bitrixИИ чат-бот в открытых линиях Битрикс24: кейс магазина электроники
Задача
Интернет-магазин электроники — 14 лет на рынке, около 12 000 активных SKU, собственный склад и доставка по региону. В кейсе про ИИ чат-бот в открытых линиях клиент обратился с классической проблемой перегруженной поддержки: около 800 обращений в день через чат на сайте, Telegram, WhatsApp и VK, а штат контакт-центра — всего 9 операторов в две смены. Структура обращений была однотипной: примерно 30% — «где мой заказ», 20% — вопросы о наличии и характеристиках, 15% — сроки и стоимость доставки, 12% — обмен и возврат. То есть почти 80% диалогов не требовали квалификации оператора, но занимали всё его время. Первый ответ в часы пик растягивался до 8–12 минут, а 22% чатов клиенты закрывали, не дождавшись ответа. Каждый такой чат — потенциально потерянная продажа при среднем чеке 7 800 ₽. Отдельная проблема — нестабильное качество ответов. Операторы по-разному трактовали условия гарантии и возврата: один обещал обмен в 14 дней на любой товар, другой отправлял клиента читать оферту. Руководитель поддержки выборочно читал 15–20 диалогов в неделю, но при таком потоке эта выборка ничего не решала. Жалобы в соцсетях на «игнор в чате» появлялись 3–4 раза в месяц, и каждую приходилось разбирать вручную на уровне коммерческого директора. До нас магазин уже пробовал шаблонного чат-бота на сценариях: дерево кнопок ломалось на любой формулировке вне сценария, клиенты писали «оператора» и игнорировали бота. Доля обращений, закрытых без человека, не превышала 9%. После этого провала к слову «бот» внутри компании относились скептически, поэтому пилот запускали на 10% трафика с ежедневной ручной проверкой ответов. Болевые точки, зафиксированные на аудите: • Операторы тратили до 70% смены на справочные вопросы вместо сложных кейсов. • Ночные обращения (около 15% суточного потока) оставались без ответа до утра, треть этих клиентов уходила к конкурентам. • Данные о заказе оператор искал вручную в 1С:Управление торговлей — по 2–3 минуты на один чат, и это при 800 чатах в день. • Текучка операторов за год — 45%: люди выгорали на монотонных вопросах, а новички ошибались в условиях акций. • Руководство не хотело расширять штат: нагрузка сезонная, в ноябре-декабре поток вырастает в 1,7 раза, и содержать «сезонный запас» людей круглый год невыгодно. Задача проекта: внедрить ИИ-агента на базе LLM в открытые линии Битрикс24, который отвечает на типовые вопросы с опорой на базу знаний и реальные данные из CRM и 1С, а сложные случаи передаёт оператору с полным контекстом диалога. Целевые показатели согласовали с заказчиком: не менее 60% обращений без участия оператора, первый ответ — до 30 секунд, CSAT бота не ниже 4,2, ни одного «выдуманного» ответа на пилотной выборке из 2 000 диалогов.
Решение
Решение построили вокруг связки: открытые линии Битрикс24 → middleware-сервис на FastAPI → LLM с RAG по базе знаний → интеграции с 1С:УТ 11 и службой доставки. Сроки: 3 месяца от аудита до промышленной эксплуатации. Первым этапом консолидировали каналы. Чат на сайте (стандартный виджет Битрикс24), Telegram, WhatsApp через официальный коннектор и VK подключили к открытым линиям. Все диалоги попадают в единую очередь, автоматически создаётся лид или выполняется привязка к существующему контакту по номеру телефона и email. До этого Telegram и VK велись в отдельных приложениях, и история общения с клиентом терялась между каналами. Второй этап — ИИ-агент. Событие создания сообщения в открытой линии через REST API отправляется в наш middleware. Сервис определяет интент обращения: статус заказа, наличие, доставка, возврат, жалоба, прочее. Для справочных вопросов работает RAG: базу знаний (240 статей — условия доставки, гарантия, возврат, инструкции по категориям товаров) разбили на фрагменты, проиндексировали в векторном хранилище pgvector, релевантные фрагменты подставляются в контекст LLM. Это устранило выдумывание фактов: бот отвечает только из проверенных материалов, а если релевантных фрагментов нет — честно передаёт диалог оператору, а не импровизирует. Для вопросов о заказах агент вызывает функции-инструменты: по номеру заказа или телефону через наш REST-коннектор к 1С получает статус, состав и трек-номер; по API службы доставки — актуальное местоположение посылки. Наличие и остатки берутся из 1С с кэшем 5 минут, чтобы не перегружать учётную систему в пиковые часы. Все ответы бот отправляет обратно в открытую линию через методы коннектора — клиент видит их в том же чате, где задал вопрос, без перехода на внешние виджеты. Третий этап — логика эскалации. Бот передаёт диалог оператору при негативной тональности (классификатор сентимента), при запросе возврата бракованного товара, при двух подряд неудачных попытках ответить и, разумеется, по прямой просьбе «позовите человека». Оператор получает диалог с готовой сводкой: интент, номер заказа, что уже ответил бот. Роботы Битрикс24 ставят задачу старшему смены, если переданный диалог висит без ответа 5 минут, — эскалация второго уровня не даёт «утонуть» сложным кейсам в общей очереди. Четвёртый этап — контроль качества. На смарт-процессе «Обращения поддержки» настроили оценку каждого диалога: клиенту после закрытия уходит короткий опрос CSAT прямо в чат, а 5% диалогов случайно выбираются для ручной проверки руководителем. Еженедельно выгружали вопросы, на которых бот ошибся или передал диалог оператору из-за отсутствия знаний, и пополняли базу — за первый месяц добавили 60 новых статей и переписали 25 существующих под формулировки реальных клиентов. Пилот шёл три недели на 10% входящего трафика: сверяли каждый ответ бота с эталоном, корректировали промпты и пороги эскалации. После того как доля некорректных ответов упала ниже 0,5%, выкатили агента на весь поток. Обучение операторов заняло два дня: работа с очередью, приём эскалаций, пометки некорректных ответов бота одной кнопкой — эти пометки уходят напрямую в бэклог доработок базы знаний.
