— Как понять, что нам необходим бот?

Бот — не самоцель, а инструмент. Его можно использовать для разных целей, например: улучшить качество ответов; снизить стоимость итерации; повысить удовлетворённость поддержкой; отвечать быстрее; не оставлять редких ночных пользователей в одиночестве, если поддержка не работает по ночам.

Любой из этих целей можно достигать разными путями, бот — это не панацея, а один из вариантов.

— Какие они вообще бывают?

Чатботов можно разделить на сценарных и ИИ-шных:

— Мы маленькая компания. Боты — это для бигтеха и госсектора, это сложные технологии?

Не всегда так.

Самая дорогостоящая часть умного бота — это его мозг, языковая модель (для простоты ее называют просто моделью). Разработка требует работы целых корпораций: на основе огромного количества данных модель учат предсказывать следующее слово в предложении. Так появились ChatGPT от OpenAI, Bard от Google, Llama от Meta, Bing от Microsoft, YandexGPT от Яндекса и GigaChat от Сбера.

Нам не нужно обучать модель для бота с нуля, готовое решение можно купить, а потом натренировать на своих данных: как отвечать на вопросы, где смотреть информацию о пользователе и в каких случаях передавать тикет саппорту.

Но обучение бота для своих задач все-таки потребует усилий: его нужно учить и дообучать, контролировать качество ответов и закладывать в расходы стоимость ошибок, которые бот может допустить. Команда разработчиков и дата-сайентистов уже не понадобится, но совсем без усилий тоже не получится.

— Ботом можно закрывать 100% обращений? Сколько обращений можно смело отдать боту?

В каждой поддержке есть два типа обращений: типовые/консультационные и все остальные (ошибки, баги, сильно негативные возвраты и эмоционально заряженные кейсы). Боты отлично справляются с первыми и хуже — со вторыми.

% обращений, закрытых ботом, называют Authomatisaon Rate. AR — это компромисс между удовлетворённостью, стоимостью обработки и качеством ответа.

Единого бенчмарка процента обращений, которые боты полностью решают без участия человека, не существует. «Здоровая цифра» варьируется в зависимости от типа бизнеса, сложности запросов и технологической платформы. Средние цифры выглядят так:

Обращения, в которых поучаствовал бот, делят на чистую и грязную автоматизации. Если бот не может закрыть сложный тикет самостоятельно, он может проделать часть работы за человека: запросить и собрать данные, уточнить детали и правильно маршрутизировать тикет.

— Если бот будет решать 70% обращений, мне нужно уволить 70% команды?

Боты действительно помогают оптимизировать расходы на ФОТ, но решение, расставаться ли с командой, остаётся за руководителем. Саппорты, освободившиеся от обработки однотипных обращений, могут стать техническими писателями, управлять качеством ответов бота или перейти на линию выше. Специалисты поддержки хорошо понимают продукт и потребности пользователей, поэтому хорошо приживаются в тестировании, сопровождении и продуктовых командах. Увольнение — не единственный выход.

— Сколько времени пройдёт от начала настройки до первого «Привет, я бот»?

Зависит от способа поставки бота.

Если заниматься ботом полностью самостоятельно, а опыта работы с ними нет, понадобится время, чтобы во всём разобраться: закладывайте от трёх месяцев до года.

Если обратиться к компаниям, которые возьмут на себя большую часть работы, выйдет быстрее. Юздеск обещает бота за месяц, если у вас есть базовые материалы для его обучения.

Время поставки зависит от количества тематик, обращения по которым нужно автоматизировать, количества интеграций с внутренними инструментами (CRM, из которой брать данные о времени доставки; карточки клиента, из которой брать информацию о его заказах), возможности бота запоминать контекст между прошлыми обращениями и ожидаемого качества ответа.

Ешьте слона по частям. Не нужно пытаться автоматизировать сразу всю вашу базу знаний. Выделите самые частые запросы, проверьте актуальность базы знаний по ним, обучите бота, протестируйте и сразу отправляйте в бой. Так вы проверите его работу на небольшой части информации, отстроите его поведение и работу, и дальше вам будет уже проще масштабировать.

— Боту нужно платить за каждое обращение?

Бот не требует зарплаты, но расходы на него всё равно будут.

Если вы покупаете только модель для бота, то платить придётся за токены. Токен — это условная единица текста, с которой работает модель, одно слово — 1−2 токена. Вы платите за токены, на которые разделится входящий вопрос, и за токены, из которых модель составит ответ. Длину ответов можно ограничивать на обучении.

Важно понимать, что в стоимость обращения, обработанного ботом, нужно закладывать платформу или сервис для бота (если не делаете его сами), обучение, настройку и обновление базы знаний. На первый взгляд выглядит пугающе, но в большом масштабе стоимость обработки тикета ботом всё равно может выйти в 10−15 раз дешевле, чем отвечать человеком.

