Самый большой контакт-центр в России принадлежит государству. К таком выводу приходишь, когда смотришь на цифры: к весне 2026 года цифровой помощник «Макс» на портале Госуслуг провёл более 3,5 миллиарда консультаций. Это больше, чем обработали большинство коммерческих контакт-центров страны за всё время их существования, вместе взятые.
Для нас в imot.io эта история особенно близка — мы занимаемся разметкой диалогов, и не только голосовых, но и текстовых. Чаты, мессенджеры, переписка с ботами — всё это полноценная коммуникация, которую можно и нужно анализировать. Когда мы работаем с такими диалогами, нас интересует одно: почему один бот удерживает пользователя, а другой теряет его на третьем сообщении. Случай Госуслуг в этом смысле — учебник с живыми примерами.
Посмотрим на него глазами тех, кто проектирует клиентскую коммуникацию.
Для нас в imot.io эта история особенно близка — мы занимаемся разметкой диалогов, и не только голосовых, но и текстовых. Чаты, мессенджеры, переписка с ботами — всё это полноценная коммуникация, которую можно и нужно анализировать. Когда мы работаем с такими диалогами, нас интересует одно: почему один бот удерживает пользователя, а другой теряет его на третьем сообщении. Случай Госуслуг в этом смысле — учебник с живыми примерами.
Посмотрим на него глазами тех, кто проектирует клиентскую коммуникацию.
Масштаб, который меняет правила
Портал Госуслуг к концу 2025 года набрал 120 миллионов зарегистрированных пользователей, ежедневная аудитория достигла 14 миллионов человек — рост 40% к 2024-му. Данные подтверждены Министерством цифрового развития и ТАСС. За год через портал прошло 900 миллионов заявок на услуги.
Всё это обслуживает один цифровой помощник — Макс. Разработан командой РТЛабс, работает в текстовом чате. С декабря 2024 года получил LLM-надстройку: база знаний переведена на RAG-архитектуру, ответы стали нешаблонными, контекстными. По данным РТЛабс на Хабре, внедрение LLM снизило долю некорректных ответов с 22% до 10%. В диалоговом режиме работает более 30 государственных услуг.
Теперь сравним с рынком. Российский рынок аутсорсинговых контакт-центров в 2024 году составил около 29–40 миллиардов рублей в зависимости от методологии подсчёта. Но объём обрабатываемых диалогов у единственного государственного бота в сегменте гражданских запросов не сравним ни с одним коммерческим игроком. Это и делает Макса интересным объектом изучения: на таком масштабе нельзя скрыть плохой дизайн.
Маленький бот в небольшом онлайн-магазине может позволить себе «извините, я вас не понял» — пользователь закроет чат и позвонит сам. Госуслуги такой роскоши лишены. Там пользователь записывает ребёнка в садик, переоформляет машину, подаёт на пенсию. Уйти некуда — нужно решить вопрос здесь. Именно это давление вынудило команду думать об UX серьёзнее, чем любой коммерческий стартап.
Всё это обслуживает один цифровой помощник — Макс. Разработан командой РТЛабс, работает в текстовом чате. С декабря 2024 года получил LLM-надстройку: база знаний переведена на RAG-архитектуру, ответы стали нешаблонными, контекстными. По данным РТЛабс на Хабре, внедрение LLM снизило долю некорректных ответов с 22% до 10%. В диалоговом режиме работает более 30 государственных услуг.
Теперь сравним с рынком. Российский рынок аутсорсинговых контакт-центров в 2024 году составил около 29–40 миллиардов рублей в зависимости от методологии подсчёта. Но объём обрабатываемых диалогов у единственного государственного бота в сегменте гражданских запросов не сравним ни с одним коммерческим игроком. Это и делает Макса интересным объектом изучения: на таком масштабе нельзя скрыть плохой дизайн.
Маленький бот в небольшом онлайн-магазине может позволить себе «извините, я вас не понял» — пользователь закроет чат и позвонит сам. Госуслуги такой роскоши лишены. Там пользователь записывает ребёнка в садик, переоформляет машину, подаёт на пенсию. Уйти некуда — нужно решить вопрос здесь. Именно это давление вынудило команду думать об UX серьёзнее, чем любой коммерческий стартап.
Урок первый. Честность о природе помощника
Первое, что сделала продуктовая команда Макса правильно, — перестала играть в людей.
Большинство коммерческих чат-ботов при первом контакте прячут свою природу. Пользователь видит имя «Алёна», «Катя», «Дмитрий» — и воспринимает это как живого сотрудника. До первого сбоя. Когда бот не понимает нестандартный вопрос, разрыв между ожиданием («живой человек решит мою задачу») и реальностью («автоматическая система по шаблону») создаёт острое раздражение — сильнее, чем если бы пользователь с самого начала знал, что говорит с роботом.
