1 200 обращений в сутки, очередь на первой линии, ответ в среднем через четыре минуты и CSAT 3,9 из 5. Мы подняли агента первой линии на базе знаний: он отвечает за восемь секунд, ведёт диалог в четырёх каналах и передаёт сложное оператору вместе с историей и черновиком ответа.
Прямой ответ. За семь недель мы внедрили AI-агента первой линии в поддержке сети маркетплейс-селлеров: он отвечает по базе знаний за восемь секунд, ведёт диалог в Telegram, VK, на сайте и в почте и закрывает 78,4% обращений без оператора. CSAT вырос с 3,9 до 4,7 из 5, поддержка освободила 2 480 человеко-часов в месяц, четыре оператора перешли в продажи. База знаний построена на Qdrant, сложные обращения уходят оператору с полным контекстом и черновиком ответа.
Клиент — сеть маркетплейс-селлеров: компания управляет шестью магазинами на маркетплейсах, продаёт товары для дома, кухни и мелкую бытовую технику. В ассортименте около 11 000 активных товарных позиций, часть из них — собственный импорт, часть — товары партнёров по схеме дропшиппинга. Штат — 240 человек, из них 22 оператора в поддержке, работающие в две смены.
Поддержка — это узкое место всей модели. Продажи на маркетплейсах растут быстро, но каждый рост объёма означает лавину однотипных вопросов: где заказ, почему задержка, как оформить возврат, подойдёт ли деталь к другой модели, что с гарантией, можно ли изменить адрес. 1 200 обращений в сутки — это около 36 000 в месяц, и 84% из них относятся к 40 повторяющимся темам.
До проекта у компании не было единого рабочего места поддержки: Telegram, VK, виджет на сайте и почта жили отдельно, операторы переключались между окнами и вручную переносили данные о заказах. Часть обращений дублировалась: клиент писал в мессенджер, не дожидался ответа и повторял то же самое в почту. Похожую задачу мы решали и в продажах — там агент тоже снимал с людей первый контакт, это описано в кейсе AI SDR для поставщика промышленного оборудования.
География — Москва, склад в Подмосковье, часть команды поддержки на удалёнке в регионах. Формат для нас привычный: Лидерс AI ведёт проекты по всей России и в СНГ, офисы — в Москве и Санкт-Петербурге, а поддержку мы настраивали удалённо, с выездом на аудит процесса.
Мы разложили поток обращений по темам и каналам и посчитали стоимость каждой проблемы в часах и рублях. Все суммы — расчётная оценка по данным клиента за предыдущие периоды, а не гарантия результата.
Средний первый ответ — 4 минуты, но в пиковые часы клиент ждал 15–25 минут, а в ночную смену работал один оператор на весь поток. За время ожидания часть клиентов уходила писать негативные отзывы — а на маркетплейсе отзыв стоит дороже любого рекламного канала.
Оценка стоимости: около 260 000 ₽ в месяц потерь на отменах и возвратах, которые клиенты оформляли, не дождавшись помощи.
Главная причина недовольства — не отказ, а тишина и шаблон. Ответ «ваш вопрос передан специалисту, ожидайте» закрывал 18% обращений повторным обращением клиента. В опросе после диалога треть оценок в 1–2 балла относилась именно к скорости, а не к решению.
Оценка стоимости: снижение повторных покупок у недовольных клиентов — по расчёту клиента примерно 1,1 млн ₽ недополученной выручки за год.
Работа на первой линии — это поток однотипных вопросов под давлением очереди. Люди выгорали за 4–6 месяцев: найм и обучение одного оператора обходились примерно в 45 000 ₽, а новичок выходил на нормальную скорость только через шесть недель.
Оценка стоимости: около 1,7 млн ₽ в год на подбор, обучение и потери качества в период адаптации новых сотрудников.
27% обращений приходило вне графика 9:00–20:00 по Москве: клиент читает трекинг вечером, а вопрос задаёт в 23:40. Ночью дежурил один оператор, который закрывал около 40 обращений за смену, а остальные ждали утра и приходили уже раздражёнными.
Оценка стоимости: около 90 000 ₽ в месяц на ночные доплаты и переработки плюс потери на отменах.
Единой базы знаний не было: 40 файлов с регламентами, скриншотами и перепиской в чатах. Опытный оператор знал, что делать с браком у конкретного поставщика, новичок — нет. Каждый искал ответ заново и формулировал его по-своему.
Оценка стоимости: до 15 минут в час на поиск информации внутри смены — это примерно 330 000 ₽ в месяц рабочего времени.
Telegram, VK, виджет на сайте и почта не были связаны: у каждого канала своя очередь и свои правила. Дубли и потерянные обращения составляли около 6% потока, а руководитель не мог получить единую картину без ручной сверки выгрузок.
Оценка стоимости: около 120 000 ₽ в месяц на разбор дублей и потери от обращений, которые просто не увидели.
