Чат-бот поддержки
Закрывает типовые обращения за секунды по утверждённой базе знаний, сам проверяет статус заказа и оформляет заявки, а сложное передаёт оператору с полной историей диалога. Очередь в чате исчезает, качество ответов перестаёт зависеть от смены.
Иллюстрация показывает рабочий контур направления; конкретные шаги и интеграции разобраны ниже.
Как это выглядит без автоматизации
Поддержка растёт вместе с продажами, но по-плохому: чем больше клиентов, тем длиннее очередь из одинаковых вопросов. Операторы к вечеру отвечают короче и суше, новички — как запомнили, а клиент, не дождавшийся ответа за полчаса, уже пишет негативный отзыв или открывает спор по оплате.
60–70% потока — одни и те же вопросы
«Где заказ», «как вернуть», «сколько доставка», «как оплатить» — на них отвечают те же люди, которые нужны для сложных случаев. Квалифицированный сотрудник половину смены копирует абзацы из регламента.
Первый ответ — через 15–40 минут
В пик очередь растёт сама от себя: клиент ждёт, дублирует вопрос в другой канал — и это плюс ещё одно обращение в ту же очередь. Время первого ответа — главный фактор оценки поддержки, и оно хуже всего именно тогда, когда клиентов больше всего.
Ответы зависят от смены
Опытный оператор отвечает по регламенту, новичок — по памяти. Два клиента с одинаковым вопросом получают разные условия возврата — это уже не сервисная, а денежная проблема. С уходом сильного сотрудника знания уходят вместе с ним.
Ночью и в выходные поддержки нет
Вечер и выходные — пик покупок в рознице и онлайне. Вопрос, заданный в субботу в 21:00, ждёт понедельника, а конкурент из выдачи отвечает за минуту. Сажать смену на ночь ради двух десятков чатов — экономически бессмысленно, терять этих клиентов — тоже.
Во что это обходится: 4 500 обращений в месяц × 65% типовых × 8 минут на ответ ≈ 390 часов ручной работы — это 2,3 ставки оператора × 65 000 ₽ ≈ 150 000 ₽ ежемесячно за ответы, которые уже написаны в регламентах.
Возможности системы
Мы строим бота на связке языковой модели и RAG-поиска по вашей базе знаний: он отвечает только по утверждённым материалам, а не по фантазиям нейросети. Бот подключён к вашим системам — видит заказы, записи и документы, поэтому не только консультирует, но и выполняет операции. Когда уверенности нет, он не изображает знание, а создаёт тикет и зовёт человека.
Отвечает по вашей базе, а не из головы
RAG-поиск находит нужные фрагменты в утверждённой базе знаний, модель собирает ответ только из них. К каждому ответу в журнале прикреплён источник — видно, из какой статьи взята формулировка и почему бот ответил именно так.
Выполняет операции, а не только разговаривает
Проверяет статус заказа по номеру или телефону, оформляет возврат по правилам магазина, переносит запись, отправляет счёт или акт — через API ваших систем. Каждое действие пишется в журнал и ограничено правами: бот делает ровно то, что разрешено.
Честно зовёт человека
При низкой уверенности, негативе или стоп-теме (претензия, спор, возврат денег сверх регламента) бот создаёт тикет в Service Desk и передаёт диалог оператору — с историей переписки и черновиком ответа. Клиент не повторяет вопрос заново.
Один мозг во всех каналах
Виджет на сайте, Telegram, WhatsApp, VK — одна база знаний, одна логика, одинаковые условия в любом канале. Новый канал подключается к готовому боту, а не строится заново.
Учится на своих провалах
Каждый диалог, где бот не справился, попадает в еженедельный разбор: пробел закрывается новой статьёй базы знаний. Доля закрытых обращений растёт после запуска, а не падает.
Показывает руководителю картину
Дашборд: темы обращений, доля закрытых ботом, время первого ответа, оценки клиентов, причины эскалаций. Руководитель впервые видит, о чём на самом деле спрашивают клиенты — это готовый список, что чинить в продукте и на сайте.
Путь одного события через систему
Каждый шаг оставляет след в журнале: любое решение системы можно открыть и проверить — что пришло, что проверено, что сделано.
Обращение приходит в единую точку
Сообщение из чата на сайте, Telegram, WhatsApp или VK попадает в общую шину: один бот, одна база, одна очередь. Канал перестаёт влиять на скорость и качество ответа.