Это подтверждают данные исследований. Опрос Анкетолога 2024 года среди 3620 россиян, имеющих опыт общения с голосовыми помощниками, показал: 58% опрошенных негативно относятся к телефонным роботам, причём многие именно потому, что боты ведут себя неестественно и не сообщают о своей природе сразу. При этом 70% россиян понимают, что говорят с ботом, по манере речи и шаблонным сценариям.
Исследование НАФИ 2025 года — 6213 человек по всероссийской выборке — зафиксировало: 57% россиян сталкивались с ситуацией, когда не могли понять, человек это или бот. Это не комплимент технологии; для большинства это источник тревоги и потери доверия. Каждый третий опрошенный (35%) оценил взаимодействие с ботом негативно.
Международная картина похожа. Gartner в июле 2024 года опросил 5728 потребителей и обнаружил: 64% предпочли бы, чтобы компании вообще не использовали AI в клиентском сервисе. Ещё 60% беспокоятся, что AI сделает путь к живому оператору сложнее. Страх «исчезновения человека» — один из главных барьеров к доверию.
Именно этот барьер Макс снял простым решением. В самом начале диалога ассистент чётко говорит, что он — робот, называет, что умеет делать, и что не умеет. Никакого имитирования живого сотрудника, никаких «я тут чтобы вам помочь» в духе продающего менеджера. Пользователь сразу понимает: передо мной автоматическая система с конкретным набором возможностей.
Почему это работает? Есть механизм, который хорошо изучен в UX-исследованиях: когда система честна о своих ограничениях заранее, пользователь настраивается на реалистичные ожидания. Разочарование при сбое оказывается меньше — потому что сбоя «по сравнению с ожиданиями» не произошло. Технологи называют это «управлением ожиданиями», но в применении к текстовым диалогам это просто честная коммуникация.
Коммерческий соблазн противоположен: назвать бота человеческим именем, чтобы снизить барьер входа. Но барьер снижается ненадолго. При первом неудовлетворённом запросе пользователь злится сильнее — и доверие падает ниже нуля, ниже того уровня, при котором он бы изначально принял автоматическую систему.
Для тех, кто проектирует диалоги: честность о природе помощника — это не этическое требование (хотя и это тоже), а прагматичное решение. Оно снижает отток на длинной дистанции.
Большинство коммерческих чат-ботов при первом контакте прячут свою природу. Пользователь видит имя «Алёна», «Катя», «Дмитрий» — и воспринимает это как живого сотрудника. До первого сбоя. Когда бот не понимает нестандартный вопрос, разрыв между ожиданием («живой человек решит мою задачу») и реальностью («автоматическая система по шаблону») создаёт острое раздражение — сильнее, чем если бы пользователь с самого начала знал, что говорит с роботом.
Это подтверждают данные исследований. Опрос Анкетолога 2024 года среди 3620 россиян, имеющих опыт общения с голосовыми помощниками, показал: 58% опрошенных негативно относятся к телефонным роботам, причём многие именно потому, что боты ведут себя неестественно и не сообщают о своей природе сразу. При этом 70% россиян понимают, что говорят с ботом, по манере речи и шаблонным сценариям.
Исследование НАФИ 2025 года — 6213 человек по всероссийской выборке — зафиксировало: 57% россиян сталкивались с ситуацией, когда не могли понять, человек это или бот. Это не комплимент технологии; для большинства это источник тревоги и потери доверия. Каждый третий опрошенный (35%) оценил взаимодействие с ботом негативно.
Международная картина похожа. Gartner в июле 2024 года опросил 5728 потребителей и обнаружил: 64% предпочли бы, чтобы компании вообще не использовали AI в клиентском сервисе. Ещё 60% беспокоятся, что AI сделает путь к живому оператору сложнее. Страх «исчезновения человека» — один из главных барьеров к доверию.
Именно этот барьер Макс снял простым решением. В самом начале диалога ассистент чётко говорит, что он — робот, называет, что умеет делать, и что не умеет. Никакого имитирования живого сотрудника, никаких «я тут чтобы вам помочь» в духе продающего менеджера. Пользователь сразу понимает: передо мной автоматическая система с конкретным набором возможностей.
Почему это работает? Есть механизм, который хорошо изучен в UX-исследованиях: когда система честна о своих ограничениях заранее, пользователь настраивается на реалистичные ожидания. Разочарование при сбое оказывается меньше — потому что сбоя «по сравнению с ожиданиями» не произошло. Технологи называют это «управлением ожиданиями», но в применении к текстовым диалогам это просто честная коммуникация.