Мы не ставили задачу «заменить операторов». Задача звучала иначе: убрать очередь и вернуть людям сложные диалоги, которые действительно требуют человеческого решения.
Выгрузили 60 000 обращений за два месяца, разметили их по темам и каналам и посчитали, сколько времени занимает каждый тип. Оказалось, что 84% потока — 40 повторяющихся тем, а на десять самых частых вопросов приходится больше половины обращений.
Описали 340 сценариев диалога: трекинг заказа, сроки доставки, условия возврата, совместимость товаров, гарантия, изменение адреса, вопросы по оплате. Для каждого сценария зафиксировали источники данных, тон ответа, критерии уверенности и правила эскалации на человека.
Собрали то, что было разбросано по 40 файлам и чатам: регламенты, ответы на частые вопросы, условия работы с поставщиками, шаблоны для спорных ситуаций. Всё это загрузили в векторную базу Qdrant, разбили по смыслу и связали с данными о заказах.
Запустили агента в Telegram и в виджете на сайте — это 68% потока. Четыре недели сравнивали его ответы с ответами операторов на исторических диалогах, правили формулировки и пороги. На пилоте агент закрывал 71% обращений без человека.
Подключили VK и почту, свели все каналы в одну очередь и один отчёт, включили контекст заказа в каждый диалог. Обучили 22 оператора и руководителя, передали админ-панель базы знаний, регламент эскалаций и дашборд качества.
Это не автоответчик и не дерево кнопок. Агент работает на языковой модели, видит контекст заказа и историю обращений, отвечает живым языком и умеет честно сказать «не знаю». Всё, что выходит за регламент, уходит человеку — с подготовленным черновиком, а не с пустой карточкой. Технически это та же архитектура, что описана в услуге AI-поддержка 24/7.
На скриншоте в начале страницы видно рабочую панель: поток обращений по каналам, доля решённых без оператора, среднее время ответа и динамика CSAT. Внутри контура — три модуля, каждый со своими метриками качества.
Ответ собирается из проверенных фрагментов базы знаний и данных о заказе, а не из общих формулировок модели. 340 сценариев покрывают типовые темы: доставка, возврат, гарантия, совместимость, оплата. Векторный поиск на Qdrant находит нужный фрагмент даже при формулировке «а эта штука к моей подойдёт?».
Если тема нетиповая, клиент просит человека или уверенность агента ниже порога, диалог уходит оператору — с историей переписки, темой, данными заказа и черновиком ответа. Оператору остаётся проверить текст и отправить, а не разбираться с нуля.
Каждый диалог логируется: тема, канал, уверенность, результат, оценка клиента. Раз в неделю руководитель получает отчёт с пробелами в базе знаний — это готовый список того, что нужно дописать, чтобы доля автоматических решений росла.
Ниже — сравнение по метрикам, которые мы замеряли вместе с клиентом до старта, на пилоте и через три месяца после полного запуска. Суммы в рублях — расчётная оценка на данных клиента, а не гарантия: итоговая экономика зависит от объёма потока и стоимости вашего часа.
| Метрика | До | После | Эффект |
|---|---|---|---|
| Обращений без оператора | 0% — всё через людей | 78,4% | ≈ 28 200 обращений в месяц закрывает агент |
| Средний первый ответ | 4 минуты, в пик до 25 минут | 8 секунд | Очередь на первой линии исчезла как явление |
| CSAT | 3,9 / 5 | 4,7 / 5 | +0,8 балла; доля оценок 1–2 снизилась в 3,4 раза |
| Освобождённое время поддержки | — | 2 480 чел.-ч/мес | ≈ 1,3 млн ₽/мес по внутренней стоимости часа (оценка) |
| Повторные обращения | 18% диалогов | 6,1% диалогов | Ответ по делу вместо «ожидайте специалиста» |
| Ночная и выходная поддержка | 1 дежурный, ответ утром | Круглосуточно, 8 секунд | 27% потока перестало ждать до утра |
| Команда поддержки | 22 оператора на первой линии | 18 на линии, 4 в продажах | Сокращений не было: люди перешли в продажи и удержание |
| Единая картина по каналам | 4 несвязанные очереди | Одна очередь и один отчёт | ≈ 120 000 ₽/мес на разборе дублей |
Как это читать честно. 78,4% — это доля обращений, которые агент закрыл полностью, без передачи человеку. Оставшиеся 21,6% — возвраты, претензии, спорные ситуации и нестандартные заказы: их по-прежнему ведут операторы, и мы не считаем это недостатком. Экономия 1,3 млн ₽ в месяц — оценка стоимости освобождённого времени; в реальных деньгах экономия меньше, потому что четыре оператора перешли в продажи, а не были сокращены. В расчёт окупаемости мы взяли только четыре незакрытые ставки и отказ от ночных доплат.
