Когда чат-бот не справится: каталог, опт/розница и CRM

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.

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.