Рынок AI-подсказок для операторов оценивают в 4,4 млрд долларов в 2024 году. К 2034-му прогноз достигает 124 млрд. Технология стремительно набирает обороты: Microsoft запустил Copilot for Service, Google развивает Contact Center AI Platform, десятки стартапов предлагают решения для контакт-центров. Логика кажется безупречной: AI слушает разговор и в реальном времени показывает менеджеру, что ответить на возражение, какую фразу использовать, какой продукт предложить. Идеальный суфлёр, который никогда не устаёт.
Но самое масштабное на сегодня исследование этой технологии показало результат, который стоит разобрать по частям. Прирост продуктивности действительно есть — в среднем 14%. Только распределён он настолько неравномерно, что средняя цифра скрывает самое интересное.
Но самое масштабное на сегодня исследование этой технологии показало результат, который стоит разобрать по частям. Прирост продуктивности действительно есть — в среднем 14%. Только распределён он настолько неравномерно, что средняя цифра скрывает самое интересное.
Что показало исследование Стэнфорда и MIT
Эрик Бринольфссон, Даниэль Ли и Линдси Рэймонд из Стэнфорда и MIT изучили внедрение AI-ассистента в компании из списка Fortune 500. Дизайн исследования — стэггерд-роллаут: 5 179 операторов поддержки подключались к системе поэтапно, что фактически превратило внедрение в A/B-тест на масштабе всей организации. Работа вышла сначала как рабочий документ NBER, а затем была опубликована в The Quarterly Journal of Economics — одном из ведущих экономических журналов мира.
AI-ассистент работал как суфлёр: анализировал текст переписки в чате с клиентом и предлагал оператору варианты ответов в реальном времени. Оператор мог принять подсказку, отредактировать её или проигнорировать.
Средний результат — рост продуктивности на 14%, измеренной как количество решённых обращений в час. Время обработки запроса сократилось, клиенты реже просили переключить на руководителя, а текучесть операторов снизилась на 8,6%.
Но дальше начинается то, ради чего стоит читать не только аннотацию.
AI-ассистент работал как суфлёр: анализировал текст переписки в чате с клиентом и предлагал оператору варианты ответов в реальном времени. Оператор мог принять подсказку, отредактировать её или проигнорировать.
Средний результат — рост продуктивности на 14%, измеренной как количество решённых обращений в час. Время обработки запроса сократилось, клиенты реже просили переключить на руководителя, а текучесть операторов снизилась на 8,6%.
Но дальше начинается то, ради чего стоит читать не только аннотацию.
Кто выиграл, а кто проиграл
Бринольфссон, Ли и Рэймонд обнаружили резкую асимметрию в эффектах. Новички и менее опытные операторы получили прирост до 34% продуктивности. Оператор с двухмесячным стажем при поддержке AI работал на уровне оператора с шестимесячным стажем без AI. Система фактически передавала новичкам накопленные практики лучших сотрудников — и делала это быстрее, чем любая программа наставничества.
А вот топ-перформеры почти ничего не получили. У лучших операторов прирост скорости оказался минимальным, а качество ответов даже немного снизилось. Авторы исследования зафиксировали тревожный побочный эффект: опытные операторы начали чаще следовать рекомендациям AI, даже когда эти рекомендации ухудшали качество диалога. Система, обученная на средних паттернах, предлагала решения, которые были хуже тех, что опытный оператор нашёл бы сам.
Этот результат ставит под вопрос распространённую идею о том, что AI-подсказки одинаково полезны для всех. Полезны — но адресно: как инструмент адаптации, а не как постоянный спутник профессионала.
А вот топ-перформеры почти ничего не получили. У лучших операторов прирост скорости оказался минимальным, а качество ответов даже немного снизилось. Авторы исследования зафиксировали тревожный побочный эффект: опытные операторы начали чаще следовать рекомендациям AI, даже когда эти рекомендации ухудшали качество диалога. Система, обученная на средних паттернах, предлагала решения, которые были хуже тех, что опытный оператор нашёл бы сам.
Этот результат ставит под вопрос распространённую идею о том, что AI-подсказки одинаково полезны для всех. Полезны — но адресно: как инструмент адаптации, а не как постоянный спутник профессионала.
Почему подсказки мешают опытным
Объяснение лежит в когнитивной нагрузке. Опытный менеджер во время звонка одновременно удерживает несколько потоков информации: слушает клиента, формулирует ответ, отслеживает контекст сделки, считывает эмоциональный фон диалога. Всё это происходит параллельно и требует серьёзных когнитивных ресурсов.
