Чат-бота с нейросетью можно собрать за вечер: подключить API языковой модели и написать инструкцию «ты — вежливый консультант компании». Проблемы начинаются на первых десятках реальных клиентов. Бот обещает скидку, которой нет, путает тарифы, называет срок доставки из головы и охотно обсуждает рецепт борща вместо вашего продукта.
Разница между демо и рабочим ассистентом — не в выборе модели, а в том, что построено вокруг неё: база знаний, поиск, ограничения, передача человеку, интеграции и контроль качества. Разбираем, из чего состоит AI-ассистент для бизнеса и как довести его до состояния, когда ему можно доверить клиентов.
Чем AI-ассистент отличается от обычного чат-бота
Классический бот работает по сценарию: кнопки, ветки, заранее написанные ответы. Он предсказуем, но ломается, как только клиент пишет своими словами или задаёт вопрос, которого нет в дереве.
Ассистент на базе LLM понимает свободный текст, переформулировки и опечатки, умеет уточнить вопрос и собрать ответ из нескольких источников. Обратная сторона — меньше предсказуемости: модель может ответить уверенно и неправильно.
| Сценарный бот | Ассистент на LLM | |
|---|---|---|
| Как устроен | Кнопки, ветки, готовые ответы | Языковая модель, база знаний, поиск |
| Свободный текст | Ломается на вопросах вне дерева | Понимает переформулировки и опечатки |
| Предсказуемость | Высокая | Ниже: может ответить уверенно и неправильно |
Поэтому в рабочих проектах почти всегда получается гибрид. Свободные вопросы обрабатывает языковая модель, а действия с последствиями — оформление заказа, запись, возврат — идут по жёсткому сценарию с кнопками и проверками. Бот для поддержки клиентов, который «просто болтает», бизнесу не нужен. Нужен тот, который решает задачу клиента или быстро передаёт её человеку.
Бизнесу нужен не бот, который «просто болтает», а тот, который решает задачу клиента или быстро передаёт её человеку.
Как устроен ассистент на базе LLM
Если разобрать типичного ИИ-бота для сайта или Telegram, внутри будут такие компоненты:
- Канал. Виджет на сайте, бот в Telegram, чат в VK или в мобильном приложении. Каналов может быть несколько, логика одна.
- Бэкенд-оркестратор. Принимает сообщение, хранит историю диалога, решает, что делать дальше: искать в базе знаний, вызвать CRM или передать оператору.
- Языковая модель. Облачная через API или развёрнутая в собственном контуре. Отвечает за понимание вопроса и формулировку ответа.
- База знаний и поиск. Документы, из которых модель берёт факты.
- Инструменты. Функции, которые модель может вызвать: проверить статус заказа, найти свободное время для записи, создать заявку.
- Логи и админка. Где видно все диалоги, оценки, переводы на оператора и где редактируется база знаний.
Путь одного сообщения выглядит так: клиент пишет вопрос → оркестратор ищет подходящие фрагменты в базе знаний и при необходимости запрашивает данные из CRM → модель получает инструкцию, историю диалога и найденные факты → формирует ответ → система проверяет его по правилам и отправляет клиенту или зовёт оператора.
База знаний и RAG
RAG (retrieval-augmented generation, генерация с опорой на найденные документы) — стандартный способ научить модель отвечать по вашим данным без дообучения. Документы режутся на смысловые фрагменты, для каждого строится векторное представление. Когда приходит вопрос, система находит самые близкие по смыслу фрагменты и передаёт их модели вместе с инструкцией: «отвечай только на основе этого».
На практике качество ассистента определяется прежде всего не моделью, а базой знаний. Что в ней важно:
- Один источник правды. Если в одном документе доставка 3 дня, а в другом 5, модель выберет любой из вариантов.
- Актуальность. У каждого раздела должен быть ответственный и понятный порядок обновления.
- Структура. Короткие разделы с ясными заголовками и формулировками «вопрос — ответ» ищутся лучше, чем стостраничный регламент.
- Живые данные — не текстом. Цены, остатки, статусы заказов лучше получать запросом к учётной системе в момент вопроса, а не копировать в документы, которые устареют завтра.
Качество ассистента определяется не столько моделью, сколько базой знаний.
Почему бот «врёт» и как это лечить
Языковая модель не ищет правду, она генерирует правдоподобный текст. Когда фактов не хватает, она достраивает их сама. Типичные причины выдуманных ответов:
- ответа на вопрос в базе знаний нет, и модель заполняет пробел;
- поиск нашёл не тот фрагмент — похожий по словам, но про другое;
- в базе есть противоречащие друг другу документы;
- инструкция слишком свободная и не запрещает додумывать;
- данные устарели.
Что с этим делать:
- Разрешить говорить «не знаю». Явная инструкция: если в найденных фрагментах ответа нет, бот честно говорит об этом и предлагает связаться с сотрудником.
- Порог релевантности. Если поиск не нашёл достаточно близких фрагментов, модель вообще не генерирует ответ по существу.
- Ссылки на источник. Ответ сопровождается ссылкой на раздел базы знаний или страницу сайта. Это дисциплинирует модель и помогает при разборе ошибок.
- Ограничение тематики. Вопросы не про ваш продукт вежливо отклоняются.