Коммерческий соблазн противоположен: назвать бота человеческим именем, чтобы снизить барьер входа. Но барьер снижается ненадолго. При первом неудовлетворённом запросе пользователь злится сильнее — и доверие падает ниже нуля, ниже того уровня, при котором он бы изначально принял автоматическую систему.
Для тех, кто проектирует диалоги: честность о природе помощника — это не этическое требование (хотя и это тоже), а прагматичное решение. Оно снижает отток на длинной дистанции.
Урок второй. Сбой — не тупик, а развилка
Каждый чат-бот ошибается. Вопрос не в том, будет ли непонимание, а в том, что происходит после него.
Стандартный сценарий коммерческого бота: «Извините, я вас не понял. Попробуйте переформулировать.» Пользователь переформулирует — снова то же самое. После двух-трёх таких итераций значительная часть людей просто уходит. По данным California Management Review, 53–77% пользователей сталкивались с негативным опытом взаимодействия с чат-ботами, и одна из ключевых причин — ощущение «ловушки»: нельзя выйти из бессмысленного цикла.
Ловушка устроена следующим образом: бот не понял запрос → предлагает переформулировать → пользователь переформулирует → бот снова не понимает → круг замкнулся. Человек тратит время, но проблема не решается. Это не просто плохой UX — это потеря лояльности. Исследование Gartner фиксирует: 53% потребителей готовы уйти к конкуренту, если узнают, что компания планирует внедрять AI в клиентский сервис. Логика понятна: люди уже обожглись на таких ботах.
Макс пошёл другим путём. При непонимании запроса он не просит переформулировать. Он сам предлагает несколько похожих по смыслу формулировок в виде кнопок. Пользователь видит: «Вы имеете в виду: замена паспорта / утеря паспорта / проверка готовности паспорта?» и нажимает ближайший вариант. Проблема не решилась, но и тупика нет — есть выбор из правдоподобных опций.
Механика этого решения точная. Когда человек формулирует запрос, он делает это в своём собственном языке, который может не совпасть с терминологией системы. Задача бота — помочь пользователю нащупать правильный маршрут, а не заставить его выучить нужные слова. Кнопки с вариантами снижают когнитивную нагрузку и одновременно сужают пространство неопределённости.
Это дороже в разработке, чем «не понял, переформулируйте». Нужно заранее продумать кластеры близких по смыслу запросов, разметить их, связать с кнопочными вариантами. По данным РТЛабс, команда создала базу знаний из более чем трёх тысяч комплексных вопросов — именно для того, чтобы покрыть как можно больше семантических вариантов одного запроса. С внедрением LLM качество сопоставления выросло дополнительно.
Инвестиция в разработку окупается снижением числа брошенных диалогов. Для коммерческого бота потеря пользователя в чате — это конкретная цена: незавершённая заявка, незаключённая сделка, недовольный клиент, который расскажет об этом опыте другим. Отказ от «переформулируйте» в пользу управляемых развилок — это решение с измеримым ROI.
Есть и менее очевидный эффект. Когда пользователь видит список близких вариантов, он понимает, что система его «почти поняла». Это поддерживает ощущение контроля над диалогом. Ощущение контроля — один из ключевых факторов удовлетворённости в любом интерфейсе. «Система предлагает выбор» воспринимается иначе, чем «система не понимает».
Стандартный сценарий коммерческого бота: «Извините, я вас не понял. Попробуйте переформулировать.» Пользователь переформулирует — снова то же самое. После двух-трёх таких итераций значительная часть людей просто уходит. По данным California Management Review, 53–77% пользователей сталкивались с негативным опытом взаимодействия с чат-ботами, и одна из ключевых причин — ощущение «ловушки»: нельзя выйти из бессмысленного цикла.
Ловушка устроена следующим образом: бот не понял запрос → предлагает переформулировать → пользователь переформулирует → бот снова не понимает → круг замкнулся. Человек тратит время, но проблема не решается. Это не просто плохой UX — это потеря лояльности. Исследование Gartner фиксирует: 53% потребителей готовы уйти к конкуренту, если узнают, что компания планирует внедрять AI в клиентский сервис. Логика понятна: люди уже обожглись на таких ботах.
Макс пошёл другим путём. При непонимании запроса он не просит переформулировать. Он сам предлагает несколько похожих по смыслу формулировок в виде кнопок. Пользователь видит: «Вы имеете в виду: замена паспорта / утеря паспорта / проверка готовности паспорта?» и нажимает ближайший вариант. Проблема не решилась, но и тупика нет — есть выбор из правдоподобных опций.
