AI-агент поддержки для Acolyte Wear: 11 000 диалогов без найма новых менеджеров

Бренд молодежной одежды Acolyte Wear поймал приятную, но тяжелую волну. Выстрелившая реклама наложилась на высокий сезон. Продажи выросли, а с ними и очередь в поддержку. Нанимать новых менеджеров ради сезонного всплеска в магазине посчитали неоправданным. Вместо этого запустили AI-агента поддержки на платформе «Найми ИИ». Сначала простого отвечающего по базе знаний. А со временем появилась мультиагентная система, которая знает каталог, видит остатки и находит заказы в CRM. Команда pickTech изучила проект по этапам: от запуска за один день до 11 000 с лишним диалогов, 55% которых закрыты без оператора, по данным «Найми ИИ».

Запрос клиента был четким и прагматичным: нужен работающий помощник, который снимет часть обращений с менеджеров. Результат — быстрый, без долгого проекта, дорабатывать и развивать — потом.

Интересная деталь: на момент переговоров магазин обсуждал кастомную разработку с другим подрядчиком. Это долгий путь: от согласования ТЗ до собственного этапа тестирования и до первого живого диалога может пройти от нескольких месяцев. У «Найми ИИ» — готовый продукт, который настраивают для себя, и разработка с нуля не нужна. Поэтому клиент согласился на параллельный пилот. И по итогам сравнения выбрал готовую платформу. Для рынка это показательный сюжет: в задачах клиентского сервиса скорость запуска нередко перевешивает гибкость заказной разработки.

Первую версию AI-агента поддержки собрали на базе знаний магазина. Взяли ее за основу, за день привели в пригодный для агента вид и запустили в работу. Агент начал закрывать типовые вопросы: график работы, география доставки, способы оплаты.

Ключевое решение этого этапа — эскалация. Если уверенного ответа в базе не было, диалог сразу забирал живой менеджер. Никто не пытался покрыть все сценарии с первого дня, важнее было быстро выйти в реальные диалоги и сохранить качество сервиса.

Следующей задачей было научить агента разбираться в товарах. Первая идея была парсинг сайта, но она не сработала. У каждого сайта своя верстка, и автоматический сбор давал грязный каталог. Вторая попытка была YML/XML-выгрузки, но она тоже не дала нужного результата. Сайт магазина работает на платформе Tilda, которая не отдает гибкую выгрузку, и файл засорялся устаревшими товарами.

Команда пришла к рабочему принципу. Каталог должен питаться от первоисточника — той учетной системы, в которой заводится каждая новая позиция. Для Acolyte Wear это CRM «МойСклад».

В «МойСклад» у части товаров не хватало ссылок, и клиент согласился доработать карточки на своей стороне. После этого каждая новая позиция стала попадать к агенту сразу с полными данными. Заодно ограничили область видимости: категории, которые уже не производятся, и другие позиции, которые не нужно учитывать в ответах, агент больше не видит.

Информацию по остаткам подключили через модуль API «МойСклад» за пару часов. И вот здесь агент из справочного превратился в продающего. Например, покупатель спросил про куртку M57, и агент сразу сверяется с остатками. Видит одну штуку на складе и предупреждает, что модель вот-вот разберут. Если нужного размера нет, показывает соседние размеры и близкие по стилю вещи.

Отдельная особенность ниши — дропы и капсулы. Новые коллекции и комплекты, например, куртка плюс штаны со скидкой за пару, существуют на сайте, но в учетной системе разложены на отдельные позиции. Полностью автоматического решения здесь пока нет. При выходе дропа сотрудники сами описывают только состав коллекции, но все товарные атрибуты (ссылки, идентификаторы, наличие) система фиксирует сама. Ручной шаг остался, но минимальный.

Примерно через месяц тестового периода клиент сообщил, что ИИ-агент работает хорошо, и попросил настроить его для других функций. Так появился следующий контур — поиск заказов в RetailCRM. Сценарий классический для любого магазина. Клиент интересуется судьбой своей посылки и ждет ответа именно по своему заказу, без общей справки о сроках доставки.

Инструмент поиска научили идентифицировать покупателя по имени и фамилии, телефону или адресу электронной почты. Агент запрашивает только последние три-пять заказов и умеет отсеивать их по статусу, например, показывать только уже оплаченные. Тянуть в диалог всю историю покупок незачем.

Первым слоем работал коннектор. Он узнает постоянного покупателя по номеру и привязывает переписку к его профилю в CRM. Но пробелы в этой схеме быстро проявились, когда человек обращается впервые и номера в CRM еще нет. Или клиент пишет из Telegram, который не сообщает телефон собеседника.

