Классический чат-бот хорош для линейных сценариев с 5–15 заранее прописанными ответами. В опте и дистрибуции ломается на актуальном прайсе, различии опт/розница, синонимах SKU и передаче заявки в CRM. Граница не в «умности GPT», а в связке с данными и процессом. Где чат-бот действительно работает Типовой rule-based или сценарный бот закрывает задачи, где: • конечное число веток — доставка, реквизиты, режим работы, статус заказа по номеру; • ответ не зависит от строки прайса — один и тот же текст для всех; • эскалация редка — менеджер подключается по кнопке, а не после каждого второго сообщения. В B2C и простом B2B-services (запись, справка) такие боты окупаются быстро: низкая стоимость поддержки, предсказуемое качество. Вывод: если 80% обращений — это «где вы находитесь» и «как оплатить», бот уместен. Где ломается в опте и дистрибуции Оптовый диалог другой. Клиент пишет не «как заказать», а: • «Есть аналог 3×2,5 с медной жилой? Нужно 800 м, отгрузка Казань»; • «Цена как в прошлом месяце на опт от 50 шт? Счёт на ИП»; • «Что из остатков по линейке X, розница не интересует». Сценарное дерево здесь раздувается: сотни SKU, синонимы, региональные остатки, MOQ, валюта, скидки по группе клиента. Симптом | Что происходит | Почему бот не тянет «Неверная цена» | Клиент получил устаревший ответ | Нет связи с актуальным прайсом/остатком «Бот не понял артикул» | Цикл уточнений | Нет поиска по каталогу и синонимам «Я оптовик, мне другие условия» | Ответ как для розницы | Нет правила квалификации и веток условий «Заявка потерялась» | Менеджер не видит диалог | Нет записи в CRM/webhook Это не «плохой промпт». Это разрыв между языком клиента и системой учёта. Чат-бот, GPT-обёртка и агент в процессе На рынке часто смешивают три уровня: 1. Сценарный бот — if/then, кнопки, интенты. Дёшево, прозрачно, узкий коридор. 2. LLM-обёртка — модель отвечает «красиво», но без инструментов опирается на память модели → риск по ценам и наличию. 3. Агент в процессе — модель + инструменты: поиск по каталогу (RAG или API), правила опт/розница, создание лида в CRM, эскалация человеку. Gartner называет это task-specific agents — не «универсальный ассистент», а встроенный модуль под задачу (квалификация, подбор, handoff). Практический критерий: если для правильного ответа нужно прочитать строку из вашей системы, это уже не чистый сценарный бот. Как понять, что вы упёрлись в потолок Проведите аудит 30–50 реальных переписок (Telegram, WhatsApp, почта): • сколько диалогов закончились фразой «сейчас уточню у менеджера»; • сколько раз менеджер переписал ответ бота; • сколько заявок не попало в CRM в тот же день. Если доля «провалов» >25% на типовых запросах по товарам — дерево сценариев исчерпано. Чеклист «пора менять архитектуру»: • прайс меняется чаще раза в неделю, а бот обновляют реже; • клиенты присылают фото/артикул/описание в свободной форме; • есть два прайса (опт/розница) или индивидуальные условия по группам; • KPI отдела продаж — скорость ответа, а не только разгрузка FAQ. Что делать дальше — без «большой ИИ-стратегии» Не обязательно сразу менять платформу. Последовательность, которую мы видим на проектах: 1. Зафиксировать источник правды — CSV/1С/ERP: SKU, цена, MOQ, остаток (хотя бы для топ-200 позиций). 2. Разделить FAQ и каталог — FAQ в тексте, цифры только из данных. 3. Описать handoff — когда бот/агент обязан передать менеджеру (скидка, жалоба, нестандартная отгрузка). 4. Подключить CRM — лид с полями: канал, тип клиента, состав запроса, цитата диалога. 5. Измерить — медиана времени первого ответа, доля ответов без участия человека, конверсия в счёт. На этом этапе часто достаточно гибрида: сценарий для «лёгких» тем + поиск по каталогу для товарных запросов. Подробнее про RAG по прайсу — в статье про ответы по каталогу. Что не стоит делать • Публиковать «GPT-бота» без актуального прайса — репутационный риск выше экономии на линии. • Раздувать дерево до 200 веток — поддержка сценария станет дороже модели. • Скрывать, что отвечает робот — в B2B лучше явно обозначить и дать быстрый выход на человека. • Смешивать маркетинговый FAQ и коммерческие условия в одном неструктурированном документе для RAG — модель путает «о компании» и «цена за метр». Связанные материалы • Speed-to-lead: почему важны первые 30 секунд — метрика, которую бот без данных не улучшит. • ИИ-агенты B2B: тренды и реальность для опта — контекст task-specific agents. Ключевые факты • Rule-based боты типично покрывают 60–80% FAQ при ≤20 интентах; при 200+ SKU покрытие падает без базы знаний по каталогу • В B2B-опте до 40% первых сообщений содержат уточнение цены, MOQ или наличия — это не ветка дерева, а запрос к данным • Исследования inside sales (HBR, Lead Response Management) связывают скорость первого ответа с конверсией — бот без доступа к актуальным цифрам создаёт риск, а не экономию • 152-ФЗ не запрещает бота, но при сборе контактов и истории переписки нужны политика и основание обработки ПДн