Как ИИ спас инженеров от выгорания в ТЕХНОНИКОЛЬ

В ТЕХНОНИКОЛЬ мы активно используем нейросети: на производстве машинное зрение ищет дефекты на конвейерах, алгоритмы помогают с ценообразованием, для сотрудников разрабатываем внутренние ИИ-инструменты. Но сегодня расскажу, как мы внедрили LLM с RAG в контакт-центр, освободили головы инженеров от рутины и кратно увеличили пропускную способность поддержки.

Меня зовут Андрей Цымбалюк, я руководитель этого проекта и занимаюсь digital-маркетингом в технической дирекции. Под капотом — история о том, как мы прошли путь от экспериментов с ChatGPT до системы, которая консультирует клиентов по 10 000+ строительных материалов.

В чем проблема?

Мы производим строительные материалы на 70+ заводах. В нашем каталоге больше 10 000 SKU: кровля, звукоизоляция, герметики, фасады, все для строительства и ремонта интерьера. Даже готовые системы материалов есть. Причем не только для ИЖС, но и для кораблей и объектов ПГС и ТДС — дорог, мостов, многоэтажек, заводов и т.п. Описания сложные — даже опытному человеку разобраться непросто. Я уже не говорю о том, чтобы запомнить всю информацию о продуктах и услугах.

И нам в контакт-центр звонят и пишут B2B-клиенты (проектировщики, подрядчики) и частники. Вопросы бывают разные: от «как монтировать фасадную плитку HAUBERK» до «почему мастика (это гидроизоляционный материал) не твердеет на холоде».

Как мы работали с этими вопросами раньше

Поступает звонок. Клиент задает вопрос. Если вопрос типовой, например, какая гарантия у каменной ваты, то оператор сразу отвечает. Если вопрос выходит за рамки регламента, например, «А можно мастику разбавить клеем ПВА?», то оператор ставит клиента на холд и идёт искать ответ.

Оператор открывает сайт, лезет в продуктовый каталог, листает PDF-инструкции. Если ответ не находит — оператор пытается дозвониться до инженера из технического центра. Но инженеры ведут проекты, ездят на объекты, и часто недоступны. Проходит от 5 до 30 минут. Все это время клиент ждет на линии или вешает трубку. Если трубку не повесил, а оператор до инженера не дозвонился, то клиенту обещают перезвонить. Ответ может прийти через неделю:

“Нет, нельзя. Потому что состав потеряет прочность и водостойкость. Это приведёт к отслоению и протечкам”.

Но клиент уже смешал и разочаровался в мастике.

И подобных нетипичных вопросов к нам поступает много. Потому что строительство — сложная тема. А тот факт, что на форуме или ютубе блогеры выкладывают решения, которые нарушают строительные нормы — сбивает с толку людей.

Это и на инженеров лишняя нагрузка. Много вопросов для них простых, и даже ответ есть в документации. Но оператор не всегда может быстро его найти. Когда таких обращений много, это выматывает: приходится снова и снова отвечать на одно и то же, откладывая более сложную работу. От такого любой выгорит.

В итоге, от скорости и качества ответа зависит состояние наших сотрудников, наша репутация, продажи и лояльность клиентов.

Главные проблемы:

• Операторы не могут запомнить 10 000+ позиций и постоянные обновления

• Информация разбросана по разным источникам

• Регламенты закрывают не все вопросы

• Поиск ответа 10-30 минут, а бывает и больше

• Инженеры перегружены простыми вопросами

• Часть знаний вообще не оцифрована — существует только в головах экспертов

Как мы искали решения

В 2023 году, когда ChatGPT стал популярным, коллеги предложили попробовать нейросети для помощи операторам. Я начал изучать тему с нуля.

Первый прототип выглядел как обычный чат-бот.

Загрузил информацию по одному из популярных направлений — битумным материалам, их у нас покупают, чтобы защитить здания от влаги. Мы задавали вопросы и вроде хорошо работало. А потом нейросеть начала нас обманывать.

Галлюцинации — классическая проблема. Но в стройке такая ошибка — это не просто неточный совет, а риск брака, протечек, срыва сроков и убытков на десятки, а то и сотни миллионов рублей — если говорить, например, о плоской крыше склада. Кроме того, есть риск для людей: в худшем случае конструкция может рухнуть.

Затем попробовали fine-tuning — это когда берёшь готовую модель и дополнительно обучаешь её на своих данных, чтобы она запомнила специфику предметной области. В итоге ИИ давал 60–70% правильных ответов. Плюс встал практический вопрос: у нас ассортимент постоянно обновляется, каждый раз переобучать модель при появлении нового продукта? Это дорого и долго.

Тогда я наткнулся на концепцию RAG — Retrieval-Augmented Generation. Это архитектура, в которой нейросеть отвечает не из своей памяти, а с опорой на внешнюю базу данных.

RAG: не учим модель, а даём ей контекст

Идея RAG простая. Мы не загружаем все знания внутрь модели. Базу храним отдельно, как библиотеку.