Архитектура
Каналы (чат сайта, Telegram, WhatsApp, VK) подключены к открытым линиям Битрикс24, которая является единой точкой входа и хранилищем диалогов. События новых сообщений по вебхукам REST API уходят в интеграционный слой — сервис на FastAPI. Он классифицирует интент, поднимает контекст клиента из CRM (история сделок, карточка контакта) и решает, отвечать ли автоматически. Для справочных вопросов работает RAG-контур: фрагменты базы знаний хранятся в PostgreSQL с расширением pgvector, по каждому запросу выполняется семантический поиск, топ-фрагменты подставляются в промпт LLM. Для вопросов о заказах агент вызывает инструменты: REST-коннектор к 1С:УТ (статус, состав, остатки) и API службы доставки (трекинг). Ответы возвращаются в открытую линию через методы коннектора. Отказоустойчивость: входящие события ставятся в очередь на Redis с повторными попытками и dead-letter очередью — при недоступности LLM сообщения не теряются, а клиенту уходит шаблонное уведомление с переводом на оператора. Кэш остатков 1С (TTL 5 минут) защищает учётную систему от пиковых нагрузок в распродажи. Все вызовы LLM логируются с объёмом токенов и латентностью; мониторинг на Prometheus + Grafana, алерты в Telegram при росте доли ошибок свыше 2% или деградации времени ответа свыше 30 секунд. Ежедневная свёртка метрик (доля автоответов, CSAT, эскалации, стоимость токенов) уходит руководителю поддержки в Битрикс24. Раз в неделю выгрузка диалогов с низкой оценкой попадает в бэклог доработки базы знаний, обновлённые статьи переиндексируются автоматически без остановки сервиса.
Стек
Битрикс24 (облако), открытые линии + REST API, FastAPI, LLM API + pgvector (RAG), 1С:Управление торговлей 11 (HTTP-коннектор), Redis, PostgreSQL 15, Grafana + Prometheus
Результат
Через шесть недель после полного запуска зафиксировали устойчивые показатели. Доля обращений, полностью закрытых ИИ-агентом без оператора, — 65% против 9% у старого кнопочного бота. Первый ответ — 20 секунд в любое время суток вместо 8–12 минут в часы пик. Доля чатов, закрытых клиентом без ответа, упала с 22% до 4%. По оценке коммерческого директора, это около 140 «спасённых» диалогов в день; даже при консервативной конверсии в заказ 6% и среднем чеке 7 800 ₽ это порядка 2 млн ₽ дополнительной выручки в месяц. Ночные обращения (15% потока) стали обрабатываться сразу — раньше они ждали утра, и треть клиентов уходила к конкурентам. Конверсия ночных чатов в заказ выросла с 1,8% до 5,1%. Экономика штата: вместо планируемого найма ещё 5 операторов к высокому сезону магазин обошёлся текущей командой. Экономия на фонде оплаты труда — около 260 000 ₽ в месяц. Операторы переключились на сложные кейсы и возвраты: среднее время решения спорных обращений сократилось с 1,5 дней до 4 часов, потому что агент передаёт диалог с уже собранным контекстом. Текучка операторов за полгода снизилась с 45% годовых до одного увольнения. CSAT бота стабилизировался на 4,4 из 5, общий CSAT поддержки вырос с 3,7 до 4,3. Жалобы в соцсетях на «игнор в чате» исчезли полностью — за три месяца ни одной. Стоимость инфраструктуры LLM — около 18 000 ₽ в месяц при текущем потоке, что в 14 раз дешевле одного оператора. Проект окупился за 2,5 месяца только на экономии найма, без учёта прироста выручки. Следующим этапом заказчик планирует подключить агента к голосовому каналу и расширить базу знаний на B2B-направление.
«Честно, скептически относился к «умным ботам» — прошлый кнопочный только злил клиентов. Здесь разница видна в цифрах: две трети обращений закрываются без человека, а операторы наконец занимаются нормальной работой, а не копипастой про сроки доставки. В высокий сезон впервые обошлись без срочного найма.»
Расскажите о задаче — предложим архитектурное решение
Бесплатный предварительный аудит за 3 рабочих дня: анализ задачи, вариант архитектуры, оценка сроков и бюджета. NDA при необходимости.
- Общение — с техническим архитектором, не с менеджером
- Фиксированная цена после технического аудита
- Гарантия на разработку по договору