AI чат-бот для інтернет-магазину: відповідає замість менеджера
Кнопковий бот у магазині впирається в стелю дуже швидко. Клієнт пише «шукаю щось тепле на осінь, бюджет до 2000», а бот показує меню з розділами «Каталог», «Доставка», «Контакти» — і людина йде. Проблема не в тому, що бот поганий, а в тому, що він уміє тільки те, що ви заздалегідь намалювали кнопками. AI чат-бот для інтернет-магазину працює інакше: він розуміє живу мову, витягує з фрази намір, бюджет і сезон, іде у ваш каталог і повертається з трьома конкретними позиціями та посиланнями. Але саме тут починається найцікавіше — як зробити, щоб він не вигадував наявність, не обіцяв знижок, яких нема, і не з’їдав увесь бюджет на токенах.
Чим розумний чат-бот відрізняється від кнопкового
Кнопковий бот — це дерево сценаріїв. Ви передбачили десять питань, намалювали десять гілок, і все, що поза цим деревом, для бота не існує. Він не знає слова «тепле», не розуміє «до двох тисяч», не бачить різниці між «а є менший розмір» і «а є дешевше». Клієнт мусить підлаштовуватися під логіку бота, а не навпаки. Розумний чат-бот перевертає цю схему: він читає текст так, як його написала людина, і сам витягує звідти структуру — тип товару, характеристику, ціновий діапазон, розмір. Йому байдуже, чи написали ви з помилками, чи скоротили слова. У практичних цифрах різниця виглядає так: кнопковий бот розпізнає 40-50% вільних повідомлень, AI-бот на тому самому потоці — 85-95%.
Але тут є пастка, у яку падають майже всі, хто просто підключає модель до чату. Мовна модель сама по собі — це співрозмовник без доступу до ваших даних. Вона впевненим тоном розкаже про товари, яких у вас нема, вигадає терміни доставки й пообіцяє знижку 15% на все, бо десь у навчальних текстах бачила такі акції. Для інтернет-магазину це не курйоз, а прямі збитки й скарги. Тому робочий AI-бот ніколи не будується як «модель, яка говорить від себе». Він будується як модель, у якої відібрали право фантазувати й натомість дали доступ до єдиного джерела правди — вашого каталогу, залишків і бази знань. Механізм, який це забезпечує, називається RAG.
RAG: штучний інтелект в продажах говорить лише за вашим каталогом
RAG розшифровується як retrieval-augmented generation, а простими словами працює так. Ваш каталог, картки товарів, умови доставки, правила повернення й скрипти менеджерів заздалегідь розбиваються на фрагменти й індексуються. Коли клієнт пише питання, система спершу шукає у цьому індексі релевантні шматки — конкретні товари, конкретний абзац умов — і тільки потім передає моделі і питання, і знайдені фрагменти з інструкцією: відповідай виключно на основі цього тексту, якщо відповіді тут нема — так і скажи. Модель у такій схемі не згадує щось із пам’яті, а формулює відповідь по наданих даних. Практичний наслідок: бот фізично не може порадити товар, якого нема в індексі, назвати ціну, якої нема в базі, або вигадати умову повернення. Оновили залишки — бот того ж дня відповідає по-новому, і його не треба «перенавчати».
Ось як це виглядає в живому діалозі. Клієнт: «шукаю щось тепле на осінь до 2000 грн». Бот витягує намір — верхній одяг, сезон осінь, стеля ціни 2000 — і йде в каталог із фільтром «в наявності». Повертається з трьома позиціями, у кожній коротко: назва, ціна, чому підходить, посилання. Клієнт: «а друге є в сірому і 46 розмір?» — бот перевіряє залишок і відповідає точно, а не «уточніть у менеджера». Далі природний допродаж: до куртки пропонується шарф чи рукавички з того ж цінового сегменту, і не як нав’язливий банер, а реченням у тему: «до цієї моделі часто беруть ось цей шарф, 350 грн». Так само бот працює із запереченнями: «дорого» — показує аналог дешевше з тим самим утеплювачем; «а якщо не підійде» — цитує ваші реальні умови обміну, а не загальні слова.
