Три специалиста техподдержки получали пять тысяч обращений в месяц. Отвечали письменно, по десять минут на каждое. Арифметика беспощадная: ответ клиент ждал от часа до суток, а семь готовых ответов из десяти в базе знаний были отписками.
Мы не «добавили бота на сайт». Мы посчитали экономику, вычистили базу знаний и за два месяца вывели на сайт ассистента, который закрывает 80% обращений без участия человека и отвечает за 15 секунд. Пилот стоил клиенту 350 000 ₽ и окупился быстрее, чем за месяц. Разбираем кейс внедрения ИИ в бизнес по шагам.
Объём, который не помещался в штат
Клиент — крупный производитель климатической техники: собственный проектный отдел, монтажные бригады, сервисный центр. Обращения приходили через форму на сайте, менеджеры отвечали письмами.
- 5 000 обращений × 10 минут на письменный ответ = 833 часа в месяц. Это пять полных ставок.
- В штате три специалиста — они физически закрывали около 60% потока.
- Остальное — очередь: задержки в часах, отписки вместо ответов, недовольные клиенты.
Люди при этом не работали плохо. Объём просто не помещался в штат. Нанять ещё двоих — увеличить расходы на поддержку почти вдвое и остаться с ручной рутиной навсегда.
Сначала экономика, потом разработка
Внедрение искусственного интеллекта в компанию обычно буксует не из-за технологий, а из-за невысказанного вопроса «что это нам даст в рублях». Поэтому до старта посчитали окупаемость:
- Ручная обработка потока: 833 часа × ~630 ₽ за час специалиста = около 520 000 ₽ в месяц. Считаем по полной стоимости работ, а не по трём текущим зарплатам: доведи этот объём до нормальной скорости — и в штате нужно пять человек.
- Обработка с ассистентом: 20% сложных обращений на людях — около одной ставки, ~105 000 ₽. Сам ассистент работает на serverless: платим только за ответы модели и хранение векторной базы. 5 000 ответов по ~0,15 ₽ — это ~750 ₽ в месяц. Итого ~106 000 ₽.
- Разница — примерно 415 000 ₽ в месяц, или около 5 млн ₽ в год.
Пилот стоил 350 000 ₽. При такой разнице он окупается меньше чем за месяц, и у клиента не осталось поводов тянуть с решением.
Разработка ИИ-ассистента началась не с модели, а с Excel
База знаний клиента — таблица на ~3 000 пар «вопрос–ответ». Внутри те самые 70% отписок, дубли и устаревшие контакты.
Скажем прямо: обучить ассистента на таких данных — значит получить быстрого генератора отписок. ИИ не чинит плохую базу знаний. Поэтому первую часть проекта делали контент, а не код: вычистили дубли, перезаписали шаблонные ответы человеческим языком, обновили условия и контакты. Внедрение ИИ в бизнес-процессы почти всегда начинается не с выбора модели, а с такого файла.
Дальше по проекту:
- Зафиксировали логику в техзадании: ассистент отвечает по базе знаний, сложные и нестандартные вопросы передаёт людям. Выдумывать он не умеет — и не должен.
- Развернули решение в Yandex Cloud. Для клиента это было условием, а не предпочтением: данные в России, соответствие 152-ФЗ.
- Архитектуру собрали serverless: без постоянных серверов, оплата только за фактические вызовы модели и хранение векторной базы. Модель — YandexGPT 5 Lite. Можно было взять Pro, технически. Экономически незачем: рассуждать ассистенту не нужно, ответ ему диктует база знаний. Один запрос обходится примерно в 0,15 ₽.
- Подключили к парам «вопрос–ответ» статьи компании: ассистент находит нужный фрагмент по смыслу и отвечает на его основе.
- Интегрировали ассистента с сайтом. Для посетителя это обычный ИИ-чат-бот: написал вопрос — получил ответ через несколько секунд.
Самое сложное было не в модели
Когда мы начинали, сущность «ассистент» в Yandex Cloud только появилась. Рынок работал с западными API, готовых проектов на российской архитектуре практически не было. Документация догоняла продукт, обновления платформы выходили почти каждую неделю — и часть из них меняла поведение моделей.
Спасал не выбор модели, а процесс: после каждого обновления — контрольный прогон вопросов по базе и сверка ответов. Скучная регулярная работа, которая в первые месяцы отделяла «работает» от «работает сегодня».
От старта до запуска на сайте прошло два месяца. Пилот на этом не закончился — наоборот.
Что получилось
| Метрика | До | После |
|---|---|---|
| Обращения без участия человека | 0% | 80% |
| Время ответа | от часа до суток | ~15 секунд |
| Стоимость обработки одного обращения | ~105 ₽ | ~21 ₽ (−80%) |
| Работа специалистов | 833 ч/мес ≈ 5 ставок ≈ 520 000 ₽ | ~167 ч/мес ≈ 1 ставка ≈ 105 000 ₽ — только сложные случаи |
| Затраты на ассистента | — | ~1 000 ₽/мес: ответы модели + векторная база |
| Повторные обращения по тому же вопросу | частый сценарий | −60% |
| Итого стоимость потока | ~520 000 ₽/мес | ~106 000 ₽/мес (−80%) |
Как читать последнюю строку: ~106 000 ₽ — это не содержание агента. Почти вся сумма — зарплата специалистов, которые разбирают сложные случаи. Сам ассистент обходится примерно в 1 000 ₽ в месяц: без постоянных серверов, оплата только за фактические ответы и хранение векторной базы. Логика простая: дорого платим людям за работу, которая требует человека, и почти ничего — за работу, которая его не требует.
По команде: одна ставка сокращена, двое оставшихся специалистов работают только с эскалациями — нестандартные случаи, проектные вопросы, B2B-клиенты. Рутину забрал ассистент.
Повторных обращений по одному вопросу стало на 60% меньше. Раньше клиент переспрашивал, получив отписку; теперь ответ закрывает вопрос с первого раза.
Мы ожидали эффект, но не настолько быстрый. Уже через месяц 80% обращений закрывал ассистент, а команда впервые за долгое время занималась сложными случаями, а не отписками. По деньгам решение окупилось быстрее, чем мы согласовывали бюджет на него. — руководитель клиентского сервиса компании-клиента
Сотрудничество продолжается: добавили веб-интерфейс управления базой знаний — маркетолог правит ответы без разработчика. Развернули ассистента ещё на двух сайтах группы, в плане — ещё семь. Параллельно взяли другие задачи автоматизации, уже не связанные с ассистентом.
Когда ИИ-ассистент не окупится
Честно про границы:
- Обращений меньше 1 000 в месяц. Экономия долго не покроет стоимость пилота — начните с шаблонов ответов и перераспределения задач.
- База знаний в хаосе, и её некому поддерживать. Сначала порядок в контенте, потом модель. Иначе получите те же отписки, только быстрее.
- Некому отвечать за результат. Кому-то нужно раз в неделю смотреть логи и качество ответов. Без владельца процесса ассистент тихо деградирует.
Что с этим делать
Прикиньте на салфетке: объём обращений в месяц × 10 минут на письменный ответ. Вышло больше одной полной ставки — смысл считать дальше есть.
Мы разрабатываем и внедряем ИИ-ассистентов под ключ: аудит базы знаний, расчёт окупаемости до старта, разработка, запуск и сопровождение. Хотите заказать ИИ-ассистента под свой процесс — оставьте заявку на сайте. Посчитаем экономику вашего случая так же честно, как в этом кейсе. Если не окупится — скажем сразу.