DPD в России внедрила виртуального помощника для службы поддержки клиентов. Система переводит поиск по внутренним документам из ручного режима в смысловую обработку запросов, сокращая время работы с обращениями и меняя управление корпоративными знаниями.
Виртуальный помощник работает на базе больших языковых моделей и используется в департаменте обслуживания клиентов DPD. Сначала система находит релевантные фрагменты в корпоративной базе знаний, затем формирует ответ. Для этого документы предварительно структурируются и делятся на смысловые блоки. По данным компании, сотрудник получает результат менее чем за минуту.
Клиентская поддержка входит в операционный контур логистического бизнеса. Через неё проходят запросы о статусах отправлений, сроках, тарифах, документах и отклонениях. Скорость доступа к точной информации влияет на загрузку сотрудников, число повторных обращений и время разрешения нестандартных ситуаций.
Основное изменение связано с маршрутом внутренней информации. Раньше сотрудник искал сведения в разрозненных документах или обращался к супервизору. Теперь система сопоставляет запрос на естественном языке с внутренней документацией и предлагает ответ на основе найденных данных. При такой модели качество базы знаний становится частью операционного контроля: устаревший или противоречивый документ способен тиражировать ошибку во всех последующих ответах.
По данным DPD, среднее время обработки обращения после внедрения снизилось на 15%, время постобработки — на 17%. Внутренняя оценка качества консультаций выросла на 7%, доля подтверждённых ошибок сократилась на 15%. Компания также фиксирует снижение оттока сотрудников на 2% и сокращение срока адаптации новых специалистов до одного дня. Период измерения, масштаб внедрения и методика расчёта этих показателей не раскрыты, поэтому результаты следует рассматривать как данные самой DPD.
Читайте также: Бизнес упёрся в главный барьер ИИ: не инструменты, а данные и компетенции
Для 3PL-операторов, курьерских служб, ритейла и e-commerce такой подход расширяет применение генеративного ИИ за пределы маршрутизации и складской автоматизации. Он сокращает ручной поиск, снижает зависимость от отдельных носителей экспертизы и перераспределяет нагрузку в пользу сложных обращений. Экономический результат зависит от качества данных, доли ручной проверки и стоимости эксплуатации системы.
Генеративный ИИ в клиентских операциях работает только на подготовленной и управляемой базе знаний. Для логистического бизнеса автоматизация поддержки начинается с качества документов, регламентов и ответственности за их актуальность.