Если вы покупаете сервис чат-ботов, варианты оплаты могут быть разными: например, вы платите не за токены, а фиксированную сумму за закрытое ботом обращение. Операционные расходы вроде контроля качества и дообучения модели могут быть включены в стоимость.

— Бот наговорит глупостей от лица компании — и нас засудят. Кто виноват?

Ответственность несёт компания, а не бот и не разработчики модели.
Бот действует от имени компании, вы решаете, где и как его использовать, и контролируете, какие ответы он может давать. Поставщик модели (OpenAI, Яндекс, Сбер…) обычно прямо пишет в условиях, что вы отвечаете за то, как используете их технологию.

— А бот умеет шутить? Вдруг он выдаст клиенту что-то неуместное?

Это реальные, но управляемые риски. Проблемы возникают из-за отсутствия ограничений (боту можно отвечать на всё подряд), плохой или противоречивой базы знаний, отсутствия сценария передачи обращения человеку, если бот не знает ответа, и попытки автоматизировать слишком сложные или эмоциональные кейсы. Например, если у вас не продуман сценарий, в котором бот передаёт человеку или просит переформулировать вопрос, который не понял, бот может попробовать ответить на обращение «Как вы относитесь к В. В. Путину?»

Зону ответственности бота можно ограничить, а его ответы протестировать. Риски, что бот ответит что-то не то, сопоставимы с ошибками живых операторов.

— А что будет с персональными данными?

Когда пользователь пишет боту, возможны три сценария:

1. Данные обрабатываются внутри вашей системы (например, коробочное решение модели на вашей инфраструктуре).
2. Данные уходят в сторонний сервис (например, модели, которая крутится в облаке, через API).
3. Часть логики у вас, часть у поставщика бота.

Обычно ПД лежат на внутренних ресурсах компании. Если у бота нет доступов и сценария интеграции «посмотри почту пользователя из обращения, по интеграции обратись к нашей базе клиентов, найди ФИО, телефон, а потом в другом месте посмотри по ним его заказы», то беспокоиться не за что: достаточно не включать ПД в базу знаний, на которой вы обучаете бота (да и что бы ПД делать в базе знаний?).

ПД могут быть и в переписках, на которые отвечает бот: клиент сам может написать своё имя, почту и телефон. Если вы делаете бота сами — нужно их очищать. Большинство поставщиков очищают переписку скриптами от персональных данных и только потом передают в модель, но это остаётся за кадром и не на 100% надёжно. Если хотите полностью соответствовать закону и хранить данные в России, то использовать нужно поставщиков, которые разворачивают модели на локальных серверах (например, Юздеск), либо отечественные модели Яндекса и Сбера.

Если используете не коробочное решение, которое целиком расположено у вас, и при этом бот тянет ПД из внутренних ресурсов, проверяйте, что написано в контракте поставщика модели. В большинстве случаев никакие данные не используются для обучения модели по умолчанию в enterprise-режимах, но перепроверить будет не лишним.

— Мы очень ценим живое общение и хьюман тач с клиентами. Можно вообще без бота?

Конечно, можно. Бот — это один из инструментов, которым служба поддержки достигает целей для компании. Обращения, обработанные ботом, стоят дешевле, но Cost per ticket — не единственный параметр, из которого складывается удовлетворённость.

А ещё можно обучить бота хьюман тач, загрузив в него ваш тон-оф-войс в качестве части базы знаний, и он не сможет забыть его, даже столкнувшись с сильно разозленным клиентом. С людьми такое иногда случается.

— Как научить бота отвечать так, как наши операторы?

Во-первых, вам понадобится база знаний для бота. Мы называем это по аналогии базы знаний для саппортов, потому что эти понятия похожи по смыслу, но БЗ саппортов и БЗ чат-бота часто разделяют.

Люди намного лучше ботов сопоставляют информацию и улавливают оттенки смысла. Человеку легко уловить общую тональность и принципы общения, если показать всего пару примеров, а боту для этого потребуется тщательное обучение. Поэтому база знаний для бота не должна содержать устаревших инструкций, ответов в разных стилях, которые нужно подстроить по ситуации, частей «ЭТО НИ В КОЕМ СЛУЧАЕ НЕ ГОВОРИМ ПОЛЬЗОВАТЕЛЮ, ЭТО ДЛЯ НАС» — бот в этом запутается и в лучшем случае не ответит.

