Такой помощник становится «операционной системой» для взаимодействия и навигации: он помогает решать стандартные задачи, направляет пользователя к нужному разделу и по необходимости переключает на живого специалиста. В этой статье анализируем продуктовую концепцию, архитектуру (LLM+RAG+векторный поиск), ключевые сценарии, план внедрения и ожидаемые бизнес-эффекты внедрения AI-ассистента.

Примечание: В статье использованы внутренние материалы компании (обезличенная документация заказчиков), содержащие описания бизнес-требований. Эти данные обобщены и дополняют выводы, основанные на опыте Compo Soft и открытых источниках.

В классических B2B-проектах данные о клиентах и процессах хранятся в разрозненных системах: ERP/CRM, каталоги товаров, «личный кабинет клиента» (ЛКК), кабинет менеджера (ЛКМ), базы знаний, документы и т.д. Клиент, желая узнать статус заказа, скидки или решить вопрос по оплате, вынужден перелистывать десятки разделов или обращаться в колл-центр. Менеджеры при этом часто тратят время на повторяющиеся задачи и ответ на стандартные вопросы. Поисковые системы (например, Elastic или OpenSearch) дают нерелевантные результаты («искали сыр — вышел бекон»), что добавляет неудобства. Отсутствие единого интерфейса приводит к задержкам, росту нагрузки на поддержку и недовольству клиентов.

Технологии AI могут решить эту проблему подходом Retrieval-Augmented Generation (RAG), когда ответы на запросы формируются не из статических шаблонов, а на основе актуальных данных компании. Модель не запоминает всю базу знаний (вся база знаний не помещается в контекст модели), а перед ответом выполняется семантический поиск по корпоративным ресурсам. Поиск выбирает наиболее релевантные фрагменты документов, после чего LLM использует их, чтобы сгенерировать точный и связный ответ.

Такой RAG-подход связывает ответы модели с проверенными источниками (сайтами, внутренними документами, CRM, каталогами), снижая «галлюцинации» и повышая надежность системы.

AI-ассистент — это не просто FAQ-бот, а полноценный мультиканальный консультант и навигатор. Он объединяет внутренние сервисы компании (CRM, ERP, каталоги, документы) и управляется единым диалогом. При обращении пользователь сразу получает возможность спросить «все и про всё», не ограничиваясь разделом сайта или кабинетом. При этом бот может автоматически:

• искать актуальную информацию по заказам, оплатам, доставке, договорам и претензиям;
• объяснять значения статусов («что значит «клиент заблокирован», «заказ на согласовании» и т.д.);
• показывать индивидуальные скидки и цены (ИЦ) для данного клиента;
• предлагать замену товаров и рекомендации из ассортимента;
• инициировать сервисные действия (создать претензию, оформить заказ, запросить документ);
• перенаправлять на менеджера или техподдержку, сохраняя контекст диалога.

По сути, AI-ассистент становится «операционной системой» для клиентского сервиса: его чатом управляется навигация по системе (пользователь говорит, бот открывает нужный раздел), проверяются права доступа, а также работают внутренние API и скрипты. Для компании это автоматизация рутины и единая логика коммуникации: все цифровые каналы (сайт, мобильное приложение, ЛКК, колл-центр) говорят на одном языке.

В рамках предложенной модели ИИ-ассистент выполняет несколько ролей:

• Навигатор — показывает путь: «Где скачать счет», «Как оформить заказ», «Как добавить сотрудника».
• Консультант — отвечает на стандартные вопросы: «Что означает этот статус», «Почему товар недоступен», «Какие документы нужны» и т.п.
• Первая линия поддержки — закрывает типовые кейсы (поиск заказа, общие инструкции), снижая нагрузку на колл-центр.
• Ассистент действий — не только отвечает, но и выполняет запросы: открывает нужный раздел, заполняет форму претензии, запускает сценарий оформления заказа.
• Ассистент менеджера — в кабинете менеджера помогает подготовить сводку по клиенту, формирует черновики ответов, подбирает товары по потребностям и предлагает следующий шаг.
• Шлюз к оператору — когда задача слишком сложна, ИИ аккуратно передает диалог на живого специалиста, сохраняя контекст и историю запроса.

Таким образом, ИИ-ассистент охватывает и клиентские, и внутренние потребности. По данным исследований, RAG-архитектура позволяет практически неограниченно расширять доступную модель памяти за счет внешнего хранилища, что критично для корпоративных данных (договоры, база знаний, счета и т.д.).