Механика этого решения точная. Когда человек формулирует запрос, он делает это в своём собственном языке, который может не совпасть с терминологией системы. Задача бота — помочь пользователю нащупать правильный маршрут, а не заставить его выучить нужные слова. Кнопки с вариантами снижают когнитивную нагрузку и одновременно сужают пространство неопределённости.
Это дороже в разработке, чем «не понял, переформулируйте». Нужно заранее продумать кластеры близких по смыслу запросов, разметить их, связать с кнопочными вариантами. По данным РТЛабс, команда создала базу знаний из более чем трёх тысяч комплексных вопросов — именно для того, чтобы покрыть как можно больше семантических вариантов одного запроса. С внедрением LLM качество сопоставления выросло дополнительно.
Инвестиция в разработку окупается снижением числа брошенных диалогов. Для коммерческого бота потеря пользователя в чате — это конкретная цена: незавершённая заявка, незаключённая сделка, недовольный клиент, который расскажет об этом опыте другим. Отказ от «переформулируйте» в пользу управляемых развилок — это решение с измеримым ROI.
Есть и менее очевидный эффект. Когда пользователь видит список близких вариантов, он понимает, что система его «почти поняла». Это поддерживает ощущение контроля над диалогом. Ощущение контроля — один из ключевых факторов удовлетворённости в любом интерфейсе. «Система предлагает выбор» воспринимается иначе, чем «система не понимает».
Урок третий. Переход к человеку без уговоров
Это, пожалуй, самый болезненный момент в большинстве коммерческих ботов. И здесь Госуслуги снова сделали иначе.
Типичный сценарий: пользователь несколько раз не смог решить вопрос через бота и пишет «позовите оператора» или «человека». Бот отвечает: «Конечно, но давайте я сначала попробую помочь ещё раз» — и снова по кругу. Это явление получило в индустрии название «chatbot loop», и оно вызывает у пользователей острое раздражение. Не ту мягкую неудовлетворённость, которая быстро забывается, а настоящий гнев — по данным California Management Review, она ведёт к снижению доверия к компании и готовности совершать повторные покупки.
Логика, которая за этим стоит у разработчиков, понятна: бот стоит дешевле оператора, поэтому выгодно максимально удержать пользователя в автоматическом режиме. Но экономия на операторе в моменте оборачивается потерей клиента в перспективе.
Макс работает по другому правилу. Если пользователь написал «оператор», «человек», «живой сотрудник» — передача происходит немедленно, без «давайте попробуем ещё раз». Бот не уговаривает. Это уважение к сигналу пользователя: если он требует живого человека, значит, ресурс автоматической системы для него исчерпан.
Лучшие практики UX-проектирования для ботов давно закрепили это правило. Руководства по проектированию диалоговых интерфейсов формулируют его прямо: если пользователь написал «agent», «human», «I want a person» — немедленная передача, без посредников. Это не опция, это базовое требование к системе с хорошим UX.
За этим решением стоит понимание того, что чат-бот и живой оператор — это не конкуренты в одном пространстве, а части одного процесса. Бот закрывает стандартные, повторяемые, хорошо формализованные запросы. Оператор нужен там, где ситуация нестандартная, эмоционально заряженная или технически сложная. Попытка удержать пользователя в боте в момент, когда он требует живого человека, разрушает оба звена сразу: бот выглядит навязчивым, оператор — недоступным.
Данные Gartner подтверждают: только 14% клиентских запросов полностью решаются через самообслуживание без помощи оператора. Это значит, что для 86% случаев путь к живому сотруднику рано или поздно нужен. Закрывать его — значит накапливать неудовлетворённость, которая потом выходит в негативные отзывы и отток.
Типичный сценарий: пользователь несколько раз не смог решить вопрос через бота и пишет «позовите оператора» или «человека». Бот отвечает: «Конечно, но давайте я сначала попробую помочь ещё раз» — и снова по кругу. Это явление получило в индустрии название «chatbot loop», и оно вызывает у пользователей острое раздражение. Не ту мягкую неудовлетворённость, которая быстро забывается, а настоящий гнев — по данным California Management Review, она ведёт к снижению доверия к компании и готовности совершать повторные покупки.
Логика, которая за этим стоит у разработчиков, понятна: бот стоит дешевле оператора, поэтому выгодно максимально удержать пользователя в автоматическом режиме. Но экономия на операторе в моменте оборачивается потерей клиента в перспективе.