Когда поверх этого появляется ещё один поток — всплывающие подсказки, предложения фраз, предупреждения — мозг вынужден переключаться. Каждое переключение занимает долю секунды, но в масштабе разговора эти доли складываются в ощутимую потерю фокуса.
Психологи изучают этот феномен с 1940-х годов. Норман Маквортс в экспериментах с радарными операторами обнаружил, что способность отслеживать редкие сигналы снижается уже через 15 минут непрерывного наблюдения. Позднее исследователи из UCF показали, что поддержание бдительности — не пассивный, а энергозатратный процесс, который истощает те же когнитивные ресурсы, что используются для основной задачи.
В контексте контакт-центра это работает следующим образом. Оператор ведёт разговор с клиентом. В углу экрана появляется подсказка AI. Мозг оператора автоматически оценивает: стоит ли обращать внимание на подсказку? Соответствует ли она ситуации? Лучше ли она того, что оператор собирался сказать? Каждая такая оценка — микрозатрата внимания, которая отнимает ресурс у самого разговора.
Теория когнитивной нагрузки, разработанная Джоном Свеллером в конце 1980-х, различает три типа нагрузки: внутреннюю (сложность самой задачи), внешнюю (навязанную плохим дизайном) и продуктивную (способствующую обучению). AI-подсказки для новичка работают как продуктивная нагрузка — помогают освоить паттерны, которых пока нет в арсенале. Для опытного оператора те же подсказки становятся внешней нагрузкой — лишним потоком информации, который мешает, а не помогает.
Именно поэтому средняя цифра «+14%» обманчива. За ней скрываются два принципиально разных эффекта: ускорение обучения для одних и рост когнитивного шума для других.
Когда поверх этого появляется ещё один поток — всплывающие подсказки, предложения фраз, предупреждения — мозг вынужден переключаться. Каждое переключение занимает долю секунды, но в масштабе разговора эти доли складываются в ощутимую потерю фокуса.
Психологи изучают этот феномен с 1940-х годов. Норман Маквортс в экспериментах с радарными операторами обнаружил, что способность отслеживать редкие сигналы снижается уже через 15 минут непрерывного наблюдения. Позднее исследователи из UCF показали, что поддержание бдительности — не пассивный, а энергозатратный процесс, который истощает те же когнитивные ресурсы, что используются для основной задачи.
В контексте контакт-центра это работает следующим образом. Оператор ведёт разговор с клиентом. В углу экрана появляется подсказка AI. Мозг оператора автоматически оценивает: стоит ли обращать внимание на подсказку? Соответствует ли она ситуации? Лучше ли она того, что оператор собирался сказать? Каждая такая оценка — микрозатрата внимания, которая отнимает ресурс у самого разговора.
Теория когнитивной нагрузки, разработанная Джоном Свеллером в конце 1980-х, различает три типа нагрузки: внутреннюю (сложность самой задачи), внешнюю (навязанную плохим дизайном) и продуктивную (способствующую обучению). AI-подсказки для новичка работают как продуктивная нагрузка — помогают освоить паттерны, которых пока нет в арсенале. Для опытного оператора те же подсказки становятся внешней нагрузкой — лишним потоком информации, который мешает, а не помогает.
Именно поэтому средняя цифра «+14%» обманчива. За ней скрываются два принципиально разных эффекта: ускорение обучения для одних и рост когнитивного шума для других.
Индустрия подтверждает — стресс вместо разгрузки
Данные из реальной практики контакт-центров подтверждают лабораторные выводы. По данным Omdia Digital CX Survey 2025, 75% руководителей контакт-центров в Северной Америке признают: инвестиции в AI-инструменты скорее увеличивают стресс операторов, чем снижают его.
Парадокс выглядит так: технология, призванная разгрузить оператора, на практике добавляет ему работы. Вместо того чтобы просто вести разговор с клиентом, оператор теперь вынужден одновременно мониторить поток AI-рекомендаций. CX Today описывает это как «алгоритм, который никогда не моргает» — постоянное наблюдение AI создаёт ощущение контроля, которое усиливает тревожность.
Данные NICE CX Workforce Report 2025 фиксируют текучесть операторов в сложных сервисных средах на уровне выше 30% в год. Среди ключевых причин — разрастание инструментов и когнитивная перегрузка. С автоматизацией рутинных задач на операторов ложатся всё более сложные и эмоционально нагруженные разговоры, а пауз между ними становится меньше.
