Что нужно было сделать
Референсное решение: типовая задача, которую мы закрываем ИИ-агентом. Ниже — архитектура, стек и параметры такого внедрения, а не отчёт по конкретному заказчику.
Заявка живёт минуты, а отдел продаж работает по будням с 9 до 18. Клиент оставляет запрос вечером, в выходной или в поток из пяти каналов сразу — сайт, Telegram, WhatsApp, VK, почта. Пока менеджер доберётся до заявки, человек уже написал конкурентам.
Что болит у бизнеса:
- Первый ответ уходит через часы — лид успевает остыть
- Менеджер тратит время на одни и те же вопросы: цена, сроки, состав услуги
- Нецелевые обращения съедают столько же времени, сколько горячие
- Часть диалогов вообще не доезжает до CRM — история теряется в мессенджерах
Задача: посадить на первую линию ИИ-агента, который отвечает мгновенно и круглосуточно, снимает у клиента нужные вводные, отсеивает нецелевых и передаёт менеджеру уже прогретый диалог с заполненной карточкой сделки.
Как мы это видим
Проектируем агента не как «чат-бота с кнопками», а как сотрудника первой линии со сценарием, доступом к данным и правом эскалации.
Что закладываем в прототип:
- Единое окно входящих — сайт-виджет, Telegram, WhatsApp, VK, почта и формы сходятся в один диалоговый поток
- Сценарий квалификации — агент выясняет задачу, бюджетную вилку, сроки и лицо, принимающее решение, в живом диалоге, а не анкетой
- Ответы по вашим материалам — прайс, каталог, условия работы, частые возражения; агент не фантазирует, а отвечает по базе
- Запись на звонок или встречу — подбор свободного слота в календаре менеджера прямо в переписке
- Передача человеку — по стоп-словам, сложному вопросу, просьбе клиента или сигналу «горячий лид»; менеджер получает summary диалога, а не простыню переписки
- Карточка в CRM — сделка, контакт, источник, теги квалификации и расшифровка диалога создаются автоматически
Как мы это строили
Под диалогом — оркестратор, который решает, что агенту сделать на каждом шаге, и набор инструментов, к которым у него есть доступ.
Как это устроено:
- Шина каналов — коннекторы к Telegram Bot API, WhatsApp Business API, VK, IMAP/SMTP и виджету на сайте приводят все обращения к одному формату сообщения с историей диалога.
- Оркестратор агента — LLM в связке с инструментами: поиск по каталогу и прайсу, расчёт по прайс-листу, календарь, CRM, уведомления менеджеру. Модель выбирает инструмент, оркестратор исполняет вызов и возвращает результат в диалог.
- Знания о продукте — материалы компании разбиваются на фрагменты и индексируются (PostgreSQL + pgvector или Qdrant); перед ответом агент подтягивает релевантные куски, поэтому отвечает по вашим документам, а не по «общим знаниям модели».
- Guardrails — жёсткие рамки: не обещать скидок и сроков вне регламента, не уходить от темы, не выдумывать цифры; при неуверенности — передача человеку. Все диалоги логируются, спорные размечаются и идут в доработку промптов.
- Интеграции — amoCRM, Bitrix24, 1С, Google/Яндекс Календарь, уведомления в Telegram или почту ответственного.
- Стек — Python/Django + асинхронные воркеры (Celery/Redis), PostgreSQL, LLM через облачный API (GPT, Claude, YandexGPT, GigaChat) или локальная модель (Qwen, Llama) на сервере клиента, если переписка не должна покидать контур компании.
Что получилось
На выходе — первая линия продаж, которая не спит, не устаёт и ничего не теряет.
Что получает бизнес:
- Ответ клиенту за секунды в любое время суток и в любом канале
- Менеджер подключается к уже прогретому диалогу — с задачей, бюджетом и сроками в карточке
- Нецелевые обращения отсеиваются до того, как займут время команды
- Вся переписка и все заявки — в CRM, без ручного переноса
- Дашборд по диалогам: сколько заявок, где агент передал человеку, какие вопросы задают чаще всего
- Прозрачная стоимость эксплуатации — расход на токены считаем и оптимизируем
Как идёт проект: пилот на одном канале и одном сценарии запускаем от 2–3 недель, дальше расширяем каналы, дообучаем сценарий на реальных диалогах и подключаем интеграции. Итоговый эффект зависит от потока обращений и качества ваших материалов — считаем его на старте вместе с вами.