Макс работает по другому правилу. Если пользователь написал «оператор», «человек», «живой сотрудник» — передача происходит немедленно, без «давайте попробуем ещё раз». Бот не уговаривает. Это уважение к сигналу пользователя: если он требует живого человека, значит, ресурс автоматической системы для него исчерпан.
Лучшие практики UX-проектирования для ботов давно закрепили это правило. Руководства по проектированию диалоговых интерфейсов формулируют его прямо: если пользователь написал «agent», «human», «I want a person» — немедленная передача, без посредников. Это не опция, это базовое требование к системе с хорошим UX.
За этим решением стоит понимание того, что чат-бот и живой оператор — это не конкуренты в одном пространстве, а части одного процесса. Бот закрывает стандартные, повторяемые, хорошо формализованные запросы. Оператор нужен там, где ситуация нестандартная, эмоционально заряженная или технически сложная. Попытка удержать пользователя в боте в момент, когда он требует живого человека, разрушает оба звена сразу: бот выглядит навязчивым, оператор — недоступным.
Данные Gartner подтверждают: только 14% клиентских запросов полностью решаются через самообслуживание без помощи оператора. Это значит, что для 86% случаев путь к живому сотруднику рано или поздно нужен. Закрывать его — значит накапливать неудовлетворённость, которая потом выходит в негативные отзывы и отток.
Почему коммерческие боты делают наоборот
Разрыв между тем, как работает Макс, и как работают большинство коммерческих ботов, не случаен. Он объясняется разными системами стимулов.
Продуктовая команда Госуслуг измеряет успех через удовлетворённость пользователя: решена ли его задача, вернётся ли он снова, насколько позитивно он воспринимает государственный сервис. Отток пользователя от портала Госуслуг не несёт коммерческого риска в привычном смысле — он несёт репутационный и политический риск. Это заставляет фокусироваться на реальном качестве взаимодействия.
У коммерческих ботов стимулы другие. Их нередко оценивают по стоимости отклонения — проценту запросов, закрытых без участия оператора. Чем выше это число, тем лучше отчётность перед руководством. Но когда метрика «отклонение» становится целью, а не следствием хорошего UX, команда начинает оптимизировать её напрямую: усложнять передачу к оператору, затягивать диалог в боте, игнорировать сигналы раздражения пользователя.
В итоге формируется парадокс: бот стоит дешевле оператора в расчёте на один контакт, но дорогостоящее ухудшение клиентского опыта не попадает в отчёт по ботам — оно попадает в отчёт по оттоку или повторным обращениям, которые измеряют другие команды. Проблема видна только тогда, когда смотришь на полный путь пользователя, а не на отдельную функцию.
Ещё один фактор — скорость запуска. Коммерческие боты часто выходят на рынок быстро: базовый сценарий, несколько ключевых слов, имитация живого диалога для снижения барьера. Тестирование UX на реальных пользователях — дольше и дороже. Госуслуги с их масштабом не могут позволить себе «выкатить и посмотреть, как пойдёт»: каждый сбой в системе, которой пользуются 14 миллионов человек ежедневно, имеет последствия.
Именно поэтому команда РТЛабс проводила глубокие JTBD-исследования по сегментам аудитории (15–35, 36–50, 51+ лет), прежде чем внедрять изменения. Не A/B-тест «что кликают больше», а качественное исследование пользовательских задач. Это редкость для ботов в коммерческом секторе.
Продуктовая команда Госуслуг измеряет успех через удовлетворённость пользователя: решена ли его задача, вернётся ли он снова, насколько позитивно он воспринимает государственный сервис. Отток пользователя от портала Госуслуг не несёт коммерческого риска в привычном смысле — он несёт репутационный и политический риск. Это заставляет фокусироваться на реальном качестве взаимодействия.
У коммерческих ботов стимулы другие. Их нередко оценивают по стоимости отклонения — проценту запросов, закрытых без участия оператора. Чем выше это число, тем лучше отчётность перед руководством. Но когда метрика «отклонение» становится целью, а не следствием хорошего UX, команда начинает оптимизировать её напрямую: усложнять передачу к оператору, затягивать диалог в боте, игнорировать сигналы раздражения пользователя.
В итоге формируется парадокс: бот стоит дешевле оператора в расчёте на один контакт, но дорогостоящее ухудшение клиентского опыта не попадает в отчёт по ботам — оно попадает в отчёт по оттоку или повторным обращениям, которые измеряют другие команды. Проблема видна только тогда, когда смотришь на полный путь пользователя, а не на отдельную функцию.