AmplifAI в обзоре за 2024 год формулирует вывод прямо: подсказки в реальном времени — отличный инструмент для периода адаптации и первых месяцев работы, но для опытных сотрудников ценнее анализ после разговора, а не рекомендации во время него.
Парадокс выглядит так: технология, призванная разгрузить оператора, на практике добавляет ему работы. Вместо того чтобы просто вести разговор с клиентом, оператор теперь вынужден одновременно мониторить поток AI-рекомендаций. CX Today описывает это как «алгоритм, который никогда не моргает» — постоянное наблюдение AI создаёт ощущение контроля, которое усиливает тревожность.
Данные NICE CX Workforce Report 2025 фиксируют текучесть операторов в сложных сервисных средах на уровне выше 30% в год. Среди ключевых причин — разрастание инструментов и когнитивная перегрузка. С автоматизацией рутинных задач на операторов ложатся всё более сложные и эмоционально нагруженные разговоры, а пауз между ними становится меньше.
AmplifAI в обзоре за 2024 год формулирует вывод прямо: подсказки в реальном времени — отличный инструмент для периода адаптации и первых месяцев работы, но для опытных сотрудников ценнее анализ после разговора, а не рекомендации во время него.
Два инструмента для разных задач
Подсказка во время звонка и анализ после звонка решают принципиально разные задачи, и смешивать их — значит терять эффективность обоих.
Подсказки в реальном времени ускоряют адаптацию новичка. Они передают накопленный опыт команды тому, кто ещё не успел его набрать. Новый оператор получает готовые формулировки, варианты ответов на типовые возражения, напоминания о следующем шаге. По данным Бринольфссона и коллег, эффект особенно заметен в первые месяцы работы — AI позволяет новичку работать на уровне, который без подсказок потребовал бы нескольких месяцев практики.
Но после того как оператор освоил базовые паттерны, ценность подсказок падает. Зато растёт ценность пост-аналитики — разбора разговоров после их завершения. Пост-аналитика позволяет увидеть системные паттерны, которые невозможно заметить в моменте: какие возражения возникают чаще всего, на каком этапе теряются клиенты, какие формулировки работают лучше других.
Принципиальное отличие — в том, как человек обрабатывает информацию. Во время разговора внимание оператора ограничено: он решает тактическую задачу «здесь и сейчас». После разговора доступны ресурсы для стратегического анализа: можно перечитать текст диалога, увидеть закономерности, сопоставить свой звонок с лучшими практиками.
Исследование MiaRec по сравнению двух подходов к аналитике в контакт-центрах подтверждает: пост-аналитика даёт более глубокие данные для обучения и оптимизации процессов, тогда как аналитика в реальном времени наиболее эффективна для немедленных корректировок в простых сценариях.
Подсказки в реальном времени ускоряют адаптацию новичка. Они передают накопленный опыт команды тому, кто ещё не успел его набрать. Новый оператор получает готовые формулировки, варианты ответов на типовые возражения, напоминания о следующем шаге. По данным Бринольфссона и коллег, эффект особенно заметен в первые месяцы работы — AI позволяет новичку работать на уровне, который без подсказок потребовал бы нескольких месяцев практики.
Но после того как оператор освоил базовые паттерны, ценность подсказок падает. Зато растёт ценность пост-аналитики — разбора разговоров после их завершения. Пост-аналитика позволяет увидеть системные паттерны, которые невозможно заметить в моменте: какие возражения возникают чаще всего, на каком этапе теряются клиенты, какие формулировки работают лучше других.
Принципиальное отличие — в том, как человек обрабатывает информацию. Во время разговора внимание оператора ограничено: он решает тактическую задачу «здесь и сейчас». После разговора доступны ресурсы для стратегического анализа: можно перечитать текст диалога, увидеть закономерности, сопоставить свой звонок с лучшими практиками.
Исследование MiaRec по сравнению двух подходов к аналитике в контакт-центрах подтверждает: пост-аналитика даёт более глубокие данные для обучения и оптимизации процессов, тогда как аналитика в реальном времени наиболее эффективна для немедленных корректировок в простых сценариях.