Во-вторых, вам понадобятся голден сэмплы для каждой категории вопросов. Золотой набор данных — это коллекция тщательно проверенных, прекрасных и понятных вопросов и ответов, которые послужат обучению и проверке качества бота. Лучший источник — логи реальных диалогов из службы поддержки, хотя для сложных случаев, в которых мало реального трафика, можно попросить опытных сотрудников смоделировать формулировки вопросов и ответов.

Когда вы показываете боту несколько сотен таких примеров, он начинает улавливать стиль: с чего начинать ответ, какой уровень эмпатии проявлять, когда переходить к делу.

— Можно показать боту, где у нас база знаний для операторов, чтобы он брал оттуда готовые ответы?

Да, но после этого обязательно нужно проверить качество его ответов. То, что легко понимают люди, не всегда будет достаточно ясно, структурно и понятно для обучения модели.

— В каком формате должна быть база знаний для бота? Какие правила написания БЗ?

Это обычный текст, который может лежать на ваших внутренних ресурсах, или админская панель сервиса, если вы используете готовое решение. Никакого программирования не требуется, боту нужен качественный текст в ToV компании. Главные правила:

— Мы обучили бота на нашей базе знаний. Как контролить качество?

Контроль качества — это не разовая акция, а системный непрекращающийся процесс. Вот что может помочь:

— Ответ даётся строго по базе или перефразируется?

Строго по базе — не значит дословно. Если заставить бота выдавать текст статьи слово в слово, получится неестественно и топорно, это то, за что мы часто ругаем сотрудников.

Умный бот должен брать смысл ответа из базы знаний, но подстраивать его под контекст диалога. На этапе обучения вы задаёте боту границы свободы. Делается это с помощью системного промпта — текстовой инструкции, которая объясняет модели, как себя вести. В ней вы можете прямо прописать: «Отвечай в дружелюбном тоне, [описание вашего ToV]. При этом строго придерживайся фактов из базы знаний, но можешь перефразировать незначительные детали».

Современные платформы для чат-ботов позволяют настраивать сценарии или ветки диалога. Когда бот классифицирует обращение и понимает, что речь о возврате, он подтягивает соответствующий промпт и работает по нему — в кризисных категориях свободу нужно строго ограничить. Промпт не заменяет базу знаний, а задаёт манеру общения и границы допустимого.

Контроль тут тот же самый: аудит случайных диалогов и сверка с голден сэмплами.

— Что за движок лежит под этим ИИ: ChatGPT, Gemini?

Да, это ChatGPT, Gemini, Claude, YandexGPT — модель, которая понимает вопрос и даёт ответ, может быть любой.

Если вы покупаете чатбота как сервис, компания получает доступ к моделям по API, что становится всё проблематичнее на фоне проблем с международным интернетом, или разворачивает их на своих серверах. YandexGPT и GigaChat уже соответствуют требованиям 152-ФЗ о персональных данных.
Выбирая модель, мы ориентируемся на:

Обычно сервисы (Intercom, Zendesk, российские вендоры) дают доступ к разным моделям для тестирования или используют гибридный подход: простые вопросы летят на быструю и дешёвую модель, сложные — на более мощную.

Если вы задумываетесь о самостоятельной разработке чат-бота, разворачивайте модель на российских серверах или готовьтесь к тому, что добраться до серверов ChatGPT будет сложно.

— Нужна команда технарей, которая будет настраивать и поддерживать бота?

Зависит от выбранного решения, но ролей может понадобиться как больше, так и меньше.

— У нас часто меняется информация, например, стоимость доставки. Как изменить уже готового бота на новый?

Если в базе знаний, в которую смотрит бот, было написано «стоимость доставки — 150 рублей», измените цифру на 200 и сохраните изменения. Бот обращается к материалам каждый раз, когда нужно дать ответ, поэтому его ответ тут же изменится.

Когда изменения глобальнее, чем заменить одну цифру, нужно протестировать ответы бота по новой тематике, понадобятся новые голден сэмплы.
Если бот должен для каждого клиента показать точную стоимость по адресу, весу заказа и текущему тарифу транспортной компании, то данные должны лежать в CRM, к которой по интеграции обращается бот. Бот возьмёт адрес из тикета и по API подставит в CRM для расчёта, достаточно поправить формулу в первоисточнике.

— А что, если доступ к GPT закроют или запретят?

18 марта 2026 года Минцифры опубликовало законопроект «Об основах государственного регулирования сфер применения технологий искусственного интеллекта в Российской Федерации», который обязывает ИИ-сервисы с аудиторией более 500 тысяч человек в сутки хранить данные и переписку пользователей на территории РФ в течение трёх лет. OpenAI, Google и Anthropic исторически отказывались выполнять требования по локализации данных, и нет оснований полагать, что они передумают.

