Сижу в чате техподдержки одного российского маркетплейса. Мне отвечают за 40 секунд. Первая фраза — «Добрый день! Понимаю вашу ситуацию». Вторая — «Сейчас посмотрю». Третья — «Вижу, что заказ отгрузился». Четвёртая — «Всё в порядке, ожидайте». Я закрываю чат и думаю: это бот. Или оператор, который работает как бот — отрабатывает шаблон и не читает, что ему написали.
Потом я сделал своего Telegram-бота с ИИ для поддержки. И понял, почему большинство таких ботов раздражают не меньше, чем живые операторы-роботы.
Проблема, которую я решал
У меня небольшой SaaS — 800 пользователей, команда поддержки из двух человек, и поток вопросов, который к вечеру вторника превращается в лавину. Два оператора физически не успевали отвечать, а клиенты, не получившие ответ за 15 минут, начинали писать в третий раз. Или уходили.
Я искал решение месяца три. Сначала поставил обычного бота на правилах — if/else деревья, «нажмите 1 для..., нажмите 2 для...». Работало ужасно. Клиенты бросали бота на втором вопросе и шли на почту. Потом попробовал LangChain + OpenAI API — стало лучше, но бот врал. confident hallucinations, как их называют. Один раз он пообещал пользователю возврат, которого не существовало в нашей политике. Пришлось звонить и извиняться.
Третья попытка — то, что я называю «честной автоматизацией». Не ИИ, который притворяется человеком, а ассистент, который знает границы своих возможностей.
Из чего состоит рабочая связка
Мне не нужен был суперинтеллект. Хотелось, чтобы бот закрывал 60% тикетов без участия человека — те, где ответ известен и не требует нюансов.
Архитектура простая.
Ответственный за качество — GPT-4o-mini. Дешёвая, быстрая, достаточно умная для простых вопросов. Для сложных — вызов GPT-4o, но только по триггеру.
База знаний — наши документы, FAQ, описание тарифов. Загрузил в векторную базу через LlamaIndex. Не потому что LlamaIndex какой-то волшебный, а потому что он нормально работает из коробки и не просит танцевать с бубном вокруг chunking-стратегии.
Контекстная память — последние 10 сообщений в диалоге. Бот не начинает каждый ответ с нуля и не забывает, о чём его спрашивали две реплики назад.
Модерация ответов — я не дал боту публиковать ответ сразу. Первое время он отправлял его мне в Telegram-канал, я одобрял или правил. Накопилась статистика — стало понятно, на какие типы вопросов он отвечает надёжно, а где начинает плавать.
Первый месяц на модерацию уходило 30–40 минут в день. Сейчас — минут пять, и то больше по привычке.
Что он закрывает, а что — нет
Бот отлично справляется с типовыми вопросами: как сменить тариф, как экспортировать данные, почему не пришло письмо, как настроить интеграцию. По нашей статистике — 67% входящих сообщений уходят полностью без участия оператора.
Не справляется с жалобами на баги. Тут всё просто — баг есть или его нет, бот не может починить код, а клиент, у которого что-то сломалось, хочет услышать живого человека. Я даже не пытаюсь это автоматизировать.
Спорные кейсы — отмена подписки, спор о начислениях, вопросы по безопасности аккаунта. Бот может собрать информацию, сформулировать суть проблемы и передать оператору с контекстом. Это экономит минуту-две на каждом тикете, а в масштабе дня — заметно.
Главная ошибка, которую я совершил
Я сначала пытался научить бота всему. Подробные инструкции на каждый случай, сотни if-then ветвлений, система приоритетов. Результат — бот, который не мог ответить на вопрос «как дела», потому что не знал, куда его отнести.
Потом упростил до «отвечай только на то, в чём уверен, остальное — оператору». И качество ответов выросло в разы. Ирония в том, что ограничение себя — это и есть ключ к нормальной работе. Бот, который говорит «я не знаю, сейчас подключу человека» — раздражает меньше, чем бот, который уверенно несёт чушь.
Второй косяк — не протестировал на реальных клиентах перед запуском. Посадил команду на внутреннее тестирование, все были довольны. Выкатили — через день пришёл вопрос, на который бот дал ссылку на документ, который мы обновили три месяца назад. База знаний устарела. Теперь раз в неделю автоматическая проверка актуальности документов.
Что получил на практике
Среднее время первого ответа упало с 8 минут до 23 секунд. Операторы перестали тонуть в типовых вопросах и начали разбирать сложные кейсы, которые раньше откладывали. Satisfaction score вырос на 12% — клиенты получают ответ сразу, а не ждут в очереди.
Из неочевидного: качество работы операторов выросло, потому что они перестали по 50 раз отвечать на одно и то же и начали замечать паттерны. Оказалось, что 15% вопросов — это один и тот же баг в интерфейсе. Исправили баг — ушёл целый поток тикетов.
Коротко: имеет смысл или нет
Имеет, если вы понимаете, зачем он нужен. Не для того чтобы заменить поддержку. Для того чтобы разгрузить людей от повторяющейся рутины и дать клиентам ответ за секунды, а не за часы.
Не делайте из бота супергероя. Дайте ему узкую зону ответственности, следите за качеством ответов первое время и держите базу знаний в актуальном состоянии. Это три вещи, которые важнее любой модели или фреймворка.
Если есть конкретный вопрос по реализации — пишите в комментариях, разберём.
