Customer-back engineering: как Capital One использует agentic AI для улучшения клиентского опыта
В партнерстве с Capital One
Несмотря на годы цифровизации, организации получают менее трети ожидаемой ценности от цифровых инвестиций, согласно исследованию McKinsey. Это происходит потому, что большинство крупных компаний начинают с технологических возможностей и уже затем «прикручивают» к ним приложения, а не исходят из потребностей клиента и не выстраивают технологию в обратном направлении. Если не ставить клиента в центр, это приводит к фрагментированным решениям, несогласованному клиентскому опыту и, в итоге, к провалу трансформации.
Организации, которые добиваются выдающихся результатов от AI, меняют этот порядок. Они принимают подход «customer-back engineering» и ставят клиента в центр технологической трансформации.
Это стратегия, при которой продукты и услуги разрабатываются прежде всего с учетом клиентского опыта, включая проблемы, потребности и ожидания клиентов. Затем продуктовые команды в гибком и agile-формате двигаются в обратном направлении, определяя шаги, необходимые для проектирования и создания решений, которые обеспечат нужный опыт.
«Когда вы приближаете инженеров к клиентам, вы получаете гораздо больше боковых инноваций, — говорит Ашиш Агравал, вице-президент по business cards and payments tech в Capital One. — Это дает мультипликативный эффект, потому что инженеры могут взглянуть на проблему под другим углом, который может отличаться от взгляда отдела продаж или продуктовой команды».
Аргументы в пользу клиентоцентричности в инженерии
Инженеры по природе своей — решатели проблем, говорит Агравал. Когда они слышат о трудностях, с которыми сталкиваются клиенты, или о том, как те используют продукты и услуги в реальном мире, они могут придумать способы эффективно закрыть потребности клиента, поскольку сами ближе к системам и данным, чем многие другие команды в компании.
«Формирование клиентоориентированной культуры мотивирует инженеров, когда они действительно начинают видеть, как базовые изменения, которые они вносят, или функции, которые они добавляют, напрямую влияют на жизнь клиентов», — говорит Агравал.
Но это требует дисциплины. Агравал объясняет, что Capital One поставила цель: каждый инженер в его подразделении должен в течение года установить несколько точек контакта с клиентами в разных форматах, включая:
- Сессии цифровой эмпатии — чтобы наблюдать за пользовательскими сценариями и выявлять, где у пользователей возникает трение
- Встроенную клиентскую поддержку на определенные периоды, чтобы глубже понять потребности в обслуживании
- Engineering ride-alongs, в рамках которых инженеры присоединяются к сотрудникам customer success, продаж и поддержки на звонках или выездах на места
- Хакатон-соревнования для создания решений вокруг реальных клиентских проблем
Возможности AI при клиентоцентричности
«Самая большая проблема, с которой сталкиваются инженеры в крупных компаниях, — это отсутствие прямого доступа к клиентам, — говорит Агравал. — Из-за этого технологам сложнее работать с клиентами, чтобы выявлять проблемы и придумывать решения».
AI ускорил как вызовы, так и возможности. Жизненный цикл запуска продуктов стал значительно быстрее. Но хорошая новость в том, что инженеры ближе к данным, которые питают AI, поэтому они могут быстрее применять data-techniques, основанные на AI, для решения клиентских проблем.
Агравал приводит свежий пример: в сфере клиентского обслуживания разговоры можно мгновенно суммировать, чтобы agent получил контекст по исходному запросу участника и оставшимся действиям. Agentic AI также можно настроить так, чтобы он задавал точные уточняющие вопросы по взаимодействию, на чтение всей переписки у человеческих сотрудников ушло бы гораздо больше времени.
«Решение было бы намного сложнее в экосистеме без большого объема высококачественных данных, — говорит Агравал. — Но когда вы объединяете богатую data-экосистему с agentic tools, вы переходите от точечных улучшений к трансформации с высокой скоростью».
Инвестируя в AI data и инструменты и делая ставку на быстрое экспериментирование, Агравал говорит, что цикл внедрения решений можно ускорить. Команды понимают: если они лучше удовлетворяют потребности клиентов и гораздо быстрее итеративно расширяют набор решений, то ускоряется и весь цикл инноваций.
Например, Capital One использовала клиентские инсайты, чтобы создать современный многоагентный AI framework под названием Chat Concierge, который улучшает клиентский опыт для покупателей автомобилей и дилеров. В одном разговоре Chat Concierge может выполнять такие задачи, как сравнение автомобилей, чтобы помочь покупателю выбрать лучший вариант, а также назначение тест-драйвов или встреч с продавцами.