AI-ассистент проявляет себя по-разному в зависимости от точки входа:

Сайт (без авторизации):

• Предоставляет основную информацию о сервисе, региональных условиях, ассортименте.
• Помогает с регистрацией и выбором кабинета («Я директор сети, мне нужен кабинет клиента или менеджера?»).
• Квалифицирует лида и перенаправляет к продажам.
• Роль: консультант/пресейл-ассистент, сопровождает переход в ЛКК/ЛКМ.

Личный кабинет клиента (ЛКК):

• Ответы по текущим заказам, доставке, оплатам, документам и претензиям.
• Навигация по разделам ЛКК (оплаты, история счетов, контракты).
• Персонализированные рекомендации (товары из ассортимента клиента, акции).
• Сопровождение операций (заполнение претензии, запрос ИЦ, загрузка документов).
• Роль: персональный ассистент клиента — поддержка самообслуживания, первая линия поддержки.

Личный кабинет менеджера (ЛКМ):

• Быстрый доступ к данным о клиенте: история заказов, взаиморасчеты, долги, открытые тикеты.
• Формирование краткой сводки (контекста) перед встречей с клиентом.
• Подсказки по следующему действию или товару (кросс-селл).
• Автогенерация черновиков писем, предложений, ответов клиентам.
• Роль: AI-копилот менеджера — повышает скорость и качество работы с клиентами.

Колл-центр / внутренний чат:

• Операторы видят тот же диалог, что и клиент, и могут подключаться к чату при эскалации.
• ИИ-ассистент предлагает подсказки операторам (например, «для этого клиента обычно подходят такие акции»).
• Интеграция с базой знаний и тикет-системой (Confluence, Jira) для справки операторов.
• Роль: единый цифровой пост для службы поддержки.

В каждом канале ИИ-ассистент адаптируется под роль и данные текущего пользователя, сохраняя общий стиль общения и базовую логику. История диалогов при этом может объединяться во внутренней системе, обеспечивая непрерывность: если клиент переходит с сайта в ЛКК или звонит оператору, предыдущие вопросы и ответы учитываются.

Ниже приведены основные виды запросов, которые должен закрывать ИИ-ассистент (на основе внутренних требований и практики):

• Навигационные: «Где найти раздел счета/договора?», «Как сменить контакт?», «Как войти как другой сотрудник?».
• Информационные: «Что значит статус заказа «Согласуется»?», «Почему товар недоступен?», «Что такое ИЦ?», «Какова минимальная сумма заказа?» и т.д.
• Заказы: «Помоги оформить заказ», «Повтор заказа», «Какие у меня открытые заказы?», «Как заменить товар в заказе?».
• Доставка: «Где мой заказ?», «Когда доставка?», «Почему перенесли дату?», «Как продлить время доставки?».
• Оплаты/финансы: «Какие у меня неоплаченные счета?», «Как оплатить онлайн?», «Есть ли у меня задолженность?», «Почему ограничили заказ?».
• Претензии: «Как подать претензию?», «Почему возврат отклонен?», «Куда прикрепить фото?».
• Документы и ИЦ: «Скачать договор/акт», «Запросить индивидуальную цену», «Почему цена на товар изменилась?».
• Регистрация/доступы: «Как зарегистрироваться?», «Почему не пришло письмо?», «Как сбросить пароль?», «Почему не вижу раздел?».
• Каталог и продукты: «Найди товар по артикулу», «Подбери аналог [товара]», «Какие есть акции?» и др.

Это далеко не исчерпывающий список. Однако реализация указанных сценариев уже закроет до 80–90% типовых обращений в B2B-проекте.

AI-ассистент может работать в нескольких режимах, отражающих уровень зрелости и доступа к данным:

• FAQ-режим (консультант). Базовый уровень — ассистент отвечает на заранее известные вопросы из базы знаний. Это быстрый старт и понятный MVP, но ограниченная полезность (классический «улучшенный FAQ»).
• Контекстный помощник. Ассистент учитывает текущую страницу/раздел: например, на странице заказа объясняет его статус, а в разделе «финансы» — отвечает по счетам.
• Персонализированный ассистент. Учитывает данные конкретного пользователя: заказы клиента, его цены, история обращений. Например: «У вас три неоплаченных счета» или «Ваш статус сегодня — черновик заказа».
• Action-oriented ассистент. Выполняет действия: открывает нужный раздел, заполняет форму, создает запись. Это уже полноценный AI-сервис, который не просто говорит, а делает.
• Помощник для сотрудников. Внутри компании ассистент помогает составлять ответы клиентам (черновики писем), быстро собирать информацию по клиенту, подсказывает следующую стратегию. ИИ «сидит рядом» и ускоряет человеческий труд.