Когда пользователь задаёт вопрос, система сначала ищет в этой базе фрагменты, которые подходят по смыслу. Для этого используется векторный поиск: тексты заранее превращены в числовые векторы. Благодаря этому находятся семантически близкие фрагменты, даже если формулировки не совпадают с вопросом напрямую.

После этого система передаёт найденные фрагменты языковой модели вместе с вопросом: «Вот контекст, вот вопрос — сформулируй ответ».

Языковая модель сама ничего не ищет и не обращается к базе напрямую. Она работает только с тем контекстом, который ей передали. Если в базе нет нужной информации, система сообщает, что данных для ответа нет.

Обычно, человека убирают из цепочки консультаций. Но мы решили, что это не наш путь. Ошибка дорога. Поэтому выбрали связку «оператор + ИИ»: нейросеть выдает ответ и ссылку на источники оператору, оператор проверяет и только потом отправляет.

В 2023 году такого на рынке практически не было. Все делали либо полностью автоматических ботов, либо классические базы знаний без ИИ.

Мы рассматривали вариант разработки внутри, но побоялись потратить ресурсы и не получить результат. Тогда решили найти подрядчика.

Выбрали AutoFAQ с их решением Xplain. У них был опыт с крупными клиентами — Skyeng, Честный Знак, Русал. И главное — готовность адаптировать систему под нас.

У нас большой объём данных. Один только продуктовый каталог — около 480 ГБ. Многие решения на таком объёме просто не работают: упираются в ограничения по размеру базы.

Плюс данные хранятся в разных форматах: Excel, PDF и всё между ними. Другие подрядчики просили привести информацию к нужному формату, а потом уже приходить. С таким объемом данных — это долго и опять же дорого. AutoFAQ пошли другим путём: у них уже был готовый механизм подключения разных источников. Они быстро собрали демо-стенд, подключили данные и показали, как всё работает в единой базе знаний внутри ассистента.

Разбираем, что нужно клиентам

Прежде чем обучать систему отвечать, нужно было понять — на что отвечать. Мы не знали точно, какие вопросы задают клиенты.

Взяли записи звонков и с помощью транскрибации превратили в текст. Собрали историю чатов из JivoSite, переписку из почты и мессенджеров. Этот массив текстов структурировали с помощью нейросетей — разбили по темам и типам.

Выяснили, что большинство вопросов — технические: про монтаж, материалы и нестандартные условия эксплуатации. Особенно это касается частных клиентов. Человек посмотрел видео на YouTube, придумал свою технологию и звонит проверить. Например, спрашивает: «Можно мастику разбавить суперклеем?». А так делать нельзя. Но оператор может этого не знать, потому что такой вопрос клиента могли не разбирать на обучении.

Чтобы протестировать модель, мы начали с одного кластера — битумных материалов. На нём проверили, как ассистент справляется с реальными запросами, и после этого расширили систему на другие направления. Всего для интеграции нам потребовалось 3 месяца.

Паралельно оцифровывали знания, которые хранились только в головах инженеров.

Как устроен ассистент

Как я уже говорил, в системе несколько типов источников. Основной — продуктовый каталог PIM с информацией обо всех материалах в формате JSON.

Второй источник — данные, которые система получает через парсинг наших сайтов. Они обновляются автоматически, поэтому ассистент всегда работает с актуальной информацией.

Третий — технический блок с инструкциями по монтажу, там около 1500 статей. Каждая статья в среднем 10 000 символов с картинками и пошаговыми инструкциями. Есть и другой крупный массив данных — кейсы на сайтах, где описаны реальные объекты. Ассистент связывает такие материалы с вопросами вроде «как утеплить гараж в минус 30» и берёт оттуда информацию. Интересно, что векторный поиск на основе LLM ищет по этим данным лучше, чем обычный поиск на сайте. Иногда вручную по поиску мы нужную статью найти не можем, а через ассистента — находим.

Четвёртый — регламенты операторов в формате «вопрос-ответ».

Всё работает на сервере в Яндекс.Облаке. Данные передаются по защищённому соединению TLS.

Система подключена к нескольким каналам: чат на сайте, Telegram, WhatsApp, email. Клиент пишет откуда удобно — оператор видит всё в одном интерфейсе.

Иерархии баз знаний нет — ассистент сам выбирает нужный источник. Но для разных каналов можно подключать разные наборы данных: в интернет-магазине отвечают одни базы, на горячей линии — другие.

Три сценария работы ассистента

Сначала мы запустили систему на одном канале — сайте tn.ru. Работали по трём сценариям в зависимости от времени и типа обращения.

Консультация в чате. Клиент пишет вопрос на сайте ( в Telegram, WhatsApp, на почту). Оператор видит обращение, и сразу — готовую подсказку от ИИ с указанием источников. Оператор проверяет: может отправить как есть, отредактировать или полностью переписать. После проверки отправляет клиенту. В конце диалога клиент оценивает качество.

Консультация по телефону. Изначально я хотел систему, которая слушает звонок и в реальном времени выдаёт подсказки на экран оператора. Технически возможно, но оказалось дорого — от 120 миллионов рублей в год. И не столько из-за нейросетей, сколько из-за инфраструктуры. Нужна специальная телефония, минимальное время обработки, несколько нейросетей — одна понимает, когда человек закончил говорить, другая генерирует ответ, третья проверяет.