Агравал объясняет, что покупатели автомобилей могут взаимодействовать с Chat Concierge напрямую через сайты участвующих дилеров. Дилеры могут получить доступ к чату и взять управление на себя через Navigator Platform. AI-ассистент состоит из нескольких логических агентов, которые работают вместе, имитируя человеческое рассуждение, благодаря чему он может предоставлять информацию и совершать действия в соответствии с запросами клиента.
Элементы AI-first мышления
Согласно недавнему опросу MIT Technology Review Insights, 70% лидеров говорят, что их компания в той или иной степени использует agentic AI. Примерно половина руководителей считает, что agentic AI-системы способны значительно улучшить обнаружение мошенничества (56%) и безопасность (51%), снизить затраты и повысить эффективность (41%), а также улучшить клиентский опыт (41%).
Если смотреть вперед, добиться таких результатов кажется еще более вероятным. Более половины опрошенных банковских руководителей говорят, что ожидают дальнейшего улучшения обнаружения мошенничества (75%), безопасности (64%) и клиентского опыта (51%). Среди сценариев agentic AI, которые особенно перспективны для трансформации клиентского опыта в финансовых услугах, — ответы на запросы по обслуживанию клиентов, изменение графика платежей так, чтобы он совпадал с регулярными зарплатами, или извлечение ключевых условий из финансовых соглашений.
Постановка клиента в центр трансформации требует AI-first мышления. Компаниям нужно перейти от простого дообучения существующего продукта к фундаментальному переосмыслению проблемы и потребностей пользователя через призму возможностей AI.
Несколько лучших практик, которые рекомендует Агравал, включают: Переосмысливать базовую функцию AI, чтобы решать проблему пользователя: «Истинная ценность не в том, чтобы гнаться за AI-hype, а в решении значимых проблем клиентов. Сосредотачиваясь на эффекте, мы делаем нашу инновацию не просто быстрой, а преобразующей», — говорит Агравал. Начинать с качественных, хорошо управляемых данных как с фундамента: «Готовность данных и единая информация между системами — это обязательные основы AI. Чистый data layer — это то, что координирует agentic loop, обеспечивая восприятие, рассуждение и исполнение, необходимые для решения проблемы клиента еще до того, как он успеет ее сформулировать», — объясняет Агравал. Перестраивать рабочие процессы так, чтобы AI был встроен с самого начала: «Люди воспринимают модели как black boxes, но agentic systems требуют огромной строгости и надзора. Хорошо управляемая data-экосистема и стандарты responsible AI — это необходимые опоры для построения доверия к таким системам», — говорит Агравал.
Создавать кросс-функциональную команду с участием data science, engineering, product, design и других партнеров: Агравал советует: «Важно быть открытыми и гибкими в том, как мы меняем свою работу и создаем эффект по мере того, как AI становится все глубже встроенным в рабочие процессы. Если вы только начинаете работать с AI, важно двигаться по модели crawl, walk, run, а не просто прыгать в него с головой».
В конечном счете end-to-end трансформация зависит от того, насколько хорошо компании дают инженерам и партнерам стартовать с потребностей клиента и двигаться назад к технологическим решениям, а не начинать с технологических возможностей и лишь потом искать для них применение. Когда customer-back подход становится для организации естественным, она может не только переосмыслить клиентский опыт изнутри, но и с самого начала поставить клиента на первое место.
Deep Dive
Искусственный интеллект
OpenAI бросает все силы на создание полностью автоматизированного исследователя
Эксклюзивный разговор с главным научным сотрудником OpenAI Якубом Пахоцким о новой большой задаче компании и будущем AI.
By Will Douglas Heavenarchive page
Хотите понять нынешнее состояние AI? Посмотрите на эти графики
Согласно AI Index Stanford за 2026 год, AI мчится вперед, а мы не успеваем за ним.
Неделя Musk v. Altman, день 1: Elon Musk заявил, что его обманули, предупредил, что AI может всех нас убить, и признал, что xAI дистиллирует модели OpenAI
Musk держался спокойно, а адвокат OpenAI буквально задавил его точными вопросами о мотивах иска против компании.
10 вещей, которые сейчас важны в AI
Авторитетный обзор MIT Technology Review о 10 технологиях, новых трендах, смелых идеях и мощных движениях в AI в 2026 году.
Материал — перевод статьи с английского.
Оригинал: Fostering breakthrough AI innovation through customer-back engineering