Сегодня показываю честное «до/после» после внедрения ИИ‑ассистента Wildbots в операционный контур B2B‑сервиса доставки. Разберём отправную точку, архитектуру, этапы, цифры эффективности и реальный отзыв клиента. В посте — фрагменты логики, метрики FRT/SLA/CSAT, экономика и риски. Без магии ✨: только то, что можно повторить в вашем бизнесе. Мы с командой за восемь недель превратили хаотичный поток заявок в предсказуемый процесс без лишних переключений.

Кто герой кейса

Средний B2B‑сервис «АльфаЛогистик» (название изменено): 65 операторов, 3 канала обращений (почта, сайт, мессенджеры), 12 500 тикетов в месяц, сложные SLA с клиентами и сезонные пики. Цель — ускорить реакции на типовые вопросы, снизить человеческие ошибки и разгрузить команду от рутинных проверок статусов, цен и документов.

До внедрения: как это выглядело

• Разрозненные базы знаний: инструкции в Google Docs, тарифы в Excel, ответы в личных заметках.
• Люди переключались между 6–8 окнами: CRM, трекер доставок, почта, мессенджер, база тарифов, справочник складов.
• Средний первый ответ (FRT): 11 минут 40 секунд. Выполнение SLA 4 часа — 72% обращений.
• CSAT по пост‑опросам — 4,41/5. Основная претензия: «долго ждём простых ответов».
• Смена тратит до 1,5 часа в день на ручные сверки статусов и документов (накладные, ПКО, акты).
• Обучение новичка — 14 рабочих дней до самостоятельной линии.

После: что изменилось с ИИ‑ассистентом

Мы встроили ассистента Wildbots прямо в рабочее место оператора: одно окно, живой диалог, контекст из CRM, трекера и тарифов подхватывается автоматически. Ассистент отвечает клиенту сам или готовит черновик, собирает факты из внутренних систем, подставляет шаблоны, просит подтверждения у человека там, где есть риск.

Как мы это сделали: 6 шагов

1. Аудит контактов и намерений. Сгруппировали 80% обращений в 14 сценариев: статус заказа, пересчёт тарифа, смена адреса, договор, рекламация и др. Оценили объём и риск ошибок.
2. Единая база знаний. Собрали актуальные регламенты и ответы в структурированный «каталог намерений» с примерами формулировок, полями, ограничениями и источниками истины.
3. Подключение источников данных. Интеграции через API: CRM (сделки, клиенты), TMS (статусы, трек), тарифный калькулятор, файловое хранилище (акты, накладные). Ассистент научился «читать» факты, а не гадать.
4. Диалоговые цепочки. Спроектировали промпт‑оркестрацию: распознаём намерение, собираем недостающие поля, проверяем права, выполняем действие, формируем ответ, фиксируем лог.
5. Контроль качества. На старте — режим «двух ключей»: ассистент готовит черновик, оператор подтверждает. Для рисковых сценариев — обязательная валидация.
6. Обучение и запуск. 3 игровых тренинга с кейсами, стенд с «песочницей», чек‑листы ошибок. Постепенное повышение автономности ассистента.

Что под капотом ассистента

• RAG‑архитектура: ассистент не «придумывает», а извлекает из векторного индекса и внутренних API.
• Инструменты: тарифный калькулятор, поиск накладных, подсказки статусов, генерация актов, создание задач в CRM.
• Политики: явные границы полномочий, аудит действий, журнал промптов, анти‑галлюцинации (порог уверенности, fallback к человеку).
• Интеграция: рабочее место оператора, email и мессенджеры; единый тон и шаблоны ответа.

Живой отзыв клиента

«Мы реально вздохнули. Раньше простой вопрос “где груз?” мог повиснуть на 15 минут, пока оператор перелистывает окна. Сейчас ассистент сам подтягивает статус и черновик письма — остаётся нажать “отправить”. За счёт этого мы закрываем больше тикетов без переработок, а ребята меньше устают».

Экономика и окупаемость

Быстрый расчёт (округлённо):

• 12 500 тикетов/мес × 28% экономии × 35 ₽/тикет = ≈1225 тыс. ₽ экономии в месяц.
• Лицензии и сопровождение ассистента — 380 тыс. ₽/мес.
• Чистый эффект ≈ 845 тыс. ₽/мес; окупаемость пилота — 1,6 месяца.

Побочные плюсы: меньше штрафов за просрочки SLA, ниже текучесть (меньше рутины), быстрее онбординг.

Риски и как мы их закрыли

• Галлюцинации: порог уверенности + обязательные ссылки на источник факта + fallback к человеку.
• Конфиденциальность: данные остаются в периметре клиента, токенизация логов, RBAC‑права на действия.
• Юридические формулировки: ассистент предлагает заготовки, финальное слово — у оператора/юриста.
• Человеческий фактор: гайдлайны тона, быстрые шпаргалки, регулярные ретро по ошибкам.

Уроки, которые мы вынесли

1. Сначала намерения, потом модели. Без чёткого каталога задач ИИ усилит хаос.
2. Не бойтесь «полумер». Режим «двух ключей» позволяет получить быстрый эффект, не рискуя качеством.
3. Интеграции важнее «интеллекта». Доступ к фактам даёт 80% ускорения.
4. Считайте экономику прозрачно. Фиксируйте метрики до/после, иначе успех будет «на глаз».
5. Инвестируйте в обучение. 3 коротких практических сессии дают больший эффект, чем 1 длинная лекция.

Мини‑чек‑лист для запуска у себя

• Опишите топ‑10 повторяющихся сценариев (по объёму × риску).
• Сведите источники истины: тарифы, статусы, договоры.
• Выберите канал старта (один!) и роль ассистента: черновики или автодолгование.
• Определите метрики успеха: FRT, SLA, CSAT, стоимость тикета.
• Назначьте владельца знаний и расписание обновлений.

Что дальше

Мы расширяем ассистента на рекламации и расчёты дополнительных услуг, учим его распознавать вложения (накладные, чеки) и инициировать превентивные уведомления, если видим риск срыва SLA. Волна за волной — сначала рутинные сценарии, затем «длинный хвост».

Заключение

ИИ‑ассистент — это не про «заменить людей», а про убрать лишние переключения, ускорить доступ к фактам и дать команде больше энергии для сложных задач. Если интересен разбор именно вашего процесса — пишите. Поделюсь схемами оркестрации, примерами промптов и типовыми интеграциями. 🚀

— Константин Романков, Wildbots