Проект шёл по тарифу «Автоматизация направления»: пилот на двух каналах, затем масштабирование на весь поток. Оплата этапами 30/40/30, метрики зафиксированы в договоре.
Как мы считаем экономику подробнее — в статье «Сколько денег приносит AI-агент»: там разобрана формула ROI со стоимостью токенов, инфраструктуры и поддержки.
Что не входило: работа с претензиями в юридическом поле, возврат денег по спорным сделкам и решение о компенсациях. Эти вопросы остаются за людьми — агент только готовит контекст и черновик.
Как устроена услуга AI-поддержки →Мы не строили отдельную «систему с ИИ»: агент встроился в те каналы, где клиенты уже писали, а знания собрались в одну базу вместо сорока файлов. Оркестрация — на self-hosted n8n внутри контура компании.
Векторная база знаний: регламенты, условия возврата и гарантии, ответы на частые вопросы, правила работы с поставщиками. Поиск по смыслу, а не по ключевым словам.
Основные каналы переписки. Агент ведёт диалог прямо в мессенджере, видит историю и передаёт оператору контекст без потери сообщений.
Оставшиеся два канала в той же очереди. Обращение из виджета и письмо на общий ящик попадают в общий поток, а не в отдельную папку, которую никто не читает.
n8n маршрутизирует обращения, обогащает их данными заказа и логирует результат. Языковая модель формирует ответ, но факты берёт только из базы знаний и учётных данных.
| Компонент | Роль в контуре поддержки |
|---|---|
| Qdrant | База знаний на 340 сценариев: поиск по смыслу и проверяемый источник каждого ответа |
| Telegram | Первый по объёму канал: диалог с клиентом и уведомления операторам об эскалациях |
| VK | Второй по объёму канал: те же сценарии и та же очередь, без отдельного регламента |
| Виджет на сайте | Обращения из карточки товара и раздела «Доставка»: контекст страницы передаётся в диалог |
| Почта | Письма на общий ящик разбираются, тема определяется автоматически, ответ уходит из общей очереди |
| n8n (self-hosted) | Маршрутизация, обогащение данными заказа, эскалации, логирование диалогов |
| LLM | Формирование ответа и черновика для оператора; факты — только из базы знаний и учётных данных |
Принцип тот же, что и в остальных наших проектах: оркестрация на self-hosted n8n внутри контура компании, модель можно заменить без переписывания сценариев. Подробнее о связке описано в статье «n8n + LLM + CRM».
«Мы приходили с запросом „нанять ещё шесть операторов“, а ушли с другим решением. Сначала было неприятно смотреть на цифры: оказалось, что больше половины обращений — это одни и те же десять вопросов, на которые мы отвечали вручную годами. Сейчас клиент получает ответ за восемь секунд в любое время суток, а наши операторы наконец занимаются тем, где нужен человек: возвраты, претензии, сложные заказы. Отдельно отмечу, что команда не стала заменять людей: четыре оператора перешли в продажи и приносят больше, чем стоили на первой линии. Показатель, за которым я слежу каждую неделю, — не доля автоматизации, а CSAT: он вырос с 3,9 до 4,7, и это при выросшем потоке».
Руководитель клиентского сервиса, сеть маркетплейс-селлеров
Мы добавим от себя то, о чём редко пишут в кейсах: первые две недели после запуска агент отвечал заметно суше, чем операторы, и мы вместе с клиентом правили тон ответов — особенно в ситуациях с задержкой доставки. Ещё через месяц доля жалоб на «робота» упала до 1,4% от диалогов, а к концу второго месяца клиенты в 11% случаев благодарили именно за скорость ответа.
Не нашли свой вопрос? Напишите в Telegram или позвоните по номеру.
Если задача похожа на вашу, посмотрите, как мы решали её в других отраслях. Полный список — в разделе все кейсы.
600+ заявок в месяц, ответ через три часа, часть базы без касаний. Агент взял первый контакт, квалификацию по BANT, персонализацию и назначение встреч.
18 400 счетов и актов в месяц разносили вручную четыре человека. Агент читает реквизиты, сверяет с 1С, помечает расхождения и готовит проводки.
2 180 откликов в месяц, time-to-hire 31 день, кандидаты терялись в переписках. Агент скринит резюме, ведёт интервью-бот, записывает на слот и сопровождает онбординг.
На разборе мы возьмём выгрузку ваших обращений за месяц, разметим поток по темам и посчитаем, какая доля закрывается без оператора, сколько часов это освободит и когда решение окупится. Разбор останется у вас, даже если вы решите ничего не внедрять.
Ответим в течение 30 минут в рабочее время. Пришлём короткий список вопросов, чтобы не тратить ваше время на разборе.
Мы свяжемся с вами в течение 30 минут в рабочее время и пришлём вопросы для подготовки к аудиту поддержки.