Сайт часто стає лише першою точкою взаємодії з клієнтом. Далі важливо не втратити контекст цієї взаємодії та правильно використати його в роботі з потенційним покупцем. Про те, як вибудувати цей процес і де тут справді є економічний ефект, розповідає Сергій Колозенко, Founder та CEO ІТ компанії Megasite.
Взаємодія з AI-ботом як джерело даних для CRM
На практиці все залежить від типу бізнесу та задачі, яку має виконувати бот. Наприклад, для корпоративного сайту це може бути AI-асистент служби підтримки. Користувач авторизується і ставить своє запитання, а система вже розуміє, з яким саме клієнтом вона працює, може підтягнути дозволену інформацію про нього з CRM або внутрішньої системи, і передати запит AI-агенту. Він формує відповідь на основі бази знань, документації, правил роботи, інформації про продукти та інших дозволених джерел.
Після діалогу в CRM зберігаються тема звернення, категорія запиту, коротке резюме, результат комунікації або повна історія листування. Якщо бот не зміг вирішити питання, система створює задачу для менеджера чи співробітника підтримки, який одразу бачить, що саме обговорювали з клієнтом.
Другий великий сценарій — e-commerce. Якщо користувач авторизований, система бачить всю дозволену історію взаємодії з AI-асистентом. Що користувач шукав, які характеристики товару його цікавили, між якими моделями він обирав, які запитання ставив, що додавав у кошик. Тоді CRM перестає бути просто базою контактів. Профіль клієнта поступово збагачується інформацією про його реальний інтерес.
Наприклад, ми можемо бачити, що людина декілька разів цікавилася конкретною категорією товару, шукала певну характеристику, але так і не зробила покупку. Цю інформацію вже можна використовувати для персоналізації наступної комунікації — рекомендацій, пропозицій, роботи менеджера, автоматичних сценаріїв маркетингу.
Де сайт втрачає клієнтів і як штучний інтелект може допомогти
Почну з непопулярної думки: якщо сайт зроблений погано, AI-бот його не врятує.
Уявіть, людина не може знайти кнопку, або повноцінно зробити замовлення з телефону, сторінка завантажується повільно, структура нелогічна, а форма замовлення викликає головний біль.
Додавати навіть дуже хорошого AI на такий сайт — це створити ще один дорогий елемент всередині поганої системи. Більше того, AI має собівартість. Це використання моделей, токенів, API, інфраструктури, баз даних, інтеграцій. Якщо на сайт приходить великий трафік, а його UX побудований погано, можна отримати ситуацію, коли бот обробляє величезну кількість запитів, які взагалі не мали б виникати.
Тому перед інтеграцією AI я б спочатку проводив UI/UX-аудит, аналізував воронку, поведінку користувачів і тільки після цього визначав, де саме AI може дати економічний ефект.
Одна з найбільших зон втрат виникає між інтересом і прийняттям рішення. Людина вже переглядає товар або навіть додає його в кошик, але у неї залишається запитання про розмір, доставку, гарантію чи різницю між двома моделями. AI-асистент може відповісти на це питання саме в момент, коли користувач приймає рішення про покупку.
Ще один сценарій — покинутий кошик. У зв’язці з CRM та аналітикою AI може врахувати, що саме цікавило користувача, і запропонувати релевантну дію. Наприклад, не просто показати стандартне "Оформіть замовлення зі знижкою 5%", а запропонувати щось, що відповідає конкретній ситуації користувача — альтернативний товар, комплект, консультацію, відповідь на запитання, яке залишилося невирішеним. При цьому бізнес заздалегідь визначає правила, а AI працює всередині цих обмежень.
Роль AI у воронці я бачу саме в тому, щоб прибирати зайве тертя між інтересом користувача та цільовою дією.
Як зрозуміти, чи працює рішення і коли воно окупиться
Головна метрика для бізнесу — фінансовий результат. Щоб його оцінити, ми дивимося на кілька показників:
- конверсія відвідувачів у лідів і лідів у продажі;
- додаткова виручка та валовий прибуток;
- середній чек;
- кількість покинутих кошиків і частка їх повернення;
- частка звернень, які AI вирішує без участі людини;
- кількість діалогів, переданих менеджерам;
- швидкість першої відповіді;
- навантаження на support і sales-команди;
- вартість одного вирішеного звернення;
- витрати на AI та інфраструктуру;
- економія робочого часу співробітників.