Ещё один фактор — скорость запуска. Коммерческие боты часто выходят на рынок быстро: базовый сценарий, несколько ключевых слов, имитация живого диалога для снижения барьера. Тестирование UX на реальных пользователях — дольше и дороже. Госуслуги с их масштабом не могут позволить себе «выкатить и посмотреть, как пойдёт»: каждый сбой в системе, которой пользуются 14 миллионов человек ежедневно, имеет последствия.
Именно поэтому команда РТЛабс проводила глубокие JTBD-исследования по сегментам аудитории (15–35, 36–50, 51+ лет), прежде чем внедрять изменения. Не A/B-тест «что кликают больше», а качественное исследование пользовательских задач. Это редкость для ботов в коммерческом секторе.
Кто задаёт планку ожиданий
Здесь мы подходим к тезису, который кажется неочевидным, но важен для всех, кто проектирует клиентскую коммуникацию.
Принято считать, что стандарт клиентского опыта задают крупные коммерческие платформы — маркетплейсы, банки, экосистемы. Но это неполная картина. Стандарт задаётся тем, что пользователь использует чаще всего — и не только в коммерческом контексте.
Для значительной части россиян Госуслуги стали одним из основных цифровых интерфейсов. Человек записывает ребёнка в школу, оформляет льготу, получает справку — всё через один портал, несколько раз в год. Каждый раз он взаимодействует с Максом. И если Макс не притворяется человеком, честно говорит о своих ограничениях и не держит в боте насильно — пользователь начинает считать это нормой.
Придя потом в чат коммерческой компании, этот же человек сталкивается с ботом, который изображает живого «менеджера Андрея». На третьем непонимании он злится — и злится сильнее, чем если бы никогда не видел, как это может работать по-другому. Референтный опыт сформирован.
Этот механизм работает в обе стороны. Если конкурент выстраивает лучший диалоговый интерфейс — пользователи сравнивают с ним. Если государственный сервис показывает, что автоматическая система может быть честной и полезной — пользователи ждут того же от коммерческих компаний.
Принято считать, что стандарт клиентского опыта задают крупные коммерческие платформы — маркетплейсы, банки, экосистемы. Но это неполная картина. Стандарт задаётся тем, что пользователь использует чаще всего — и не только в коммерческом контексте.
Для значительной части россиян Госуслуги стали одним из основных цифровых интерфейсов. Человек записывает ребёнка в школу, оформляет льготу, получает справку — всё через один портал, несколько раз в год. Каждый раз он взаимодействует с Максом. И если Макс не притворяется человеком, честно говорит о своих ограничениях и не держит в боте насильно — пользователь начинает считать это нормой.
Придя потом в чат коммерческой компании, этот же человек сталкивается с ботом, который изображает живого «менеджера Андрея». На третьем непонимании он злится — и злится сильнее, чем если бы никогда не видел, как это может работать по-другому. Референтный опыт сформирован.
Этот механизм работает в обе стороны. Если конкурент выстраивает лучший диалоговый интерфейс — пользователи сравнивают с ним. Если государственный сервис показывает, что автоматическая система может быть честной и полезной — пользователи ждут того же от коммерческих компаний.
Что всё это значит для разметки диалогов
Мы упоминали в начале: imot.io работает не только с голосом, но и с текстом. Чаты — полноценный источник данных о клиентском опыте. И наблюдения из работы с такими диалогами подтверждают то, о чём говорит опыт Госуслуг.
Когда мы размечаем текстовые диалоги, выделяются несколько паттернов, которые хорошо коррелируют с метриками удовлетворённости:
Момент раскрытия природы. В транскрипте чётко видно, в какой момент пользователь понял, что говорит с ботом, а не с человеком — обычно по резкому изменению тональности. Если это происходит на фоне неудовлетворённого запроса, следующие реплики пользователя резко меняются. Раздражение, короткие агрессивные фразы, выход из диалога. В диалогах, где бот сразу представился роботом, этого скачка нет.
Количество кругов непонимания. В нашей практике с текстовыми диалогами хорошо прослеживается: после второго подряд «не понял» вероятность брошенного диалога существенно растёт. Алгоритм «предложить варианты» вместо «переформулируйте» обрывает эту цепочку. Если в диалоге появляются пользовательские варианты выбора — это сигнал, что система предоставила развилку, а не тупик.
Сигнал на переключение. Слова «оператор», «человек», «менеджер», «жалоба» — это диагностические маркеры исчерпания автоматического ресурса. В диалогах, где система реагирует на них немедленной передачей, следующая фаза разговора начинается с нейтральной или позитивной тональности. В диалогах, где бот продолжает попытки, — нейтральное обращение превращается в раздражённое.
