Коротко: RAG-бот подключён к 1С и к базе из 400 регламентов. Продавец получает ответ за 5 секунд, к ответу прилагается цитата из регламента с номером пункта. В розничной сети из 22 магазинов бот сократил звонки в техподдержку на 72% и окупился за 4 месяца за счёт времени, которое освободилось у техподдержки.
Кейс: розничная сеть из 22 магазинов на 1С
Клиент — региональная сеть товаров для дома и ремонта. В сети 22 магазина, 180 продавцов и кассиров, в центральном офисе работают 30 человек. За 8 лет компания накопила более 400 регламентов и инструкций: по возвратам, скидкам, маркировке, программе лояльности, кассовой дисциплине и работе с жалобами. Часть документов хранится в общей папке, часть — в Confluence, а некоторые существуют только на бумаге у директоров магазинов.
Клиент пришёл с конкретной проблемой: «У нас три человека в техподдержке захлёбываются от звонков из магазинов. Половина вопросов — типовые, ответы есть в регламентах, но их никто не читает».
Проблемы клиента
Сотрудники не открывают регламенты
В массиве из 400 документов найти ответ на конкретный вопрос почти невозможно, позвонить в офис быстрее. Когда клиент стоит у кассы и ждёт ответа, продавец звонит в техподдержку. Регламенты есть, но решения принимаются по памяти или «как обычно».
Техподдержка стала колл-центром
Три сотрудника центрального офиса принимали из магазинов в среднем 80–110 звонков в день. Типичные вопросы:
- «Как оформить возврат после 14 дней?»
- «Какая скидка для пенсионера на товары не из акции?»
- «Куда вбивать промокод от партнёра?»
На каждый звонок уходило 4–8 минут: выслушать вопрос, найти регламент, объяснить. Свою основную работу — контроль, отчёты, развитие — эти люди делали урывками между звонками.
Ошибки из-за пересказов
Устный ответ запоминался с искажениями. Через неделю продавец применял правило не так, как оно записано, а так, как ему пересказал коллега. Регулярно приходили жалобы клиентов в духе «ваша сотрудница объяснила нам иначе». В разных магазинах по-разному оформляли возвраты, давали скидки и оформляли гарантию.
Новички выходили в работу через 2 недели и всё равно многого не знали
Обучение новичка занимало неделю: ему выдавали стопку регламентов и предлагали изучать их в перерывах между сменами. На деле он запоминал только то, с чем сталкивался на практике. В первый месяц каждый второй вопрос он задавал коллегам и отвлекал их от клиентов. Первые 3 месяца качество его работы было заметно ниже.
Что сделали
К 1С подключили RAG-систему — связку векторной базы документов и языковой модели. Использовали GigaChat-2-Max и локальную embeddings-модель для офлайн-режима. Система развёрнута на сервере клиента, поэтому регламенты компании наружу не уходят.
База знаний из 400 регламентов и данные 1С
Все регламенты прошли векторизацию: модель определяет, какие фрагменты документа отвечают на какой вопрос. Кроме того, бот подключён к 1С и видит остатки, текущие цены, статус клиента, действующие акции и открытые жалобы. На вопрос «можно ли вернуть товар X, купленный 12.04?» он отвечает не общими словами из регламента, а с учётом конкретного чека, срока, акции и категории товара.
Доступ через Telegram-бот и через 1С
Продавец открывает бота по ярлыку в телефоне или в окне 1С и пишет вопрос обычным языком. Через 5 секунд приходит ответ: краткое объяснение и цитата из конкретного регламента с номером пункта. Если однозначного ответа нет, бот сообщает «не уверен» и переводит вопрос на сотрудника техподдержки.
Источник всегда указан
В каждом ответе есть ссылка на документ, из которого взято правило. Продавец видит, что правило действительно записано, а служба контроля качества может проверить, почему бот ответил именно так.
Самообучение на новых вопросах
Вопросы, на которые бот ответил неуверенно, попадают в очередь контент-менеджеру. Раз в неделю он добавляет в базу недостающие регламенты или уточняет существующие, и ответы бота становятся точнее.
Результат
- Время ответа на типовой вопрос сократилось с 5–8 минут до 5 секунд.
- Звонков в техподдержку стало на 72% меньше: остались только сложные случаи, в которых бот сам отвечает «не уверен».
- Двое из трёх сотрудников техподдержки переведены на контроль качества и развитие сети, штат не сокращали.
- Новые продавцы работают в полную силу с первого дня: вместо задания «изучите регламенты» им говорят «спросите бота, если что-то не знаете».
- Жалобы клиентов на то, что в разных магазинах говорят разное, прекратились: правила во всех магазинах одинаковые.
- База знаний постоянно пополняется: за 6 месяцев обновлено 38 регламентов по вопросам, которые задавали сотрудники.
- Проект окупился за 4 месяца, и это только за счёт времени, которое освободилось у техподдержки.
Частые вопросы
Как RAG-бот отвечает на вопросы сотрудников по регламентам и 1С?
Все регламенты векторизованы, а бот подключён к 1С: он видит остатки, цены, статус клиента, действующие акции и открытые жалобы. Поэтому на вопрос о возврате он отвечает с учётом конкретного чека, срока, акции и категории товара и указывает документ и пункт, из которого взято правило.
Что делает бот, если не знает точного ответа?
Бот прямо сообщает «не уверен» и переводит вопрос на сотрудника техподдержки. Такие вопросы попадают в очередь контент-менеджеру. Раз в неделю он добавляет в базу недостающие регламенты или уточняет существующие.
Уходят ли регламенты компании во внешние сервисы?
Нет. Система развёрнута на сервере клиента, регламенты наружу не передаются. Использовались GigaChat-2-Max и локальная embeddings-модель для работы в офлайн-режиме.