Модель понимает вопрос
Языковая модель выделяет намерение и данные: номер заказа, тему, срочность, тон. Свободный текст с опечатками и два вопроса в одном сообщении разбираются корректно — без кнопочных меню.
Ответ собирается из базы знаний
RAG-поиск находит релевантные фрагменты утверждённой базы, модель формулирует ответ строго по ним. Чего в базе нет — бот не выдумывает: сработает эскалация.
Данные и действия — через API
Если нужен статус заказа, слот записи или документ, бот обращается в CRM, учётную систему или Service Desk и выполняет операцию. Каждый вызов — в журнале с исходной фразой клиента.
Неуверенность — эскалация с контекстом
При низкой уверенности, стоп-теме или запросе «позовите человека» создаётся тикет с историей диалога, категорией и черновиком ответа. Оператор получает уведомление и продолжает разговор в том же окне.
Каждый диалог оставляет след
Тема, результат, оценка клиента и время ответа уходят в дашборд. Диалоги, где бот не справился, попадают в разбор — из них рождаются новые статьи базы знаний.
Что происходит по неделям
Каждый этап заканчивается результатом, который вы видите и принимаете. Оплата привязана к приёмке, а не к обещаниям.
Разбор потока обращений
Выгружаем историю диалогов и тикетов за 2–3 месяца, классифицируем по темам, считаем частоты и время ответа. Согласуем, что автоматизируем в первую очередь: обычно 25–30 тем покрывают 70–80% потока.
База знаний и RAG-пайплайн
Собираем базу знаний из регламентов, инструкций и лучших ответов операторов, вычищаем противоречия, структурируем. Строим RAG-пайплайн: векторный поиск, порог уверенности, защита от увода темы и промпт-инъекций.
Операции и интеграции
Подключаем CRM, учётную систему и Service Desk: статус заказа, оформление возврата, перенос записи, отправка документов, создание тикетов. Настраиваем права: какие операции бот выполняет сам, какие только готовит для оператора.
Каналы и передача оператору
Подключаем виджет сайта, Telegram, WhatsApp и VK. Настраиваем маршрутизацию эскалаций на операторов, стоп-темы, черновики ответов и уведомления. Обучаем команду поддержки работе с тикетами от бота.
Пилот на живом трафике
Включаем бота на часть потока: один канал или нерабочие часы. Ежедневно разбираем логи, закрываем пробелы базы, калибруем порог эскалации, чтобы бот не геройствовал там, где нужен человек.
Сопровождение и рост базы
Еженедельно разбираем эскалации и неудачные диалоги, добавляем статьи в базу, обновляем ответы при смене цен и условий, следим за стоимостью токенов и качеством модели после обновлений провайдера.
Модельный расчёт: из чего складывается эффект
Не «до 90% экономии», а конкретная модель с вводными, которые можно оспорить и пересчитать под себя.
| Показатель | Сейчас | После внедрения |
|---|---|---|
| Обращения без оператора | 0% | 55–65% потока |
| Время первого ответа | 15–40 минут в пик | до 5 секунд, круглосуточно |
| Операторских ставок | 4 | 2 (сложные случаи и контроль качества) |
| Стоимость одного обращения | ≈ 58 ₽ (только ФОТ) | ≈ 38 ₽ (ФОТ + вся система) |
| Ответы ночью и в выходные | ждут рабочего дня | закрываются сразу |
Полная цена владения — три составляющие
Никаких скрытых платежей: внешние сервисы вы оплачиваете напрямую по своим договорам, мы не делаем наценку на чужие тарифы.
Внедрение
- типовой проект: 380 000 ₽
- срок: 5–8 недель
- диагностика, разработка, интеграции, пилот
- документация и обучение команды
Поддержка
- мониторинг и реагирование по SLA
- исправление дефектов бесплатно
- обновление сценариев и интеграций
- ежемесячный отчёт о работе системы
Эксплуатация
- LLM-токены: 0,2–2 ₽ за ответ; 3 000–15 000 ₽/мес на 5 000–10 000 диалогов
- WhatsApp Business API (через провайдера): 2 000–6 000 ₽/мес + 4–8 ₽ за диалог; Telegram и VK бесплатны
- Сервер и векторная база под RAG: 3 000–8 000 ₽/мес
- Чат-платформа для операторов (если нет своей): от 2 250 ₽/мес
- число каналов в первом запуске: один Telegram дешевле связки сайт + WhatsApp + VK
- количество операций с данными: только ответы по базе — нижняя граница вилки, статусы, возвраты и документы — середина и выше
- состояние базы знаний: структурированные регламенты или сбор из переписок с нуля
- контур данных: облачные российские модели или развёртывание модели в вашей инфраструктуре под требования 152-ФЗ
- объём потока и требования к отказоустойчивости в пиковые часы
Участие заказчика
На диагностике достаточно обезличенных примеров. Боевые доступы — только после договора и NDA, через защищённые каналы.