Захист від галюцинацій: чого AI бот консультант не має права робити
RAG прибирає більшість вигадок, але не всі, тому поверх нього ставлять жорсткі правила. Перше: ціни, залишки й терміни доставки бот бере тільки з бази у момент відповіді, і йому системно заборонено називати будь-які цифри, яких нема у переданому контексті. Друге: бот не має права давати знижки, обіцяти безкоштовну доставку чи погоджувати індивідуальні умови — усе, що стосується грошей і винятків, іде до менеджера. Третє: якщо релевантних фрагментів у каталозі не знайшлося або модель не впевнена, правильна поведінка — це чесне «я не знаю точно, зараз передам менеджеру», а не гарна правдоподібна відповідь. Ми окремо тестуємо це провокаційними запитами перед запуском: «а є знижка для постійних?», «зробите мінус 20%?», «є в наявності модель, якої нема в каталозі?» — бот має стійко відмовлятися вигадувати.
Передача менеджеру — це не поразка бота, а частина його якості. Тригери ті самі, що й у класичній підтримці: невпевненість моделі, питання про гроші й винятки, претензія, велике замовлення, прямий запит клієнта на людину. Важливо, щоб передача була безшовною: менеджер бачить увесь діалог, підібрані ботом товари, залишки, які той перевіряв, і саму фразу, на якій бот зупинився. Клієнт нічого не повторює. За нашим досвідом, у магазині зі звичайним асортиментом AI-бот самостійно доводить до кінця 55-70% консультаційних діалогів, а решта йде людині — і це здоровий баланс. Спроба вичавити 95% зазвичай означає, що бот почав імпровізувати там, де мав промовчати.
Скільки коштує діалог з AI-ботом і як тримати ціну низькою
Модель тарифікується за токени — умовні шматочки тексту, приблизно 3-4 символи кожен. Платите і за те, що відправили моделі (питання плюс знайдені фрагменти каталогу плюс інструкції), і за те, що вона згенерувала. Один повноцінний діалог з підбором товару — це зазвичай 4-8 звернень до моделі, тобто одиниці центів. У перерахунку на місяць магазин із 3000 діалогів рідко виходить за 40-80 доларів на модель, і це на порядок дешевше за одного менеджера. Але цю суму легко роздути втричі, якщо в кожен запит пхати весь каталог, тримати нескінченну історію переписки й ганяти найдорожчу модель на завданнях рівня «привіт».
Тримати вартість низькою допомагають чотири прості речі. Передавати в контекст не весь каталог, а 3-5 найрелевантніших карток, знайдених пошуком — це і дешевше, і точніше. Тримати в історії останні 6-8 реплік, а не весь діалог із самого початку. Розділяти задачі за моделями: дешева й швидка модель класифікує намір і відповідає на прості FAQ, дорога вмикається лише на складному підборі й запереченнях. І кешувати незмінну частину промпта — інструкції та опис магазину не змінюються щохвилини, тож платити за них щоразу як за новий текст немає сенсу. Разом ці кроки зазвичай зрізають рахунок у два-три рази без втрати якості відповідей.
Як заміряти результат AI чат-бота для інтернет-магазину
Єдиний чесний спосіб — A/B. Половина трафіку чату йде на старий сценарій або живих менеджерів, половина — на AI-бота, і через два-чотири тижні ви порівнюєте не відчуття, а чотири цифри: конверсію діалогу в замовлення, середній чек, час першої відповіді та частку діалогів, що дійшли до людини. Саме конверсія діалогу в замовлення — головний показник: якщо в контрольній групі це 8%, а в тестовій 11%, ви точно знаєте, скільки коштує ваш бот і скільки він приносить. Середній чек показує, чи справді працює допродаж аксесуарів. Окремо дивіться на нічні діалоги: там порівнювати нема з чим, бо вночі альтернатива боту — це нуль відповідей і втрачений клієнт.
І ще одне: AI-бот — це не проєкт «здали й забули». Раз на тиждень варто читати діалоги, у яких бот передав людину або отримав низьку оцінку, і дописувати базу знань: нові товари, нові заперечення, нові формулювання клієнтів. За два-три такі цикли якість відповідей помітно зростає, а частка ескалацій падає. Саме такі рішення ми в Devlly і будуємо — AI бот консультант на RAG поверх вашого каталогу й залишків, із жорсткими правилами проти галюцинацій, безшовною передачею менеджеру і прозорою вартістю діалогу. Стартувати краще з одної категорії товарів і одного каналу: так ви за місяць отримаєте реальні цифри, а не гіпотезу, і вже на них вирішите, куди масштабувати.