Удержание клиентов в AI-продуктах: почему они уходят и что делать Customer Success

Автор: Анна Амброзевич, сооснователь nochurn

Компании, которые запустили AI-продукт или добавили ИИ-функции в существующий, часто видят одну и ту же картину. Регистраций и пилотов много, демонстрации проходят хорошо, а через два-три месяца заметная часть клиентов перестаёт заходить в продукт и не продлевает подписку. Отток клиентов растёт, и спрашивают за него в первую очередь с команды Customer Success.

Привычные инструменты CS здесь помогают слабо. Health score, план успеха и регулярные встречи рассчитаны на клиента, который уже встроил продукт в работу, а многие клиенты AI-продуктов уходят раньше. К тому же часть причин лежит вне CS: в том, кому и как продали продукт, в прайсинге, в самом продукте.

Удержание в AI-продуктах и SaaS: данные ChartMogul

Ощущение, что AI-продукты удерживают клиентов хуже, подтверждается данными. ChartMogul проанализировал около 3 500 софтверных компаний, среди них примерно 200 AI-native. Медианный NRR (net revenue retention — доля выручки от прошлогодней базы, которая осталась с учётом расширений и сокращений контрактов) получился таким:

То есть медианная AI-native компания за год теряет больше половины выручки от своей базы, даже если учесть допродажи. Gross retention, удержание без допродаж, у таких компаний ещё ниже — 40%. По обеим метрикам AI-продукты ближе к потребительским сервисам, чем к корпоративному софту, хотя многие из них продают бизнесу.

Оговорка: в группу AI-native попали и B2B-, и B2C-продукты, поэтому полезнее смотреть на разрез по цене подписки:

Разница между верхним и нижним сегментом почти трёхкратная. Вероятное объяснение — отбор на входе. За $250 в месяц и больше продукт редко покупают без задачи, бюджета и согласования с руководством. Дешёвую подписку часто берут, чтобы просто посмотреть, и так же легко отменяют.

AI-туристы и проблема ранних когорт

В a16z таких клиентов называют AI-туристами: они приходят оценить технологию, пробуют продукт и уходят в первые месяцы, так и не найдя для него задачи.

Туристы ломают привычную аналитику. Кривая удержания в первые месяцы падает круто, и по ней не видно, в чём дело: у продукта проблема с ценностью или он просто собрал много любопытных. a16z предлагает делить жизнь когорты на три фазы:

Качество базы a16z оценивает через отношение M12/M3: какую долю выручки, оставшейся к третьему месяцу, когорта сохраняет к двенадцатому. Туристы к этому моменту уже ушли, так что метрика показывает удержание тех, кто действительно начал пользоваться продуктом.

Общий churn rate по всей базе смешивает две разные группы. Ранний отток говорит о том, кого привели продажи и как прошёл онбординг. Поздний — о ценности продукта и работе с аккаунтом. Управлять ими приходится разными инструментами.

Почему растёт отток клиентов в AI-продуктах

Большинство причин знакомы по классическому SaaS, мы подробно разбирали их в статье про 16 типов оттока. В AI-продуктах некоторые из них проявляются острее.

1. Покупка без задачи

Клиент получил доступ к технологии, а процесса, в который её можно встроить, у него нет. Онбординг формально пройден, но продукт остаётся экспериментом — первым кандидатом на сокращение при пересмотре бюджета.

2. Разрыв между возможностями продукта и навыками клиента

Чем шире возможности модели, тем больше дистанция между тем, что продукт умеет, и тем, что клиент с ним реально делает. В эссе OpenAI «Built to benefit everyone» об этом сказано применительно ко всему AI: создать мощную технологию — половина работы, вторая половина — сделать её частью повседневной работы людей. В B2B этой второй половиной обычно занимается Customer Success.

3. Уйти почти ничего не стоит

Аналогов много, интеграции несложные, данных внутри продукта накоплено мало. Барьеры, которые держат клиентов корпоративного софта, здесь работают слабо.

4. Консолидация инструментов

Zylo в отчёте по крупным компаниям насчитывает в среднем около семи генеративных AI-приложений на компанию. Когда расходы пересматривают, дубли по функциям режут первыми, и из нескольких похожих инструментов обычно оставляют один.

5. Непредсказуемые счета

По данным того же отчёта, 78% опрошенных IT-руководителей сталкивались с незапланированными расходами из-за AI-функций или оплаты по потреблению. На переговоры о продлении такой клиент приходит с вопросами к бюджету раньше, чем к ценности.

Ситуацию усиливает смена модели монетизации. PricingSaaS в исследовании монетизации AI-агентов фиксирует переход от оплаты за пользователя к оплате за работу агента: задачи, диалоги, вычисления. Клиент видит цену каждого действия и начинает сверять её с результатом, а Zylo прогнозирует, что инструменты с высокой активностью и низкой отдачей попадут под сокращение первыми.

Как снизить отток в ИИ-продукте: практики Customer Success

Практики удобнее разложить по этапам жизни клиента: на каждом этапе отток вызывают разные вещи.