Что мы видим в практике
Когда мы в imot.io анализируем текст разговоров, мы работаем именно с пост-аналитикой. Размечаем звонки тегами, проверяем по чек-листам, подсвечиваем паттерны — но после разговора, когда менеджер может спокойно посмотреть на свои диалоги, а не отвлекаться на всплывающие окна в процессе.
Это сознательный выбор, и он связан с тем, что мы видим по тексту разговоров. Когда менеджер во время звонка одновременно ведёт диалог и реагирует на поток подсказок, в тексте это заметно: ответы становятся более шаблонными, пропадают уточняющие вопросы, реакция на нестандартные запросы клиента замедляется. Человек перестаёт слушать клиента и начинает читать подсказку.
В пост-аналитике другая механика. Менеджер видит текст своего разговора целиком — и может спокойно разобрать, что пошло не по плану. Видит, что клиент трижды озвучил свою задачу, а менеджер ни разу на неё не отреагировал. Видит, что возражение «дорого» появилось на третьей минуте, но менеджер предложил скидку, не задав ни одного уточняющего вопроса. Видит, что в успешных звонках структура диалога отличается от неуспешных — и отличие можно описать конкретными параметрами, которые фиксируются по тексту.
Для руководителя пост-аналитика даёт управляемые данные. По тегам видно, какой процент звонков соответствует чек-листу, какие этапы скрипта пропускаются чаще всего, какие менеджеры стабильно работают лучше и что именно они делают иначе. Эти данные можно превратить в конкретный план обучения — не абстрактное «работайте лучше», а «в 68% звонков после возражения по цене вы не задаёте уточняющий вопрос, вот как это делают те, у кого конверсия на 12 процентных пунктов выше».
Мы не считаем, что подсказки в реальном времени — плохой инструмент. Для задачи адаптации новых сотрудников они работают убедительно — данные Бринольфссона это подтверждают. Но для задачи развития профессионалов и системного улучшения качества коммуникаций пост-аналитика текста разговоров даёт результат, который подсказки дать не могут.
Это сознательный выбор, и он связан с тем, что мы видим по тексту разговоров. Когда менеджер во время звонка одновременно ведёт диалог и реагирует на поток подсказок, в тексте это заметно: ответы становятся более шаблонными, пропадают уточняющие вопросы, реакция на нестандартные запросы клиента замедляется. Человек перестаёт слушать клиента и начинает читать подсказку.
В пост-аналитике другая механика. Менеджер видит текст своего разговора целиком — и может спокойно разобрать, что пошло не по плану. Видит, что клиент трижды озвучил свою задачу, а менеджер ни разу на неё не отреагировал. Видит, что возражение «дорого» появилось на третьей минуте, но менеджер предложил скидку, не задав ни одного уточняющего вопроса. Видит, что в успешных звонках структура диалога отличается от неуспешных — и отличие можно описать конкретными параметрами, которые фиксируются по тексту.
Для руководителя пост-аналитика даёт управляемые данные. По тегам видно, какой процент звонков соответствует чек-листу, какие этапы скрипта пропускаются чаще всего, какие менеджеры стабильно работают лучше и что именно они делают иначе. Эти данные можно превратить в конкретный план обучения — не абстрактное «работайте лучше», а «в 68% звонков после возражения по цене вы не задаёте уточняющий вопрос, вот как это делают те, у кого конверсия на 12 процентных пунктов выше».
Мы не считаем, что подсказки в реальном времени — плохой инструмент. Для задачи адаптации новых сотрудников они работают убедительно — данные Бринольфссона это подтверждают. Но для задачи развития профессионалов и системного улучшения качества коммуникаций пост-аналитика текста разговоров даёт результат, который подсказки дать не могут.
Что это значит для бизнеса
Компания, которая выбирает инструмент аналитики коммуникаций, стоит перед развилкой. Подсказки в реальном времени и пост-аналитика — не конкуренты. Это два инструмента с разными зонами применимости.
Если главная задача — сократить время адаптации новичков и стандартизировать базовый уровень качества, подсказки в реальном времени дадут быстрый измеримый результат. Стэнфордское исследование это убедительно показывает.
Если задача — развивать опытных сотрудников, находить системные ошибки в коммуникациях, улучшать конверсию на основе данных о реальных разговорах — для этого нужен анализ текста после звонка. Анализ, при котором менеджер не раздваивается между клиентом и экраном с подсказками, а получает полную картину: что было сказано, что пропущено, где разговор пошёл не по плану.
