OpaGPT Шаг 1: Формирование базы знаний и интент-анализ
Перед запуском чат-бота ИИ мы провели аудит 12 000 диалогов службы поддержки. Выделили 47 интентов (намерений) — от «сбросить пароль» до «претензия по качеству». На основе этого построили дерево решений. Важно: не пытайтесь объять всё сразу — 80% запросов покрывают 20% интентов. Наш чек-лист:
- Собрать 500+ реальных диалогов
- Разметить интенты вручную или через NLP-бот
- Определить топ-10 интентов по частоте
- Создать ответы-шаблоны с переменными
Шаг 2: Выбор LLM и настройка обработки естественного языка
Мы выбрали Mistral 7B как базовую LLM, дообученную на корпоративном FAQ. Для обработки естественного языка использовали комбинацию BERT для классификации и GPT для генерации. Пример: на запрос «Где мой заказ?» бот распознаёт интент «статус заказа», извлекает номер из истории чата и выдаёт точный ответ. Чек-лист этапа:
- Определить порог уверенности (мы поставили 0,85)
- Настроить fallback-фразы для низкой уверенности
- Протестировать на 200 синтетических вопросах
Шаг 3: Интеграция с CRM и автоматизация поддержки
Чат-бот ИИ подключили к API Salesforce и Telegram. Автоматизация поддержки позволила боту самостоятельно менять статусы заказов и создавать тикеты. Результат: first call resolution вырос с 52% до 78% за первую неделю. Важный нюанс: все действия логируются для аудита.
Шаг 4: Обучение на истории диалогов (RAG-пайплайн)
Мы загрузили 5000 resolved-диалогов в векторную базу Pinecone. Каждый запрос бот сначала ищет похожий кейс через semantic search, затем генерирует ответ. Это снизило нагрузку на операторов на 40% уже на этапе бета-теста. Пример: клиент пишет «Не пришёл промокод» — бот находит 3 похожих кейса, извлекает решение и отправляет новый промокод.
Шаг 5: A/B-тестирование и калибровка sentiment analysis
Запустили два сценария: «только ответы» и «ответы + эмодзи + извинения». Sentiment analysis показал, что второй вариант даёт +12% удовлетворённости. Настроили динамическую смену тона: при негативе бот переключается в «сочувствующий» режим. Чек-лист:
- Сравнить CSAT по сценариям (выборка 500 чатов)
- Замерить NPS через 3 дня
- Убрать эмодзи для жалоб — они бесят
Шаг 6: Запуск в продакшн и мониторинг
Релиз состоялся 15 марта 2026. Первые сутки бот обработал 3400 запросов, эскалировал только 12%. Снижение нагрузки на операторов составило 58%. Для мониторинга настроили дашборд: количество диалогов, среднее время ответа (снизилось с 4 мин до 12 сек), процент first call resolution. Ключевой метрикой стала удовлетворённость — +35% за месяц.
Шаг 7: Пост-релизная оптимизация
Через 2 недели мы запустили регрессионные тесты на 1000 новых запросов. Обнаружили, что бот путает «закрыть счёт» и «закрыть заказ» — добавили дополнительный интент. Sentiment analysis помог выявить 4% диалогов, где клиент злился, но бот не эскалировал — увеличили чувствительность детектора.
Шаг 8: Масштабирование на новые каналы
После успеха на чате и email, подключили WhatsApp и голосового ассистента. База знаний расширена до 3000 статей. Обработка естественного языка адаптирована под сленг — например, «дроп» распознаётся как «отмена заказа». Результат: нагрузка на операторов снижена ещё на 15%.