Поэтапный подход: начать с FAQ/консультанта, затем подключить персональные данные (поддержка реальных заказов), потом добавить возможности запуска действий, и финально — Помощник для сотрудников. Важно предусмотреть и гибридную модель: ИИ закрывает рутинные кейсы, а сложные передаются живому оператору с уже подготовленным контекстом.

Ключевым элементом является RAG + agent/tool-use layer. Схема работы упрощенно показана ниже:

flowchart LR

UserChat[Чат/Интерфейс пользователя] --> RAG[LLM + RAG Engine]
RAG -->|Поиск семантический| VectorDB[Векторная БД знаний]
VectorDB -->|Кандидаты| Reranker[Reranker]
Reranker -->|Ранжированные фрагменты| RAG
RAG --> DataSources[CRM/ERP, База знаний, Каталог]
RAG --> Tools[Инструменты/API (заказы, отчеты, документы)]
Tools --> DataSources
DataSources --> Tools
RAG --> UserChat
UserChat --> Auth[Проверка ролей/доступ]
RAG --> Log[Логирование/Аналитика]


Упрощенная архитектура RAG + agent/tool-use layer : чат-бот взаимодействует с ядром LLM+RAG, осуществляя векторный поиск по корпоративным данным и выполняя сервисные API-вызовы. Система учитывает роли пользователей и логирует все взаимодействия.

Пояснение: Пользователь задает вопрос в чате (UI). Система RAG сначала преобразует запрос в вектор  и ищет релевантные документы в векторной базе данных (VectorDB) — это хранилище векторных эмбеддингов всех корпоративных текстов. Затем отбираются N наиболее близких по смыслу фрагментов (семантический поиск). Модуль проверки доступа отсеивает те, к которым пользователь не имеет прав. Допустимые фрагменты передаются вместе с запросом в LLM, который генерирует ответ.

При необходимости ассистент использует инструменты/API для выполнения действий: запрашивает у CRM-транзакцию, создает задачу в системе, формирует PDF-счет. Все обращения и ответы логируются (для аудита и контроля качества).

Основные компоненты:

• Чат-движок (UI). Единый интерфейс в сайте, ЛКК, ЛКМ. Может быть как всплывающее окно, так и отдельная страница.
• LLM + RAG. Ядро, совмещающее модель LLM (например, OpenAI GPT или локальные аналоги) с модулем поиска. Модель не дообучается на данных компании, а получает контекст запросом. Это обеспечивает актуальность ответов.
• Векторная БД (например, Qdrant). Хранит эмбеддинги текстов (каталоги, документация, база знаний, CRM-поля). Поддерживает масштабируемый семантический поиск. Qdrant, например, умеет хранить миллиарды векторов и сам текст для демонстрации результата.
• Источники данных (DataSources). ERP/CRM, товарный каталог, договоры, акты, Confluence/Jira и др. С помощью ETL/ процессы новые документы разбиваются на фрагменты и индексируются в векторную БД.
• Инструменты/API (Tools). Микросервисы для выполнения бизнес-задач (создание заказа, счет-фактуры, отчета, списка задач). Агент ИИ через них исполняет команды пользователя.
• Управление доступом (RBAC). Ролевая модель гарантирует, что пользователь видит только свои данные. Как показано в практике Runity, бот работает от имени пользователя, проверяя доступ через API.
• Логирование и мониторинг. Запись истории диалогов и действий, сбор метрик точности ответов и загрузки системы.

В этой архитектуре роль RAG — предоставить модели актуальный контекст. При вводе запроса система заранее готовит входные данные: выполняет семантический поиск по векторной базе, извлекает содержимое релевантных документов и передаёт только эти фрагменты в LLM вместе с запросом. Это позволяет обойти ограничение контекстного окна — вместо загрузки всей базы мы подставляем только релевантные куски. RAG не заменяет параметрическую память модели (знания, сохранённые в весах при обучении) — он дополняет её, подавая внешнюю информацию в момент запроса, а не встраивая её в веса модели.

AI-ассистент тесно переплетается с существующими системами:

• Поисковая система: Ассистент может дополнить или заменить классический поиск. Например, при запросе «Где мой заказ?» бот выполняет семантический поиск по базе заказов, вместо обычного SQL-фильтра. Точно так же он умеет искать в комментариях, каталогах или справочниках, используя векторный поиск.

