AI-метрдотель: как мы сделали реального ИИ-сотрудника для сети ресторанов

В этой статье рассказываю про наш кейс реализации AI-агента для сети ресторанов, обсудим, с чего начинается действительно умный AI-продукт, рассмотрим примеры того, как цифровой ассистент отвечает гостям уже сейчас, киллер-фитчи, которые мы реализовали в виде файнтюнинга и переключения на менеджеров и пройдемся по технической части

Самый очевидный кейс для чат-ботов — попробовать заменить сотрудника, но часто это реализовано так, что пользователь получает шаблонные ответы и просит скорее переключить его на менеджера.

Мы решили не делать «бота», а сделать цифрового сотрудника, который максимально приближенно имитирует человека: понимает свободный текст, запоминает гостя, не путается, не устает, отвечает ровно и аккуратно, а когда чего-то не знает — передаёт слово менеджеру так, чтобы гость этого даже не заметил.

Фактически — это метрдотель, который работает 24/7, не забывает ни одного сообщения и видит всю картину: от предпочтений гостя до наличия блюд и статуса оплаты.

Не хочется начинать с банальностей, но очевидно, что человека есть ограничения: усталость, поток задач, параллельные чаты, человеческий фактор. У AI-метрдотеля их нет, звучит идеально, потому что он не забывает:

Он держит все процессы в голове сразу: бронирования, IIKO, меню, билеты, оплату, отзывы и делает это без напряжения.

А главное – он персональный. Он не работает по фиксированным правилам, а адаптируется под конкретного человека и не выдаёт одни и те же рекомендации всем подряд.Но если происходит ситуация, где правильнее подключить живого менеджера, система не «ломается», не просит «сформулируйте иначе», а просто передаёт запрос сотруднику, который быстро подхватывает диалог, гость этого перехода может и не заметить.

Чтобы AI оказывал действительно персональный умный сервис, ему нужно три опоры.

Первая — доступ к знаниям.

В прошлой статье я рассказывал про умную базу знаний компании, которая является универсальный слоем для подключения любых агентов, когда гость обращается к нашему метрдотелю, мы обращаемся к коллекции "Гость" — фактической основе, где живут описания блюд, рекомендации, винные пары, гастросочетания, форматы ресторанов, правила сервиса.

Это настоящая корпоративная память, которую AI может использовать, цитировать и комбинировать, но при этом гость никогда не получит информацию, которая конфиденциально из-за особой архитектуры умной базы знаний.

Вторая — данные о самом госте.

Через интеграцию с профильной БД метрдотель знает всю историю визитов, заказы, предпочтения, частоту посещений, любимые блюда и даже стиль общения. Это даёт возможность формировать персональные ответы, опираясь на то, что гость любит, куда ходит и давать ему персональные рекомендации

Третья — актуальные данные ресторана.

IIKO даёт наличие блюд, цены и исключения; Remarked — реальные бронирования и статусы, RocketData — отзывы. В итоге у AI есть всё, что нужно, чтобы работать как сотрудник: знания об объекте, знания о человеке и текущая «операционная картина».

На старте мы взяли первый уровень очевидных сценарием и запускаем альфа-версию с ним. Вот что умеет AI-метрдотель прямо сейчас:

Он понимает свободный текст — «хочу тихий столик ближе к окну», извлекает параметры, проверяет доступность, учитывает обратную связь и уточнения, предлагает альтернативы и корректно фиксирует бронь через Remarked. Если гость передумал — обновляет. Если произошёл конфликт — аккуратно разрешает.

AI генерирует платёжную ссылку, принимает вебхук, проверяет статус, фиксирует транзакцию. Работает для билетов, депозитов и предзаказов. После оплаты оповещает менеджеров ресторана и новом заказе.

«Посоветуй блюдо с рыбой». «Мы любим красные вина, что подойдёт к стейку?» AI тянет выдержки из базы знаний, сверяет наличие в IIKO, учитывает предпочтения гостя и выдаёт точную рекомендацию с объяснением.

После визита AI классифицирует тональность и публикует отзыв в RocketData, с которым уже будут работать менеджеры ресторана.

Сейчас работает только в Telegram, но в ближайшей итерации планируем дублировать на сайт и другие месенджеры.

Есть две вещи, которые делают этот продукт реально сильным.

Мы дообучаем модель говорить в стиле ресторана, наша тестовая группа получает ответы от бота, в которых есть 2 кнопки "Лайк" и "Доработать", если тестировщик ставит "Лайк", то бот запоминает этот ответ, как хороший, если нажимает на "Доработать", то тестировщик дает свои комментарии и бот начинает адаптировать свои ответы. И конечно же, мы логируем все доработки в отдельную базу данных, чтобы можно было посмотреть, какие комментарии присылала наша тестовая группа пользователей.

Для файтюна у нас собрана админка, где главные менеджер может наблюдать все предложения изменений от тестировщиков и либо принимать, либо отклонять.

Когда гость пишет то, что требует участия человека, система не «ломается», не просит «сформулируйте иначе», а просто передаёт запрос сотруднику. Гость этого перехода не чувствует. Это очень важно для сегментов, где сервис — часть опыта.

Мы сознательно не использовали no-code инструменты вроде n8n. Для системы, которая работает с реальными деньгами, бронями и персональными данными, нужна предсказуемая масштабируемая архитектура.

Мы подключаемся ко всем системам напрямую через API: Remarked, IIKO, RocketData, платежи, Qdrant, PostgreSQL.

RAG здесь выступает универсальным слоем знаний — фактическим ядром, откуда AI берёт информацию. Это не поиск по документам, а рабочая среда.

Технический стек: Fastify, TypeScript, OpenAI-модели, Qdrant, PostgreSQL, собственный оркестратор, маршрутизация сценариев, нагрузочные тесты, UAT, моки, изолированные сервисы.

По факту — нового сотрудника, который:

Помогая компаниям проходить цифровую трансформацию — внедряя ИИ, создавая сайты, настраивая серверы или разрабатывая продукты — мы всегда начинаем с грамотного планирования.

Наша цель проста: сделать так, чтобы производство не превращалось для заказчика в операционный ад, а итоговая система была гибкой, управляемой и готовой к масштабированию.

Часто мы тратим 2-3 недели только на проектирование. И именно это отличает нас от большинства айтишников: многие продают код, но забывают про проектное управление, про архитектуру и про то, как решение будет жить дальше. Мы же сначала выстраиваем фундамент и только потом переходим к разработке, чтобы продукт стал устойчивой частью бизнеса.

И это лишь один из наших кейсов по работе с ИИ и внедрению IT-решений.

В Telegram-канале я рассказываю, с чего начать построение IT-отдела в компании.

Сохраните мой контакт — на случай, если захотите применить ИИ или другие IT-решения у себя.

Telegram-канал: https://t.me/egormklive

Почитать еще: