1. Почему не получается создать единую контекстную среду.
2. Как использовать ИИ-возможности для усиления операторов.
3. За счёт чего компаниям выстраивать единый ИИ-контекст и что доработали в MANGO OFFICE.
4. Демонстрация идеального пути клиента, оператора и руководителя с цифровыми помощниками, передачей контекста, омниканальными конспектами и ИИ-суфлёром в чатах.
5. Какие шаги и идеи забрать в первую очередь, чтобы улучшить клиентский и пользовательский путь.

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

• Один 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.

1. Почему привычная экономика КЦ меняется. Бизнес отдельно платит за ПО, телефонию и дополнительные коммуникационные сервисы, хотя все они работают на одну задачу.
2. «0 ₽» — не бесплатный продукт, а другая модель монетизации. При достаточном объёме коммуникаций стоимость ПО контакт-центра может включаться в общий пакет и снижаться вплоть до нуля.
3. Чем больше коммуникаций, тем заметнее экономика модели. Покажем на понятном примере, из каких расходов складывается КЦ сегодня и что меняется при пакетном подходе.
4. Один поставщик вместо набора подрядчиков. КЦ, голосовой трафик, номера, SMS, маркировка, проверка номеров, роботы, речевая аналитика и другие сервисы могут работать в едином контуре.
5. Экономия не только на лицензиях. Меньше отдельных договоров, интеграций, зон ответственности и точек технической поддержки.
6. Что нужно учитывать до перехода. Такая модель выгодна не всем одинаково: эффект зависит от масштаба КЦ, структуры трафика и набора используемых сервисов.

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

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

• 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 ИИ-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.

1. 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.
2. 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.
3. 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.
4. 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 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 ИИ-ассистентов делает это возможным именно сейчас.

1. 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.
2. 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?
3. 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?
4. Гипотеза 4. С какими конкурентами клиенты нас сравнивают и по каким параметрам? Мы выявили упоминаемых конкурентов и конкретные параметры, по которым нас сравнивают. И эта картина заметно отличается от той, что рисуют себе менеджеры.
5. 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?
6. 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?
7. Гипотеза 7. Операторы, стабильно выполняющие план, используют скриптовые или нескриптовые формулировки? Ответ переворачивает привычное понимание «правильных» скриптов. Так как же на самом деле говорят лучшие?

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.

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:

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