AI-агент в саппорте ломается не на LLM, а на плохом сценарии

AI-агент в саппорте ломается не на LLM, а на плохом сценарии

Чаще всего ошибка в том, что агенту дают «говорить с юзером», но не дают рамки. Для affiliate-саппорта это быстро превращается в болтовню: бот отвечает уверенно, но мимо оффера, не доводит до лида и не умеет эскалировать на человека.

Рабочая схема у агента простая:
• сначала определить намерение: вопрос по офферу, регистрация, платеж, доступ, отказ;
• затем собрать минимум данных: GEO, источник, стадия воронки, что уже пробовал юзер;
• после этого выдавать один следующий шаг, а не пять вариантов сразу.

Ещё один критичный слой — guardrails. Агент должен знать, что он не обещает доход, не спорит с условиями оффера и не фантазирует, если не хватает данных. Если ответа нет, он не «додумывает», а переводит в нужный сценарий: FAQ, форму, оператора, ретеншн-ветку. Именно это экономит время команды, а не сам факт наличия LLM 🤖

Проверьте агента по трём метрикам: доля диалогов без эскалации, процент переводов в целевое действие и число тупиковых веток. Если хотя бы одна метрика проседает, проблема обычно не в модели, а в карте намерений и правилах перехода.