Для нас есть три решения:

1. Взять модель с открытым исходным кодом, вроде Qwen и DeepSeek, и развернуть на собственной инфраструктуре в России. Все данные останутся внутри периметра компании.
2. Использовать российские модели — GigaChat, YandexGPT.
3. Выбирать не модель, а сервис. Если вы покупаете чат-бота у российского вендора (Юздеск, chatme, Watson), его задача — обеспечить работоспособность при любом регулировании.

По некоторым параметрам российские модели отстают от зарубежных, но для задач поддержки (ответы по базе знаний, маршрутизация) их достаточно. Самый надёжный вариант — развернуть модель у себя и не зависеть от внешних интеграций, самый простой — купить сервис с ботом у вендора.

— Возможна ли интеграция ИИ-агента со внутренними сервисами компании?

Не только возможна, но и очень желательна! Бот, который отвечает только по базе знаний, — это, в сути своей, очень умный поиск по справке. Отлично подходит для консультационных вопросов, но не решает никаких проблем, для которых нужен не только ответ, но и действие.

Вы даёте боту доступ к конкретному действию в конкретной внутренней части инфраструктуры:

• Посмотреть статус заказа в CRM по номеру телефона.
• Проверить баланс клиента в биллинге.
• Перенести доставку на другой слот у логистов.

Клиент пишет боту: «Где мой заказ?». Бот идёт в CRM, находит заказ по номеру из хелпдеска, видит статус и отвечает: «Ваш заказ передан в доставку, ожидайте завтра с 10 до 18». Это типовой вопрос, который решается в одну итерацию и легко автоматизируется, если у бота есть интеграции.

Самый распространённый путь — интеграции по API. Чтобы воспользоваться им, объект интеграции должен иметь открытый программный интерфейс, в который бот может отправить запрос HTTP-методом. Одно действие настраивается один раз и не требует поддержки, если API не меняется.

По сложности интеграции выглядят так:

— Есть ли цифра точности, например «будет давать верный ответ с вероятностью 90%»?

Accuracy (точность) — ключевая метрика качества ответов чат-бота, показывает долю правильных ответов от общего числа.

Верхнеуровневая точность зависит от двух факторов:

1. Обучение и настройка сценариев бота — это самый весомый фактор. Если в базе знаний нет вопросов, которые задают боту, он не сможет правильно ответить.
2. Качество самой модели. Когда задача всей огромной языковой модели, обученной на терабайтах данных, сужается до «читай базу знаний и находи подходящие ответы», даже опенсорсный Qwen справляется с точностью 90−95%.

Управление точностью бота — больше инженерно-сценарная задача, чем техническая. Accuracy опирается на Retrieval — качество поиска ответа по документам. Retrieval зависит от того, сколько документов нашёл бот, какие счёл подходящими и как проранжировал их от самых подходящих к самым бесполезным.

Если нужные документы найдены, мы наблюдаем за Grounding — качеством использования найденного. Бот должен использовать максимум контекста из наших статей и минимум — галлюцинировать.

Если бот верно нашёл документ, взял из него максимум нужного контекста, мы наблюдаем за Generation — как он, сравнив контекст вопроса и контекст ответа, выдаёт нечто третье пользователю в чат.

Только убедившись в том, что база знаний достаточна и качественна, можно переходить к углублённым техническим вопросам, вроде NLU и NLP.

— Что ещё за рак 🦞? (RAG :)

RAG — это Retrieval-Augmented Generation, генерация, дополненная поиском. Это способ работы с большими языковыми моделями, при котором бот не хранит свою память в себе, а перед каждой генерацией обращается к базе знаний.

Выглядит так:

1. Получает вопрос в тикете.
2. Честно идёт в вашу базу знаний, которую вы для него написали.
3. Находит подходящие статьи, ранжирует их по подходящести.
4. Вчитывается в те, которые счёл самыми нужными.
5. И только после этого формулирует ответ клиенту — своими словами, но строго по найденной бумажке.

RAG страхует нас от глупостей из внешних источников и делает возможным то мгновенное обновление информации, вроде цен, о которой мы говорили. Бот не помнит цену, он каждый раз читает её заново.

Нужно упомянуть, что есть альтернатива RAG — файнтюн (fine-tuning). Файнтюн — это жёсткое обучение, в котором модели показывают тысячи вопросов-ответов, модель ищет соответствия и запоминает паттерны. В поддержке не бывает исключительно файнтюн-ботов, потому что любое дообучение стоит дорого.

В реальных внедрениях эти подходы часто дружат, а не конкурируют. Файнтюн отвечает за стиль и манеру общения, а RAG — за актуальные факты. Модель дообучена разговаривать в нужном тоне, но за цифрами и деталями всё равно ходит в базу знаний. Так мы получаем стабильный стиль и гибкость в обновлении информации.