правила повторного контакта помогают приоритизировать аудиторию с высокой вероятностью ответа.
• Меньше гудков, больше живых разговоров: как предиктивный режим, модуль дозвона и карусель номеров сокращают непроизводительное время операторов.
• Автоматизация без обезличивания: какие повторяемые сценарии стоит передать голосовому роботу, а где необходимы эмпатия, экспертиза и гибкость оператора.
• Качество после соединения: как AI-тренер и аналитика разговоров помогают находить повторяющиеся ошибки, улучшать сценарии и системно развивать команду.
• Новые KPI исходящих коммуникаций: почему вместо количества попыток стоит измерять долю полезных соединений, стоимость качественного разговора, результативность следующего шага и клиентский опыт.

• Гипотеза 1: Что не устроило в предложении? За отказом часто скрывается не общая неудовлетворённость, а один и тот же конкретный пункт — и он совсем не тот, о котором можно было бы подумать в первую очередь.
• Гипотеза 2: Незавершённое оформление заявки — сталкивался ли клиент с техническими проблемами? Клиенты прямо проговаривают причину, по которой заявка зависает, но её системно не слышат. Что именно они говорят?
• Гипотеза 3: Неподписанный договор — почему не получается подписать? Мы нашли повторяющиеся невидимые для оператора процедурные барьеры, которые превращали готовых клиентов в отказников. В чём они заключаются?
• Гипотеза 4: С какими конкурентами сравнивают клиенты и в чём? Мы выявили упоминаемых конкурентов и конкретные параметры, по которым нас сравнивают. И эта картина заметно отличается от той, что рисуют себе менеджеры.
• Гипотеза 5: Над чем клиенты хотят подумать? За фразой «я подумаю» кроются повторяющиеся темы. Какие именно — и как их закрыть до того, как клиент уйдёт думать?
• Гипотеза 6: Какие фразы или информация приводят к возражению со стороны клиента? Выявили триггерные слова, после которых возражения растут как снежный ком. Но есть слова-антидоты. Что это за фразы и насколько сильно они меняют результат?
• Гипотеза 7: Операторы, стабильно выполняющие план, используют нескриптовые или скриптовые формулировки? Ответ переворачивает привычное понимание «правильных» скриптов. Так как же на самом деле говорят лучшие?

В каждом КЦ годами копятся тысячи диалогов с клиентами — и почти везде эти данные живут как отчётность постфактум, которую никто не превращает в деньги. Расскажем в докладе, как собрать из архива разговоров коммуникативные профили оператора и клиента и заставить их работать в трёх горизонтах: на анализ и обучение команды, на подсказки и маршрутизацию прямо в момент разговора, на персонализацию и удержание в будущем — и почему связка речевой аналитики, CDP и AI-ассистентов делает это возможным именно сейчас.

Возражение — сигнал для всего бизнеса

• «Дорого», «у конкурента лучше» и «я подумаю» говорят не только о работе оператора, но и о продукте, ценности и позиционировании.
• Без системного анализа эти сигналы остаются в тысячах неструктурированных диалогов.

Инсайт-агент превращает звонки в гипотезы

• ИИ выявляет повторяющиеся причины отказов, сравнения с конкурентами и слабые места в аргументации.
• Руководитель получает основу для решений: что изменить в продукте, предложении, позиционировании или сценарии разговора.

Новый подход нужно не только придумать, но и отработать

• Гипотеза превращается в обновлённую логику работы с возражением: как уточнить контекст, показать ценность и выбрать нужный аргумент.
• Агент-тренер масштабирует этот подход через симуляции, а речевая аналитика оценивает его влияние на качество диалогов и KPI.

Голос клиента, который превращается в рост

• ИИ соединяет контур: голос клиента → продуктовая гипотеза → навык оператора.
• Возражения становятся источником роста продаж, сервиса и конкурентоспособности продукта.

В докладе будет рассказано о моей разработке аналитического решения для расчёта метрик на основании сырых данных.

В результате у заказчика решения появилось гораздо больше возможностей для анализа собственного КЦ:

• Гораздо более точный и полный расчёт существующих метрик.
• Расчёт новых аналитических метрик клиентских путей через КЦ.
• Появление дашборда-«микроскопа»: возможность «проваливаться» от суточной агрегации до детальной картины, где каждое взаимодействие клиента с КЦ представлено в нескольких строках данных с полным указанием всех параметров и участников.

В докладе я расскажу о сути решения, методологии его разработки, использовании ИИ для написания и проверки кода, а также для создания справочной документации.

• Как масштабировать вайбкодинг от таблиц Excel до интерактивных дашбордов для всего контакт-центра.
• Как административные сотрудники контакт-центра без навыков программирования самостоятельно создают отчётность и автоматизируют рутинные задачи.
• Как ИИ помогает автоматизировать WFM и сокращает зависимость от ИТ-ресурсов и очередей на разработку.
• Как внутренний конкурс ИИ-решений помогает сформировать в контакт-центре культуру «сделай сам».
• Как освободить сотрудников от операционной рутины, чтобы больше времени оставалось на работу с людьми и стратегические задачи.

Большинство КЦ тонут в десятках отчётов, которые никто не читает. Расскажем в докладе, как выстроить аналитику так, чтобы один дашборд заменил зоопарк отчётов, метрики запускали действия, а данные начали работать на предотвращение проблем, мотивацию команды и автоматизацию рутины, а не только на контроль.

• ИИ-тренажёр — эффективный инструмент для обучения сотрудников, снижающий затраты на обучение и контроль качества.
• Использование реальных диалогов вашей компании без риска для клиентов, с автоматической оценкой каждого ответа и мгновенной обратной связью.
• Повышение конверсии продаж и NPS — за счёт того, что каждый оператор работает на уровне лучшего сотрудника, а не среднего.

Контактные центры привыкли относиться к обучению как к отдельному этапу: вводный курс, проверка знаний и выход в линию. Но знание продукта и скрипта ещё не означает готовность к сложному разговору с реальным клиентом.

Голосовые ИИ-тренажёры позволяют перейти от разового обучения к постоянной отработке навыков. Оператор может безопасно тренироваться на реалистичных сценариях, пробовать разные модели поведения, получать обратную связь и исправлять ошибки до того, как с ними столкнётся клиент.

В выступлении разберём:

• Почему обучение по схеме «прослушал курс — сдал тест — вышел в линию» становится местом финансовых потерь и почему необходимо ещё развивать навык ведения диалога.
• Как перенести часть практики из реальных звонков в безопасную тренировочную среду.
• Как использовать ИИ-тренажёр при адаптации новичков и развитии опытных операторов.
• Как трансформируется роль тренера и почему он остаётся незаменим даже при наличии технологического решения.
• По каким показателям оценивать эффект обучения для контактного центра.