• Рекомендательная система: Если у компании есть рекомендательная система, ее результаты можно подключать через API. Например, менеджер спрашивает про товар — бот запрашивает рекомендованные аналоги для данного клиента. Или в чате клиенту «по порыву» показываются допродажные предложения на основе его профиля.

• Ссылки на результаты: Ответы ИИ всегда сопровождаются ссылками на источник (номер заказа, URL документа). Это повышает доверие и позволяет пользователю перейти в нужный модуль.

Важно: ИИ-ассистент надстраивается над поиском и рекомендациями, а не полностью заменяет их. Он сам решает, когда делать семантический поиск, а когда вызвать API. Например, при вопросе про скидку бот может сразу обратиться к системе цен, а не перебирать инструкции из FAQ.

Внедрение системы лучше разбить на этапы:

1. MVP

• Чат-консультант (FAQ). Охватить базовые сценарии: «где мой заказ?», «доставка», «оплата», «документы». Интеграция с основными источниками: текущие заказы из ERP, статусы доставок, счета-фактуры из CRM. Это перевод стандартных запросов в новый чат-канал.
• Семантический поиск. Загрузить справочники и FAQ в векторную БД и подключить простую модель. Первые ответы на сложные вопросы («что такое ИЦ?») уже будут сформированы по документам.
• Ролевой доступ. Настроить авторизацию так, чтобы клиент видел только свои данные.
• Интерфейс. Вывести чат на сайт и в ЛКК, провести пилот в ЛКМ.
• Поддержка операторов. Настроить общий чат для колл-центра: операторы видят переписку клиента и при эскалации могут подключаться в реальном времени.

2. Персонализация и расширение

• Подключить все источники данных: ERP/CRM, Confluence/Jira, EDI/ЭДО, каталоги.
• Расширить семантический поиск: добавить векторы по товарному каталогу для подбора аналогов.
• Инструменты действий: дать ассистенту право создавать или редактировать заказы, претензии, задачи.
• Рекомендации: интегрировать модули ML для кросс-селла и up-sell.
• Аналитика: внедрить измерение метрик (решено без оператора, время реакции, точность ответов).

3. Помощник для сотрудников и автоматизация

• Запустить AI-подсказки для менеджеров: анализ клиентского портфеля, прогноз допродаж.
• Проактивный чат: уведомления клиента (например, «у вас истекает срок оплаты», «в корзине остались товары»).
• Расширить каналы (чат-бот в мессенджерах, голосовой помощник).

Внедрение AI-ассистента дает следующие преимущества:

• Снижение нагрузки на поддержку: значительная часть запросов (до 50–70%) решается без оператора. Клиенты находят ответы самостоятельно в чате, экономя время компании.
• Ускорение ответов: пользователю не нужно переключаться между системами — бот отвечает за секунды. Например, опыт LinkedIn показывает сокращение времени решения запросов на 28,6%.
• Увеличение self-service: клиентам проще взаимодействовать, что повышает удовлетворённость (NPS) и может стимулировать повторные продажи.
• Рост допродаж: персонализированные рекомендации и подсказки в чате повышают средний чек (AI-поддержка позволяет оперативно предложить дополнительные товары).
• Консистентность коммуникации: единая логика чата снижает количество ошибок в ответах, а ссылки на источники повышают доверие к информации.
• Накопление знаний: автоматически формируемая база интентов, FAQ и оценок работы бота становится основой для оптимизации процессов.

Метрики успеха включают уровень разрешенных без оператора вопросов (self-service ratio), среднее время обработки запроса, CSAT/NPS клиентов и рост выручки от кросс-/upsell.

ИИ‑ассистент как единый интерфейс — новая ступень цифровой трансформации B2B‑компаний. Он связывает разрозненные CRM, каталоги и базы знаний в единую систему диалога и действий. Благодаря RAG‑архитектуре ответы становятся более достоверными за счёт привязки выводов к проверяемым документам (grounding).

Персонализация же достигается отдельным механизмом: интеграцией с CRM/ERP и управлением правами доступа — система решает, какие именно клиентские или ролевые данные включать в контекст запроса. В результате бизнес получает оптимизацию ресурсов, снижение расходов на поддержку и улучшение клиентского опыта.

Compo Soft готова помочь на всех этапах: от быстрого пилота до полного разворачивания решения. Мы предлагаем провести PoC, оценить эффект и затем поэтапно внедрять AI-ассистента в вашу экосистему. Будем рады консультации и демонстрации наших наработок.