Плюс была проблема со скоростью: ответ на сложный вопрос появлялся через 5 секунд, а иногда приходилось ждать до минуты.

Сделали проще. Операторы на звонках используют отдельное окно с чатом помощником. Клиент задает вопрос. Оператор вбивает вопрос в чат, получает подсказку за 10-30 секунд, консультирует клиента.

Нерабочее время. Операторы работают с 10:00 до 19:00. Когда их нет, система в чате спрашивает клиента: хотите ответ от ИИ-ассистента сейчас или дождаться оператора? Если выбирает ИИ — система честно предупреждает, что ответ может быть неполным. Но для многих типовых вопросов этого достаточно.

Как мы проверили качество ответов

Перед запуском взяли слепую выборку: 100-150 реальных вопросов разной сложности. Отправили их и операторам, которые консультировали по-старому, и нейросети. Ответы отдали опытным инженерам на проверку.

Инженеры оценивали по светофору: зеленый — правильно, желтый — правильно, но неполно, красный — неправильно.

Первая итерация ИИ показала 60-70%. Неплохо для начала, но недостаточно для продакшена. Мы проанализировали ошибки, дополнили базу, настроили промпты. Запустили второй раунд. В итоге достигли 92% правильных ответов. Ещё 6% — правильные, но неполные. 2% — нет источника в базе. Сейчас уже ИИ показывает точность ответов — 98%.

Для сравнения: операторы без ИИ давали правильный ответ в 85% диалогов. Нейросеть впоследствии оказалась точнее.

Результаты

В сентябре 2024 мы запустили пилот на горячей линии и в чатах. Сравнили, как операторы работают до и после внедрения ассистента.

Если раньше оператор обрабатывал, например, в среднем 150 запросов. То теперь, один оператор за это же время обрабатывал около 600 запросов. Продуктивность операторов чата выросла в 4 раза.

Среднее время консультации снизилось в 3 раза. Во время одного обращения клиент, как правило, задаёт несколько вопросов. Раньше поиск ответа на каждый нетиповой вопрос занимал 5–10 минут, теперь ИИ выдаёт готовую подсказку за 10–60 секунд — оператору остаётся проверить и отправить ответ.

Средняя оценка консультация в чате — 4.4.

После пилота подключили интернет-магазин shop.tn.ru, добавили виджеты на другие сайты. На сайте technonicol.com настроили систуму так, чтобы она отвечала на английском. Но отдельную базу не делали, модель просто делает автоперевод.

Ещё мы заметили, что новые сотрудники в компании тоже часто задают инженерам простые повторяющиеся вопросы. Поэтому сделали для них отдельного помощника — чтобы получить ответ можно было сразу, не отвлекая экспертов.

Доля автоматизации растёт. Средний уровень автоматизации на всех сервисах от 50 до 70%.

В феврале мы 2025 провели повторный замер. Время консультаций снизилось еще на 24%. Уже не кратный рост, как при первом запуске, но стабильное улучшение с каждой итерацией. Средняя оценка увеличилась до 4.8.

Что помогло добиться результата

Подход «человек + ИИ». Мы не пытаемся заменить операторов. Ответственность все равно несет человек, а ИИ просто помогает.

Постепенное масштабирование. Начали с одного направления (битумные материалы), протестировали, расширили. Не пытались охватить всё сразу.

Итеративное улучшение. После каждого тестирования анализировали ошибки, дополняли данные. Процесс непрерывный — знания накапливаются, ответы становятся лучше.

Правильный выбор подрядчика. Когда мы приходили с нестандартными запросами типа «у нас 480 гигабайт данных», коллеги не говорили «невозможно» — искали решение.

Вовлечение экспертов. Инженеры участвовали в тестировании, давали обратную связь. Без их экспертизы качество было бы ниже.

Титры

В помощь проектировщикам, заказчикам и подрядчикам мы разработали бесплатные инструменты, если вы:

• ищите подрядчика или заказ — переходите на ROOF.RU. Тут 6000+ проверенных подрядчиков с подтвержденным рейтингом и реальными объектами в портфолио.

• хотите разобраться в технологиях, материалах и правилах монтажа — приходите в Строительную Академию ТЕХНОНИКОЛЬ. Там мы собрали обучающие курсы, вебинары и программы повышения квалификации для проектировщиков и подрядчиков.

• хотите контролировать качество монтажных работ и оценивать износ конструкций на объекте — используйте TN Check.
  Это мобильное приложение-технадзор, которое по чек-листам помогает проверять монтаж кровли, фасада и фундамента и даёт рекомендации по устранению ошибок и ремонту.

• А если здание уже в эксплуатации и важно вовремя замечать проблемы с кровлей — используйте системы мониторинга снега и протечек. Он помогает узнать о рисках заранее и не доводить до аварии.

Спасибо коллегам AutoFAQ за помощь в написании статьи и внедрении ИИ-ассистента.