Именно поэтому текстовые диалоги — такой же ценный объект для разметки, как и голос. Паттерны, которые мы описали выше, читаются в транскрипте так же чётко, как паттерны в разговоре. Иногда даже чётче: текст фиксирует точные слова, а не интерпретацию тона.
Рынок движется в эту сторону. По данным IKS Consulting, за пять лет количество обрабатываемых чатов и сообщений в социальных сетях в контакт-центрах выросло более чем в 20 раз. Рынок диалогового AI в России, по данным Naumen, достиг 8 миллиардов рублей к 2024 году с ростом 34%. Текстовые диалоги больше не второстепенный канал — они превратились в основной поток клиентской коммуникации для многих компаний.
Когда мы размечаем текстовые диалоги, выделяются несколько паттернов, которые хорошо коррелируют с метриками удовлетворённости:
Момент раскрытия природы. В транскрипте чётко видно, в какой момент пользователь понял, что говорит с ботом, а не с человеком — обычно по резкому изменению тональности. Если это происходит на фоне неудовлетворённого запроса, следующие реплики пользователя резко меняются. Раздражение, короткие агрессивные фразы, выход из диалога. В диалогах, где бот сразу представился роботом, этого скачка нет.
Количество кругов непонимания. В нашей практике с текстовыми диалогами хорошо прослеживается: после второго подряд «не понял» вероятность брошенного диалога существенно растёт. Алгоритм «предложить варианты» вместо «переформулируйте» обрывает эту цепочку. Если в диалоге появляются пользовательские варианты выбора — это сигнал, что система предоставила развилку, а не тупик.
Сигнал на переключение. Слова «оператор», «человек», «менеджер», «жалоба» — это диагностические маркеры исчерпания автоматического ресурса. В диалогах, где система реагирует на них немедленной передачей, следующая фаза разговора начинается с нейтральной или позитивной тональности. В диалогах, где бот продолжает попытки, — нейтральное обращение превращается в раздражённое.
Именно поэтому текстовые диалоги — такой же ценный объект для разметки, как и голос. Паттерны, которые мы описали выше, читаются в транскрипте так же чётко, как паттерны в разговоре. Иногда даже чётче: текст фиксирует точные слова, а не интерпретацию тона.
Рынок движется в эту сторону. По данным IKS Consulting, за пять лет количество обрабатываемых чатов и сообщений в социальных сетях в контакт-центрах выросло более чем в 20 раз. Рынок диалогового AI в России, по данным Naumen, достиг 8 миллиардов рублей к 2024 году с ростом 34%. Текстовые диалоги больше не второстепенный канал — они превратились в основной поток клиентской коммуникации для многих компаний.
Практические выводы для тех, кто проектирует диалоги
Опыт Госуслуг даёт конкретные ориентиры. Не абстрактные принципы, а решения с понятным механизмом.
Раскрывайте природу помощника в самом начале. Один короткий абзац или фраза «я — автоматическая система» снимает главный источник будущего раздражения. Если вы боитесь, что это снизит вовлечённость — протестируйте. Данные по удержанию в диалоге, скорее всего, вас удивят: пользователи, которые изначально знают, что говорят с роботом, реже бросают диалог при первом сбое.
Замените «переформулируйте» на управляемые развилки. Это требует предварительной работы по кластеризации запросов и разметке семантических вариантов. Но именно эта работа — то, что отличает бота, который удерживает пользователей, от бота, который их отпугивает. Инвестиция в разметку окупается через снижение брошенных сессий.
Сделайте выход к живому оператору немедленным. Любое слово из группы «оператор / человек / менеджер / хочу говорить с человеком» — передача без дополнительных шагов. Это не потеря для бота; это нормальное завершение его части работы.
Измеряйте текстовые диалоги так же серьёзно, как голосовые. Посмотрите на транскрипты своих чатов: сколько диалогов заканчиваются после второго «не понял»? Как часто пользователи просят оператора — и получают ли его немедленно? Где в тексте появляется агрессия? Эти паттерны читаемы и измеримы.
Отделите метрику отклонения от метрики решённой задачи. Бот может закрыть контакт «без оператора» — и при этом оставить пользователя с нерешённой проблемой. Такое «отклонение» — хуже, чем передача к живому человеку. Если ваш бот оценивается только по проценту отклонений — система стимулов работает против пользователя.
Раскрывайте природу помощника в самом начале. Один короткий абзац или фраза «я — автоматическая система» снимает главный источник будущего раздражения. Если вы боитесь, что это снизит вовлечённость — протестируйте. Данные по удержанию в диалоге, скорее всего, вас удивят: пользователи, которые изначально знают, что говорят с роботом, реже бросают диалог при первом сбое.