С чем соединяем
Работаем с тем, что у вас уже есть. Если вашей системы нет в списке — скорее всего, подключимся через API: уточним на диагностике.
Как это решение работает в разных бизнесах
Магазин с 4 500 обращений в месяц: 40% потока — «где мой заказ». Бот тянет статус из retailCRM и трекинг службы доставки, сам оформляет возвраты по правилам магазина. Поддержка из четырёх операторов стала двумя, первый ответ упал с 25 минут до секунд.
УК на 12 000 квартир: показания, квитанции, отключения, заявки на мастера. Бот отвечает по регламентам, принимает заявки с фото и адресом сразу в Service Desk, аварийные темы мгновенно уходят диспетчеру. До 70% обращений закрывается без диспетчерской — утренняя очередь звонков рассосалась.
Сеть из трёх клубов: заморозка, продление, расписание, гостевые визиты. Бот сам оформляет заморозку абонемента в CRM и отвечает про расписание из живого источника — 60% обращений без человека, администраторы занимаются клиентами в зале, а не чатом.
Онлайн-школа: пик вопросов — вечером, когда ученики садятся за уроки. Доступ к платформе, перенос занятия, домашние задания, оплаты и сертификаты — бот закрывает 1 200 из 2 000 обращений в месяц, кураторы утром разбирают только сложные тикеты.
Аутсорсинговый контакт-центр ставит бота первой линией текстовых каналов заказчика: типовые вопросы закрываются автоматически, операторы берут только эскалации. Себестоимость обращения падает примерно вдвое, и КЦ продаёт клиентам SLA «первый ответ за минуту» без расширения штата.
Что обычно спрашивают
Откуда гарантия, что бот не выдумает ответ?
У нас нет базы знаний. Из чего боту отвечать?
Чем это лучше кнопочного бота, который у нас уже стоял?
Клиент злится и требует человека. Что произойдёт?
Переписка клиентов уйдёт в чужую нейросеть? Что со 152-ФЗ?
Как мы поймём, что бот работает хорошо, а не разгоняет клиентов?
Когда это решение не окупится
- меньше ~1 000 обращений в месяц — экономика не сойдётся, дешевле шаблонный конструктор или хорошо написанный раздел FAQ
- в потоке почти нет типовых вопросов: сложная B2B-поддержка инженерного продукта, где каждый кейс уникален, — бот превратится в дорогую маршрутизацию
- некому владеть базой знаний: если условия меняются, а регламенты никто не обновляет, качество ответов деградирует за несколько месяцев
- ожидание 100% автоматизации: 25–40% диалогов должны уходить людям — попытка закрыть ботом всё стоит дороже, чем оставить операторов
- сегмент, где персональный менеджер — часть продукта: клиенты платят именно за общение с человеком
Если на диагностике расчёт не сойдётся — мы предложим более простой вариант или честно скажем, что автоматизация вам пока не нужна. Это дешевле для всех, чем проект ради проекта.
Корпоративная база знаний
ИИ-поиск по регламентам, инструкциям и документам компании: сотрудник задаёт вопрос в привычном чате и получает ответ с точной цитатой и ссылкой на источник. Права доступа — по ролям: каждый видит только своё.
Поддержка клиентовОмниканальный ИИ-ассистент
Собирает почту, мессенджеры, соцсети и чат на сайте в одну ленту с единой историей клиента. Типовые обращения закрывает сам, сложные передаёт нужной команде с приоритетом — и клиент никогда не рассказывает свою историю заново.
Поддержка клиентовКонтроль SLA
Следит за сроком каждого обращения, предсказывает просрочку по загрузке и сложности и эскалирует заранее — пока срок ещё можно спасти. О нарушении вы узнаёте до клиента, а не из его жалобы.
Посчитать «Чат-бот поддержки» на ваших цифрах?
Пришлите объёмы и пару примеров — вернёмся с картой процесса, честным расчётом экономики и точной сметой. Если не сойдётся — так и скажем.
