Клиент заказал AI-бота. Но помог не он

Полгода назад ко мне пришёл владелец интернет-магазина электроники — 200-300 обращений в поддержку каждый день, четыре оператора, вечная текучка. Запрос конкретный: «Хотим AI-чатбота. Чтобы отвечал клиентам автоматически, давайте делать».

Ну ок.

Мы взяли выгрузку из их хелпдеска — 12 тысяч тикетов за последние два месяца. И первое, что мы сделали — прежде чем писать хоть строчку кода — просто сели и прочитали 500 случайных обращений. Глазами. Руками. Без всякого AI.

Скучно? Да. Но именно это чтение потом определило весь ход проекта.

500 тикетов глазами — что мы увидели

Ну ладно, честно — 200 тикетов мы прочитали руками. На 201-м стало понятно, что сходим с ума от однообразия, и написали скрипт с регулярками, который разметил остальные. Получилось так:

68 процентов. Две трети всех обращений — это «где мой заказ». Оператор получает тикет, открывает CRM, копирует трек-номер, идёт на сайт СДЭК, вставляет, копирует статус, возвращается в хелпдеск, пишет: «Ваш заказ в пути, ориентировочно послезавтра». Это занимает 3-4 минуты на каждый тикет. Умножаем на 150 тикетов в день — 7,5 часов чистого копипаста.

AI-чатбот для этого?

Серьёзно?

Разговор с клиентом

Позвонили и объяснили ситуацию: «68% ваших тикетов не требуют AI. Вообще. Тут нужна интеграция с API доставки плюс автоответ в хелпдеске — задача на порядок проще, чем полноценный чатбот».

Пауза в трубке. Длинная.

«То есть вы предлагаете нам решение попроще?» — «Да. Потому что если мы начнём строить AI-чатбота для задачи, которая решается API-вызовом, через три месяца покажется, что AI не работает. А он работает — просто не здесь».

Написали интеграцию за неделю. Небольшой скрипт на Python — подключились к API СДЭК и Почты России, при входящем тикете парсим номер заказа, дёргаем API, получаем статус, формируем ответ, отправляем.

# Суть интеграции (упрощённо)
def handle_tracking_request(ticket) -> str:
    order = db.get_order_by_text(ticket.text)  # парсим номер из текста
    if not order:
        return None  # передаём оператору

    if not order.tracking_number:
        return "Заказ собирается на складе. Трек-номер появится через 1-2 дня."

    status = delivery_api.track(order.tracking_number)
    return f"Ваш заказ: {status.current_city}. Доставка: {status.eta}."
 [1]

Без нейросети, без embeddings, без GPU. Среднее время ответа упало с 2 часов 15 минут до 47 секунд.

Клиент был… озадачен. Ждал нейросеть — получил if-else с API-вызовом.

Возвраты — тоже мимо AI

С возвратами (14% тикетов) — та же история. 90% запросов обрабатываются по одному алгоритму: проверить срок покупки, проверить категорию товара, выслать инструкцию. Оставшиеся 10% — нестандартные ситуации, которые всё равно решает старший оператор.

Сделали форму-визард: клиент вводит номер заказа, выбирает причину, система проверяет — попадает ли он в окно возврата, можно ли вернуть этот тип товара — и либо формирует заявку автоматически, либо объясняет почему нет. Пять экранов, простая логика ^[2].

Итого: 82% тикетов закрыли обычной автоматизацией. Скрипты, API, формы. Если бы начали с AI-чатбота — потратили бы кучу времени, чтобы нейросеть научилась делать то, что делает обычный код.

Ну и вот, клиент задаёт логичный вопрос: «Так AI нам вообще не нужен?»

А вот тут начинается настоящая история

Помните 11% — претензии по качеству? Мы их читали глазами (все 500 — не поленились) и заметили штуку, которую никто в компании не видел.

В декабре было 5-7 жалоб на повербанки одного бренда — «не заряжает», «греется», «перестал работать через неделю». Нормальный фон. В январе — уже 23 жалобы. Те же слова, тот же бренд, тот же симптом.

Клиент этого не замечал. Его аналитика смотрела на общее количество возвратов (в пределах нормы) и средний чек (стабильно). А тут — конкретный поставщик, конкретная партия, конкретный дефект. Каждый оператор видит 50 тикетов в день и воспринимает очередную жалобу на повербанк как единичный случай. Картину целиком не видит никто — потому что она размазана по 12 тысячам тикетов и четырём операторам.

Вот для этого нужен AI. Не чтобы отвечать клиентам — а чтобы читать то, что клиенты пишут, и находить паттерны.

Сделали классификатор. Ничего космического — sentence-transformers для эмбеддингов текста жалоб, DBSCAN для кластеризации, дашборд с алертами. Раз в сутки система пробегает по новым тикетам с тегом «претензия», группирует по товару и типу проблемы, и если видит аномальный рост кластера — пушит уведомление менеджеру по закупкам.

from sentence_transformers import SentenceTransformer
from sklearn.cluster import DBSCAN
import numpy as np

model = SentenceTransformer('all-MiniLM-L6-v2')

complaints = db.get_complaints(days=30)
embeddings = model.encode([c.text for c in complaints])

clusters = DBSCAN(eps=0.35, min_samples=4).fit(embeddings)

for label in set(clusters.labels_):
    if label == -1:
        continue
    members = [c for c, l in zip(complaints, clusters.labels_) if l == label]
    recent = [c for c in members if c.created > week_ago]
    if len(recent) >= 8:  # порог — 8+ жалоб за неделю в одном кластере
        top_product = most_common([c.product_id for c in members])
        send_alert(
            to="purchasing@client.ru",
            subject=f"Рост жалоб: {top_product.name}",
            body=format_cluster_report(members)
        )
 [1]

Эмбеддинговая модель — 80 мегабайт. Работает на обычном сервере без GPU. Инференс на 500 текстов — 12 секунд. Весь pipeline крутится по крону раз в сутки в 6 утра.

Три месяца спустя

Цифры:

• 82% тикетов обрабатываются автоматически — без AI, обычными скриптами и API

• Среднее время первого ответа: 47 секунд (было 2 часа 15 минут)

• Операторов сократили с четырёх до двух — но не уволили, а перевели на работу с VIP-клиентами (там, где живое общение реально важно)

• Система нашла 3 проблемных партии товаров до того, как жалобы стали массовыми

• Одну из партий — 400 единиц повербанков с дефектом — клиент успел вернуть поставщику по гарантии

Про ценность AI — честно

Вот что мы вынесли из этого проекта. И из двадцати похожих до него.

AI — это не про чат-ботов. Ну, не только про них. В большинстве случаев рутина автоматизируется без нейросетей — API, формы, правила, скрипты. Простой код иногда полезнее, чем модель на миллиард параметров. И это нормально — не каждый гвоздь требует нейросети.

Настоящая ценность AI — в аналитике текстов. В том, чтобы читать тысячи обращений и видеть то, что человек физически не может увидеть. Не потому что он глупый — а потому что у него 50 тикетов в день, и каждый он видит по отдельности. А паттерн — он в 12 тысячах тикетов, размазанный по двум месяцам.

Клиент пришёл за AI-ботом для поддержки — а получил систему раннего обнаружения бракованных партий. Первое мог бы сделать любой подрядчик. Второе — только если сначала сесть и прочитать 500 тикетов глазами.

Нудно? Да. Но это работает.

А у вас как — AI-решения чаще находят ценность там, где планировали? Или тоже всё не так, как на входе?

Сергей Цветков. 15 лет в IT, 30+ AI-проектов.