Замените «переформулируйте» на управляемые развилки. Это требует предварительной работы по кластеризации запросов и разметке семантических вариантов. Но именно эта работа — то, что отличает бота, который удерживает пользователей, от бота, который их отпугивает. Инвестиция в разметку окупается через снижение брошенных сессий.
Сделайте выход к живому оператору немедленным. Любое слово из группы «оператор / человек / менеджер / хочу говорить с человеком» — передача без дополнительных шагов. Это не потеря для бота; это нормальное завершение его части работы.
Измеряйте текстовые диалоги так же серьёзно, как голосовые. Посмотрите на транскрипты своих чатов: сколько диалогов заканчиваются после второго «не понял»? Как часто пользователи просят оператора — и получают ли его немедленно? Где в тексте появляется агрессия? Эти паттерны читаемы и измеримы.
Отделите метрику отклонения от метрики решённой задачи. Бот может закрыть контакт «без оператора» — и при этом оставить пользователя с нерешённой проблемой. Такое «отклонение» — хуже, чем передача к живому человеку. Если ваш бот оценивается только по проценту отклонений — система стимулов работает против пользователя.
Итоги
Госуслуги с роботом Максом показывают, что честный, хорошо спроектированный диалоговый помощник возможен на любом масштабе — даже на 14 миллионах ежедневных пользователей. Три принципа, которые команда реализовала практически: честность о природе помощника, управляемые развилки при сбое и немедленный выход к оператору по запросу — это не инновации. Это хороший UX, который давно описан в лучших практиках, но редко встречается в реальных коммерческих системах.
Причина разрыва не в технологии — технология сейчас доступна всем. Причина в том, как измеряется успех. Если мерить процент отклонений, получишь одну систему. Если мерить процент решённых задач и удовлетворённость при выходе — другую.
Мы рекомендуем: если вы сейчас настраиваете или переделываете своего голосового или текстового помощника, потратьте неделю на Макса как пользователь. Попробуйте решить через него три-четыре бытовые задачи. Посмотрите, как он ведёт себя при сбое и как реагирует на «позовите человека». Эмпирика дешёвая — выводы могут изменить то, как вы думаете о собственном боте.
Если хотите разобраться, что происходит в ваших текстовых диалогах прямо сейчас – мы можем посмотреть на транскрипты вместе. Обращайтесь.
Причина разрыва не в технологии — технология сейчас доступна всем. Причина в том, как измеряется успех. Если мерить процент отклонений, получишь одну систему. Если мерить процент решённых задач и удовлетворённость при выходе — другую.
Мы рекомендуем: если вы сейчас настраиваете или переделываете своего голосового или текстового помощника, потратьте неделю на Макса как пользователь. Попробуйте решить через него три-четыре бытовые задачи. Посмотрите, как он ведёт себя при сбое и как реагирует на «позовите человека». Эмпирика дешёвая — выводы могут изменить то, как вы думаете о собственном боте.
Если хотите разобраться, что происходит в ваших текстовых диалогах прямо сейчас – мы можем посмотреть на транскрипты вместе. Обращайтесь.
Источники
Робот Макс — цифровой ассистент Госуслуг, официальная страница
РИА Новости: число пользователей Госуслуг достигло 120 миллионов (декабрь 2025)
Объясняем.рф: ежедневная аудитория Госуслуг — 14 млн человек в 2025 году
ТАСС: ежедневная аудитория Госуслуг в 2025 году
TAdviser: аудитория и статистика портала Госуслуг
Хабр / РТЛабс: «Робот Макс с LLM: история внедрения нейросетей» (2025)
Хабр / РТЛабс: «Привет, я робот Макс! Как устроен цифровой ассистент Госуслуг»
Анкетолог: «58% россиян не хотят общаться по телефону с роботами» (январь 2024)
НАФИ: «Чат-боты перестают удивлять: каждый третий россиянин оценивает их работу негативно» (2025)
Gartner: «Survey Finds 64% of Customers Would Prefer That Companies Didn’t Use AI For Customer Service» (июль 2024)
Gartner: «Only 14% of Customer Service Issues Are Fully Resolved in Self-Service» (август 2024)
California Management Review: «Chatbot Frustration is Real: Hidden Costs and Best Practices» (апрель 2026)
Naumen: «Рынок диалогового ИИ в 2024 году в России увеличился на четверть»
Kommersant: «Рынок диалогового ИИ в России увеличится в 2025 году на 30%»
TAdviser: рынок Call-центров в России (аутсорсинг, облако)
IKS Consulting: рынок аутсорсинговых контактных центров в России 2024
Робот Макс — цифровой ассистент Госуслуг, официальная страница