- Запрет на обязательства. Скидки, компенсации, индивидуальные сроки бот не обещает — такие вопросы уходят оператору.
- Тестовый набор. 100–200 реальных вопросов с эталонными ответами, включая провокационные. Его прогоняют после каждого изменения базы, инструкций или версии модели.
Полностью исключить ошибки нельзя, но можно сделать их редкими, заметными и безопасными.
Передача оператору
Хороший ассистент знает, когда пора позвать человека. Типичные триггеры:
- клиент прямо просит оператора;
- негатив, жалоба, угроза уйти;
- вопросы про деньги: возвраты, спорные списания, индивидуальные условия;
- низкая уверенность поиска или повтор одного вопроса два-три раза подряд;
- сложные случаи, которые бизнес заранее отнёс к ручным.
Важна не только передача, но и её качество. Оператор получает всю историю диалога и короткое резюме от модели: кто клиент, что хочет, что ему уже ответили. Клиенту не приходится повторять всё заново.
Интеграции с CRM и другими системами
Без интеграций ассистент — это справочник. С ними он начинает решать задачи:
- создаёт лид или сделку в CRM с текстом диалога и источником;
- узнаёт клиента по телефону или аккаунту и учитывает историю заказов;
- сообщает статус заказа или заявки;
- записывает на услугу в свободный слот;
- ставит теги для аналитики: тема обращения, канал, результат.
Бот в Telegram с GPT имеет свою специфику: пользователь уже идентифицирован аккаунтом, удобно присылать уведомления о статусе, но нужно продумать привязку Telegram-аккаунта к клиенту в CRM, например через подтверждение номера телефона. Если через бота проходят персональные данные, учитывайте требования 152-ФЗ к их хранению и передаче.
Технически ассистент с интеграциями — это полноценный веб-сервис со своей архитектурой, правами доступа и мониторингом, и проектировать его стоит соответственно.
Метрики качества
«Бот вроде работает» — не метрика. Что стоит считать с первого дня:
- Доля диалогов, решённых без оператора. Главный показатель экономии, но только в паре с качеством.
- Точность ответов. Выборочная ручная проверка: например, каждую неделю 50 случайных диалогов размечаются как «верно», «частично», «неверно».
- Доля ответов «не знаю». Слишком высокая — дыры в базе знаний. Слишком низкая — возможно, бот додумывает.
- Переводы на оператора и их причины. Помогают понять, какие темы добавить в базу.
- Оценка клиента после диалога.
- Конверсия в заявку или покупку для ассистентов на сайте. Её стоит связать с веб-аналитикой: целями и событиями в Яндекс Метрике.
Самый полезный регулярный ритуал — разбор логов: где бот ошибся, где клиент ушёл, каких вопросов нет в базе. Это источник улучшений на месяцы вперёд.
Этапы внедрения AI-ассистента
- Аналитика. Разбираем историю обращений, выделяем частые темы, решаем, что бот делает сам, а что отдаёт людям.
- База знаний. Собираем, чистим от противоречий, назначаем ответственных за обновление.
- Прототип и тестовый набор. Проверяем качество ответов на реальных вопросах до подключения клиентов.
- Интеграции. CRM, учётная система, канал оператора.
- Закрытый тест. Ботом пользуются сотрудники и небольшая доля клиентов, все диалоги проверяются.
- Запуск и развитие. Постепенно расширяем аудиторию, еженедельно разбираем метрики и пополняем базу.
Эта последовательность повторяет то, как мы в Sphere ведём любой продукт: аналитика, проектирование, разработка и тесты, запуск и развитие. Подробнее о подходе — на странице агентства.
Частые вопросы
Можно ли сделать бота в Telegram с GPT?
Да, технически это стандартная задача: бот принимает сообщения через Telegram Bot API и отправляет их в языковую модель через бэкенд. Основная работа не в подключении модели, а в базе знаний, ограничениях, интеграции с CRM и передаче диалога оператору. Выбор модели стоит делать с учётом того, какие данные через бота проходят.
Какую языковую модель выбрать для ассистента?
Ту, которая лучше справляется с вашим тестовым набором вопросов при приемлемой стоимости и подходящих условиях обработки данных. Для многих задач поддержки хватает моделей среднего размера, а точность сильнее зависит от базы знаний и поиска, чем от модели.
Сможет ли ИИ-бот полностью заменить поддержку?
Обычно нет. Он хорошо закрывает частые типовые вопросы и снимает нагрузку с первой линии, но сложные, конфликтные и денежные вопросы лучше оставлять людям. Правильная цель — чтобы операторы занимались тем, где они действительно нужны.
Как обновлять информацию, которую знает бот?
Через базу знаний: изменили документ или раздел в админке, и после переиндексации бот отвечает по новой версии. Цены, остатки и статусы лучше не хранить в документах, а запрашивать из учётной системы в момент вопроса.
Сколько стоит AI-ассистент для бизнеса?
Стоимость складывается из подготовки базы знаний, разработки бэкенда и интеграций, оплаты модели за запросы или собственных серверов и последующей поддержки. Простой ассистент по FAQ и бот, который работает с CRM и заказами, отличаются по объёму работ в разы, поэтому оценку стоит делать после разбора ваших обращений.