75% руководителей контакт-центров, которые признают рост стресса операторов от AI-инструментов — это сигнал. Технология, которая перегружает вместо того чтобы помогать, в долгосрочной перспективе работает против бизнеса: через текучесть, через выгорание, через снижение качества сложных разговоров.
Выбор между «подсказка сейчас» и «анализ потом» — это выбор между тактическим ускорением и стратегическим улучшением. Лучшие компании используют оба подхода, но для разных категорий сотрудников и разных этапов их профессионального пути.
Если главная задача — сократить время адаптации новичков и стандартизировать базовый уровень качества, подсказки в реальном времени дадут быстрый измеримый результат. Стэнфордское исследование это убедительно показывает.
Если задача — развивать опытных сотрудников, находить системные ошибки в коммуникациях, улучшать конверсию на основе данных о реальных разговорах — для этого нужен анализ текста после звонка. Анализ, при котором менеджер не раздваивается между клиентом и экраном с подсказками, а получает полную картину: что было сказано, что пропущено, где разговор пошёл не по плану.
75% руководителей контакт-центров, которые признают рост стресса операторов от AI-инструментов — это сигнал. Технология, которая перегружает вместо того чтобы помогать, в долгосрочной перспективе работает против бизнеса: через текучесть, через выгорание, через снижение качества сложных разговоров.
Выбор между «подсказка сейчас» и «анализ потом» — это выбор между тактическим ускорением и стратегическим улучшением. Лучшие компании используют оба подхода, но для разных категорий сотрудников и разных этапов их профессионального пути.
Итоги
- AI-подсказки в реальном времени дают средний прирост продуктивности 14%, но распределение крайне неравномерно: новички получают до 34%, опытные сотрудники — почти ничего, а качество их ответов может снижаться. Это данные исследования Бринольфссона, Ли и Рэймонд на выборке из 5 179 операторов.
- Механизм неравномерности — когнитивная нагрузка. Для новичка подсказка заполняет пробел в знаниях. Для профессионала — добавляет лишний поток информации, который конкурирует за внимание с самим разговором.
- 75% руководителей контакт-центров признают, что AI-инструменты увеличивают стресс операторов, а не снижают его. Текучесть в сложных сервисных средах превышает 30% в год, и когнитивная перегрузка — одна из ключевых причин.
- Подсказки в реальном времени и пост-аналитика решают разные задачи. Первые ускоряют адаптацию новичков. Вторая развивает профессионалов и даёт системные данные для управленческих решений.
- Анализ текста разговоров после звонка позволяет менеджеру и руководителю увидеть полную картину: какие этапы пропускаются, какие возражения не отрабатываются, чем отличаются успешные звонки от неуспешных — без когнитивной перегрузки во время самого разговора.
Если вы хотите увидеть, как пост-аналитика текста разговоров работает на практике — какие паттерны она находит в ваших звонках и какие точки роста подсвечивает, — мы можем разобрать выборку на аудите и показать конкретные результаты.
Источники
Brynjolfsson E., Li D., Raymond L. (2023/2024). Generative AI at Work. NBER Working Paper 31161, опубликовано в The Quarterly Journal of Economics, vol. 140(2). Исследование на 5 179 операторах поддержки компании из Fortune 500. Средний прирост продуктивности 14%, до 34% для новичков.
Market.us (2024). Real-Time AI Agent Assist Market Size. Оценка рынка AI-подсказок для операторов: 4,4 млрд долларов в 2024 году, прогноз 124,6 млрд к 2034-му, CAGR 39,7%.
CX Today (2025). The Algorithm Never Blinks: Why Contact Center AI is Creating a New Kind of Agent Burnout. Omdia Digital CX Survey 2025: 75% руководителей контакт-центров в Северной Америке признают рост стресса операторов от AI.
AmplifAI (2024). The Pros & Cons of Real-Time Agent Assist in Contact Centers. Обзор преимуществ и ограничений AI-подсказок в реальном времени.
CMSWire (2025). The CX Reckoning of 2025: Why Agent Experience Decided What Worked. Данные NICE CX Workforce Report: текучесть операторов выше 30% в год, когнитивная перегрузка — ключевая причина.
Grier R.A. et al. (2003). The Vigilance Decrement Reflects Limitations in Effortful Attention. Исследование когнитивных затрат на поддержание бдительности. Human Factors.
MiaRec (2024). Real-Time vs Post-Call Analytics in Contact Centers. Сравнение двух подходов к аналитике коммуникаций в контакт-центрах.