Для таких случаев подключили MCP-сервер — инструмент, через который AI-агент обращается к внешним системам. Логика стала двухступенчатой. Если идентификатор не определился автоматически, агент сам уточняет у покупателя телефон и уже по нему вытаскивает заказ из RetailCRM через MCP-сервер. По опыту «Найми ИИ», такие MCP-серверы можно собирать практически под любую CRM или учетную систему.

Постепенно решение выросло в систему из трех ролей. Главный агент — оркестратор: он ведет диалог с покупателем, решает, какая информация нужна для ответа, раздает задачи помощникам и склеивает из их ответов итоговую реплику. Один субагент держит сервисный слой — все, что касается оплаты, логистики и регламентов магазина. Второй разбирается в ассортименте: подбирает позиции, проверяет размеры и наличие, ищет замены. Каждый возвращает оркестратору только релевантный фрагмент, без всей базы целиком.

Смысл разделения помощников в том, чтобы очистить контекст от лишней информации. Если в одного агента сложить каталог, базу знаний и все правила, в тексте будет много ненужного, и качество ответов падает. Узкие роли держат систему управляемой. Этим мультиагентная схема и отличается от привычного сценария «чат-бот для интернет-магазина», где один скрипт пытается тянуть все сразу.

Любопытное инженерное решение: инструмент поиска заказов подключен к оркестратору напрямую, без отдельного субагента. Пока объем таких запросов небольшой, посредник не нужен.

База знаний — актив, а вложения в нее окупаются скоростью. По словам со-основателя «Найми ИИ» Вячеслава Попкова, раньше бизнес спокойно жил без детального описания процессов и услуг. Теперь этот контекст стал реальным активом. Компания, которая его ведет, внедряет ИИ быстрее и результативнее конкурентов. Его второй тезис еще короче: чем чище база знаний, тем управляемее ИИ. Проект Acolyte Wear это подтвердил дважды: на старте, когда готовая база позволила запуститься за день, и на этапе каталога, когда доработанные карточки в «МойСклад» сняли проблему качества данных.

Промпты — короткие и структурированные. Длинный промпт с десятками частных правил работает хуже четкого и структурированного. Эффективнее поделить его на разделы с понятными заголовками: правила эскалации к человеку, список запретов, образцы удачных реплик, регламент вызова инструментов, тон общения. Причину ошибки агента ищут в базе знаний, структуре данных или логике маршрутизации.

Тон бренда задается принципом. Аудитория Acolyte Wear молодая, и агента настроили общаться на «ты», свободно, со сленгом — «бро» и «сорян» здесь уместны. На старте он начал вставлять слова «йоу, че как», но чинили его без перечня микроправил. Одной строкой в промпте объяснили принцип: «разговаривай так, будто пишешь хорошему приятелю», — и добавили примеры фраз.

За время работы AI-агент поддержки обработал более 11 000 диалогов. Из них 55% закрыты без подключения человека, остальные ушли операторам (данные «Найми ИИ»; на скриншоте интерфейса счетчик закрытых диалогов — 11 383). Именно эту задачу магазин и хотел автоматизировать: снять нагрузку с поддержки, не расширяя штат.

Сколько это стоит. Модель тарификации у «Найми ИИ» подписочная, тарифы публичные: в подписку входит пакет «кредитов», которые тратятся на работу любых ИИ-моделей; закончились — можно докупить, и чем больше пакет, тем дешевле кредит. Подписка стоит от 3 до 50 тысяч рублей в месяц — вендор строит прайсинг так, чтобы ИИ-агент выходил в 4–5 раз выгоднее живого сотрудника (данные «Найми ИИ», июль 2026).

Проект работает и после запуска. В рабочем чате команда разбирает ошибки из реальных диалогов. Клиент присылает запросы на доработки, а на созвонах стороны сверяют планы развития платформы и прикидывают, что автоматизировать дальше. Градус отношений хорошо передает одна деталь. Под Новый год аналитик, ведущий проект, получил от магазина подарок — костюм из фирменной коллекции.

Схема Acolyte Wear хорошо ложится на интернет-магазины, где поток обращений растет быстрее команды. При этом есть учетная система с каталогом, CRM с заказами и типовые вопросы, которые съедают время менеджеров. Автоматизация клиентского сервиса в таком контуре дает двойной эффект. Агент и разгружает поддержку, и подталкивает к покупке, работая с остатками и альтернативами.

Кому такой проект пока не нужен.

AI-агент поддержки — один из достойных вариантов для растущего интернет-магазина. Но работает он там, где бизнес готов вкладываться в свои данные: базу знаний, карточки товаров, чистоту CRM. У Acolyte Wear эта готовность была, и именно она определила итог проекта: тысячи диалогов, закрытых без расширения штата.