Внедрили ИИ-ассистента, который дает ответы 24/7 и сократил ожидание клиентов в рабочее время на 30% в сети из 51 магазина

Клиент: Сеть магазинов товаров для дома и ремонта (DIY-ритейл).
Масштаб: 51 точка по ЦФО, интернет-магазин, 2000+ сотрудников.
ИТ-ландшафт: 1С:ERP, самописная CRM и IP-телефония.
Что сделали: Внедрили голосового и текстового ИИ-агента в первую линию поддержки.
Главный эффект: Операторы перестали быть «справочным бюро», а среднее время ожидания ответа на линии упало с 4 минут до 40 секунд.

Проблема

Представьте себе утро понедельника или вечер пятницы в строительном магазине. Телефоны разрываются. Клиенты хотят знать всё: от «есть ли у вас грунтовка глубокого проникновения» до «где мой заказ №12345». В пиковые часы 35% звонков просто сбрасывались, менеджеры в залах, которые должны продавать и консультировать живых покупателей, вынуждены были отвечать на одни и те же вопросы: «До скольки вы работаете?» и «А доставка в субботу есть?».

Базовая метрика выглядела удручающе:

Lost Call Rate (потерянные звонки): 35%.
FCR (решение вопроса с первого обращения): 60%.
Нагрузка на оператора: 120 звонков в смену (выгорание через 3 месяца).

Руководство поставило задачу: не просто «поставить чат-бота», а создать систему, которая разгрузит людей от рутины, не уронив при этом человечность сервиса.

Данные

Любой ИИ умен ровно настолько, насколько качественны данные, которые ему скармливают. Мы столкнулись с классикой российского ритейла: данные были везде, и они были «грязными».

Номенклатура в 1С велась годами разными кладовщиками, а CRM-система жила своей жизнью, храня историю заказов, а статусы доставки вообще лежали в отдельной логистической базе. Нам предстояло «подружить» ИИ с тремя источниками правды:

База знаний: Скрипты, условия возврата, гарантия.
1С:Управление Торговлей: Актуальные остатки и цены.
CRM: Статусы заказов и профили клиентов.

Решение: Цифровой консьерж, который реализовала наша команда (БизнесМатика).

Наше решение строилось на базе LLM с архитектурой RAG (Retrieval-Augmented Generation). Представьте, что мы наняли стажера с эйдетической памятью. Он помнит наизусть все инструкции, имеет мгновенный доступ к складской программе и никогда не спит. Ассистент был внедрен в два канала:

Голос (Телефония): Распознавание речи, поиск ответа, синтез голоса.
Текст (WhatsApp/Telegram/Сайт): Мгновенные ответы в чатах.

Главная фишка — маршрутизация. Если ИИ понимает, что клиент спрашивает про сложный расчет плитки для ванной, он не пытается фантазировать, а вежливо переводит звонок на профильного эксперта: «Я вижу, вам нужна помощь с расчетом. Соединяю с отделом сантехники, они в этом профи».

Как это строилось: От галлюцинаций до мастерства

Процесс занял 4,5 месяца и напоминал обучение ребенка речи, только очень быстрое.

Проектирование (3 недели): Мы слушали звонки. Тысячи звонков. Выделили 50 топовых интентов (намерений), которые покрывают 80% трафика.
Чистка данных (4 недели): Самый трудоемкий этап. Пришлось написать промежуточный слой (API), который нормализует данные из 1С перед тем, как отдать их нейросети.
Прототип и «Песочница» (3 недели): Запустили бота на внутренней линии для сотрудников. Они пытались его сломать, задавая каверзные вопросы.
Боевой запуск (6 недель): Раскатывали постепенно. Сначала на 5 магазинов, потом на регион, потом на всю сеть.

Команда: Люди за кулисами

Со стороны интегратора работала «штурмовая группа»:

Архитектор решений: проектировал связку телефонии и нейросетей.
Data Scientist: «дрессировал» модель, чтобы она не путала ламинат с паркетом.
Backend-разработчик: строил мосты к 1С.

Со стороны клиента ключевую роль сыграл не столько IT-директор, сколько Руководитель клиентского сервиса. Именно она валидировала ответы бота: «Нет, так мы с клиентами не разговариваем, слишком официально, добавьте эмпатии».

Вызовы

Самый большой риск был не техническим, а психологическим. Персонал магазинов встретил новость в штыки. Продавцы боялись, что ИИ начнет «косячить», а разгребать придется им, или, что еще хуже, их сократят.

Мы решили это через метафору «Экзоскелета». Мы объяснили и показали на демо, что ИИ не заменяет оператора, а забирает на себя «мусорную» работу.
Риск галлюцинаций: На старте бот один раз придумал акцию «Скидка 50% на все перфораторы».
Решение: Вдрили жесткие ограничители. Теперь, если бот не находит точной информации в базе знаний, он запрограммирован отвечать: «Я уточню этот момент у коллеги» и переводить на человека, вместо того чтобы выдумывать.

Результаты: Цифры, которые говорят сами за себя

Спустя 3 месяца после полного запуска (сравнение квартал к кварталу):

Экономика: Стоимость обработки одного обращения снизилась в 3 раза. Но важнее то, что в нерабочее время (с 21:00 до 09:00) бот стал собирать и квалифицировать лиды, которые раньше просто терялись. Это дало прирост выручки интернет-магазина на 1,5%.

Слово клиенту

«Сначала я был главным скептиком. Думал, будет очередная "тупая говорилка". Но когда я увидел, как бот в три часа ночи оформил доставку ванны в Мытищи, уточнив наличие грузового лифта, я понял — мир изменился. Мои сотрудники выдохнули. Теперь они решают нестандартные проблемы, а не работают справочником», — Алексей, операционный директор.

Что изменилось в работе людей? Менеджер зала больше не бежит к телефону, бросая клиента посреди консультации. Телефонные звонки поступают на кассу или менеджеру только тогда, когда вопрос требует человеческого участия (например, конфликтная ситуация или крупный оптовый заказ).

Следующие шаги

Проект перешел из стадии «инновация» в стадию «стандарт работы». В планах на следующий год:

Голосовая аналитика: ИИ будет анализировать не только смысл, но и эмоции клиентов во время разговоров с живыми операторами, чтобы выявлять точки напряжения.
Персонализация: Бот будет узнавать клиента по голосу и сразу предлагать расходники к товарам, купленным полгода назад (например, сменные фильтры).