І вже після цього ми рахуємо економіку.
Ефект за місяць = додатковий валовий прибуток + економія на ручній роботі − щомісячні витрати на AI та інфраструктуру.
Термін окупності = вартість впровадження ÷ щомісячний фінансовий ефект. Тобто ми бачимо, скільки рішення приносить щомісяця і скільки часу потрібно, щоб повернути витрати на його впровадження.
Тому я не люблю фразу «CRM або AI завжди окупається». CRM часто дає великий ефект, тому що структурує інформацію, яка до цього зберігалася в таблицях, месенджерах, головах менеджерів і різних документах. Але навіть тут треба рахувати. З AI це ще важливіше.
У нас був кейс, коли клієнт хотів побудувати AI-бота і цілу систему автоматизації. Коли ми порахували бюджет реалізації та підтримки, виявилося, що за такого обсягу операцій дешевше було найняти людей. І це нормальний результат аудиту. Іноді правильна відповідь для бізнесу — «вам це поки що не потрібно».
Я взагалі ставлюся до AI так само, як колись бізнес поставився до калькулятора або Excel. Калькулятор не знищив професію бухгалтера, а дозволив йому швидше виконувати частину роботи. Так само і AI. Його економічна цінність у тому, щоб люди менше витрачали часу на рутинні операції та більше займалися задачами, де вони справді створюють цінність.
Зниження ризику галюцинацій AI
Не існує технічного рішення, яке гарантує нуль галюцинацій. Ризик можна суттєво знизити, якщо модель не покладається лише на власні знання, а отримує перевірену інформацію з внутрішньої бази. Один із поширених підходів — RAG, коли перед відповіддю система знаходить потрібну інформацію та передає її моделі як контекст. Для цього може використовуватися векторний пошук, звичайний повнотекстовий пошук, структуровані бази даних або їх комбінація. Не кожній системі обов’язково потрібна саме векторна база.
У базі можуть зберігатися регламенти, інструкції, характеристики товарів, умови доставки, гарантійна політика та інші перевірені дані. Важливо також визначити, що робити, якщо потрібної інформації немає. У такому випадку AI має попросити уточнення або передати запитання співробітнику, а не вигадувати відповідь.
Для критичних сценаріїв потрібні додаткові обмеження. AI не повинен самостійно вигадувати ціни, умови повернення, юридичні чи фінансові умови. Такі дані мають надходити з контрольованих джерел.
Також система повинна мати журнал дій. Якщо сталася помилка, ми повинні мати можливість побачити, що запитав користувач, яку інформацію знайшла система, що отримала модель і чому була сформована саме така відповідь. Тому якість AI-бота визначається не тільки тим, яку модель ми підключили. Часто набагато важливіші архітектура, база знань, якість даних, класифікація запитів, правила ескалації і тестування системи перед запуском.
Головні труднощі при поєднанні сайту, CRM та AI
Проблеми тут часто не технічні. API можна підключити, CRM інтегрувати, AI-модель викликати. Складніше зрозуміти, який процес у бізнесі потрібно змінити, який результат це має дати і чи виправдані такі зміни економічно. Якщо цього розуміння немає, легко створити красиву, але дорогу іграшку.
Друга аспект — відсутність регламентів. Частина інформації може бути в CRM, частина в Google Sheets, частина в Telegram, а деякі правила взагалі залишаються в голові керівника відділу. Для людей такий процес ще якось працює, тому що співробітники домовляються між собою. Для автоматизації це катастрофа.
AI не може якісно автоматизувати процес, якого фактично не існує у формалізованому вигляді. Тому на етапі проєктування ми спочатку проводимо аудит процесів, регламентів, джерел даних та відповідальності. Іноді частиною проєкту стає не тільки сама автоматизація, а й допомога бізнесу у створенні та структуризації регламентів.
Спочатку процес і математика, потім технологія. Саме після цього можна визначати, яка CRM, AI-модель чи інший інструмент справді потрібні бізнесу.