Зачем платить за поддержку, если бот справляется лучше?

Yevhenii Rozov · 2026-04-02

Почему поддержка сжирала 3 часа в день и что стало последней каплей

Каждый день я тратил по три часа на ответы клиентам. Вопросы были типовые, как под копирку: "Как оплатить?", "Где моя посылка?", "Как изменить адрес?". Это повторялось с пугающей регулярностью. Стало ясно: что-то надо менять.

Подсчитал потери: три часа - это не только время, но и деньги. С каждым часом я упускал возможность заняться более стратегическими задачами. И нервов это стоило не меньше, чем денег. Наступил момент, когда я понял: вечер, потраченный на ручные ответы, обошёлся мне дороже, чем создание бота.

Выбор стека: какой фреймворк и LLM взял и почему не переусложнял

Сравнил варианты: OpenAI API, Claude API, готовые решения вроде Botpress и Flowise. Я выбрал простую и проверенную связку: Python + LangChain + Telegram. Почему? Потому что это гибкость и контроль. No-code инструменты показались мне слишком ограниченными.

Решил отказаться от сложных решений. Важно было не переусложнить и оставить возможность быстро адаптировать бота под изменения. Реальные затраты на API-запросы тоже подкрепили выбор: один диалог с клиентом обошёлся в копейки.

Если тебе полезно - я каждый день выкладываю такие разборы в @yevheniirozov. Но дальше - самая мясная часть.

Суббота: собираю базу знаний и пишу первый рабочий прототип

Субботу я посвятил сбору базы знаний. Взял все FAQ, переписки с клиентами и документы, которые только смог найти. За два часа всё это превратилось в единую базу знаний.

Далее настроил RAG: векторная база данных на ChromaDB, эмбеддинги и поиск по контексту. Начал с промпт-инжиниринга, чтобы бот общался в тоне компании. Первые тесты показали, что он звучит уже не как робот.

Воскресенье: тестирую, ловлю галлюцинации и добавляю защиту

Воскресенье ушло на тестирование. Ошибок было море: бот выдумывал цены, рассказывал о несуществующих функциях, отвечал невпопад. Пришлось закатать рукава и доработать защиту.

Ограничил бота фоллбэком на оператора и запретом отвечать, если вопрос вне базы знаний. Чтобы не упустить косяки, добавил логирование первых 100 разговоров для ручной проверки.

Результаты через месяц: цифры, которые убедили даже скептиков

Прошёл месяц, и результаты впечатляют. Бот сам закрывает 70% обращений. Среднее время ответа упало с двух часов до восьми секунд. Скептики замолчали, увидев реальные цифры.

Действие: как ты можешь сделать это за 10 минут

1. Определи типовые вопросы, которые забирают у тебя время.

2. Собери базу знаний из FAQ и переписок.

3. Выбери стэк: например, Python + LangChain.

4. Настрой RAG для поиска по контексту.

5. Тестируй и добавь защиту от ошибок.

Сделай первый шаг, и через месяц ты забудешь, как тратил часы на поддержку.