До сделки

Значительная часть удержания решается ещё в продаже. CS и продажам стоит договориться о вопросах, на которые нужен ответ до подписания:

• кто клиент и какой у него сегмент;
• какую задачу он собирается решать с помощью продукта;
• есть ли за покупкой реальный кейс с измеримой проблемой;
• кто на стороне клиента отвечает за результат.

Если сделки закрываются без этих ответов, CS получает клиентов с высоким риском раннего оттока и отвечает за метрику, на которую почти не может повлиять.

Первые три месяца

Задача онбординга в AI-продукте шире обучения интерфейсу: как можно раньше найти конкретный процесс клиента, в который встраивается продукт, и довести клиента до первого измеримого результата в нём. Цель фиксируют в цифрах на старте, для первого внедрения берут один процесс и считают time to value.

Отток этого периода считают отдельно от остальной базы. Доля клиентов, дошедших до первой ценности, и причины ухода остальных нужны прежде всего продажам и команде онбординга.

В материале Y Combinator о построении AI-native компаний типичной ошибкой ранней стадии названо желание набрать больше пилотов, чем команда может качественно вести. Недообслуженные пилоты заканчиваются оттоком, а недовольные клиенты рассказывают о своём опыте рынку. Первым клиентам, наоборот, стоит уделять непропорционально много внимания: на них CS учится сам и видит, где ломается ценность и какие процессы не выдерживают нагрузки.

После третьего месяца

Туристы к этому моменту уже ушли, и с оставшейся базой работают привычные инструменты CS: health score, план успеха, QBR, расширение. Как выстроить такую систему, мы описывали в статье о системной работе с оттоком.

На этом этапе важнее всего, видит ли клиент результат. Ни наличие функции, ни ежедневные логины его не доказывают: клиент может заходить в продукт каждый день и ничего не получать. При оплате за потребление это видно сразу, потому что у каждого действия агента есть цена. Использование переводят в бизнес-результат — сэкономленные часы, обработанные обращения, деньги — и показывают его регулярно, без привязки к продлению. Чемпиону на стороне клиента дают аргументы для разговора с руководством и финансовой службой.

Расходы и продление

Об изменении цены клиенту сообщают заранее, до выставления счёта. Потребление отслеживают и предупреждают клиента, если он подходит к границе бюджета. К самому продлению готовятся с запасом: Zylo советует покупателям начинать за 120 дней, и поставщику разумно выйти на этот разговор не позже.

AI внутри самого Customer Success

Параллельно CS-команды внедряют AI у себя: автоматизируют коммуникации, ставят агентов следить за сигналами риска, оцифровывают процессы. По исследованию State of Customer Success 2026 от Customer Success Collective, инвестиции здесь опережают зрелость. Почти половина команд планирует вкладываться в AI-аналитику, а процессы контроля качества есть примерно у трети. Больше половины признают, что данные о клиентах разбросаны по разным системам.

Результат от AI зависит от того, насколько выстроена сама функция. Если процессы не описаны, данные разрознены, а жизненный цикл клиента не формализован, автоматизация просто масштабирует беспорядок. Прежде чем внедрять, стоит проверить, что в команде есть:

• описанная методология и модель обслуживания клиентов с регламентами;
• карта жизненного цикла клиента;
• понимание типов оттока и того, что на него влияет;
• договорённости с продажами, продуктом и поддержкой.

Как распределить задачи между автоматизацией, ИИ-агентами и CSM, мы разбирали в статье «Методология внедрения ИИ-агентов в Customer Success».

Чек-лист: вопросы для вашей команды

Вопросы без ответа — готовый список приоритетов на следующий квартал.

Итоги

Отток клиентов в AI-продуктах складывается из двух слоёв. Первый задаёт модель покупки: туристы, дешёвые подписки, покупка без задачи. Второй зависит от того, доводят ли продукт и команда клиента до результата.

Одной команде CS с этим не справиться. Кого приводят в продукт, решают продажи, сколько и за что платит клиент — прайсинг, какую ценность он получает — продукт. CS работает на стыке: вместе с продажами отсеивает случайных клиентов на входе и ведёт онбординг, а дальше показывает ценность в цифрах, следит за расходами клиента и считает ранних и зрелых клиентов отдельно.

Частые вопросы

Какой NRR у AI-продуктов?

По данным ChartMogul, медианный NRR AI-native компаний составляет 48%, у B2B SaaS — 82%. У AI-продуктов дороже $250 в месяц NRR около 85%.

Кто такие AI-туристы?

Клиенты, которые покупают AI-продукт, чтобы оценить технологию, без конкретной задачи. Обычно они уходят в течение первых одного-трёх месяцев.

Как считать удержание AI-продукта?

Отдельно для первых трёх месяцев (M0–M3), когда отсеиваются туристы, и для базы после M3. Ранний индикатор долгосрочного удержания — отношение M12/M3.

Как снизить отток клиентов в AI-продукте?

Квалифицировать клиентов до сделки, строить онбординг вокруг конкретного процесса клиента, регулярно показывать ценность в цифрах и делать расходы клиента предсказуемыми.