Как несложный AI-агент сократил расходы на поддержку на 150 000 ₽ в месяц при продаже БАДов на маркетплейсах
И почему главная сложность была не в нейросети, а в базе знаний, эндокринологии и правилах ответов
К нам обратилась компания, которая продаёт БАДы и нутрицевтики на Ozon и Wildberries. У бизнеса было около 1 000 обращений в месяц: вопросы, отзывы, претензии и негативные кейсы.
Поддержка была на аутсорсе: 4 человека, около 150 000 ₽ в месяц. Но главная сложность была не в объёме, а в специфике продукта. Покупатели спрашивали не только про доставку, вкус или количество капсул, а про применение, состав, совместимость, противопоказания и эндокринологию.
Операторы не могли уверенно отвечать на такие вопросы, поэтому постоянно подключали врача. Это замедляло поддержку, увеличивало стоимость обработки и создавало зависимость от эксперта.
Мы сделали AI-агента поддержки с RAG-базой знаний: загрузили описания всех БАДов, типовые ответы, правила коммуникации и курс по эндокринологии. После этого агент начал автоматически отвечать на типовые вопросы и отзывы, а сложные медицинские кейсы передавать человеку.
В результате бизнес сократил расходы на поддержку примерно на 150 000 ₽ в месяц.
С чем пришёл бизнес
На старте у клиента не было «плохой поддержки». Люди работали, обращения закрывались, покупатели получали ответы. Но процесс не масштабировался. Чем больше росли продажи на маркетплейсах, тем больше становился поток обращений. А вместе с ним росли расходы на поддержку.
В нише БАДов это особенно чувствительно. Покупатель может спросить:
— можно ли принимать продукт при проблемах с щитовидной железой;
— совместим ли он с другими добавками;
— подойдёт ли при инсулинорезистентности;
— можно ли при беременности;
— есть ли противопоказания;
— почему не почувствовал эффект.
Для оператора это уже не обычный вопрос по товару. Здесь легко дать лишнее обещание, ошибиться с формулировкой или уйти в медицинскую рекомендацию.
Поэтому часть вопросов постоянно уходила врачу. Поддержка ждала, врач отвлекался, внимание врача это дополнительные расходы, скорость ответа падала.
Главная проблема была не в людях, а в процессе: он держался на ручном труде и экспертных знаниях, которые были разбросаны между операторами, врачом, карточками товаров и внутренними материалами.
Почему нельзя было просто подключить нейросеть
В таких проектах есть опасная иллюзия: «Давайте подключим AI, и он сам будет отвечать на отзывы». Для демо это может сработать. Для реального бизнеса в категории здоровья — нет.
AI может уверенно написать то, чего нет в инструкции, дать слишком категоричный совет, пообещать эффект или ответить на медицинский вопрос так, будто он врач.
Поэтому мы зафиксировали правило: AI-агент не ставит диагнозы, не назначает лечение и не даёт индивидуальные медицинские рекомендации. Он отвечает только в рамках утверждённой базы знаний и безопасных сценариев.
Если вопрос выходит за границы базы, касается диагноза, лечения, беременности, хронических заболеваний или нестандартной реакции — он уходит на человека.
Что мы сделали
Мы начали не с промпта, а с разбора процесса поддержки.
Нужно было понять:
— какие вопросы повторяются чаще всего;
— какие ответы уже есть у операторов;
— какие темы требуют врача;
— где можно включать автоматический ответ;
— какие формулировки допустимы;
— где AI обязан остановиться и передать вопрос человеку.
После этого собрали RAG-базу знаний из 7500 документов
RAG — это подход, при котором AI не отвечает «из головы», а сначала ищет нужные фрагменты в базе знаний и формирует ответ на их основе.
В базу загрузили:
— описания всех БАДов;
— составы продуктов;
— инструкции и ограничения по применению;
— частые вопросы;
— типовые ответы;
— правила коммуникации бренда;
— сценарии реакции на негатив;
— материалы по эндокринологии;
— красные линии, где нужна эскалация.
Ценность AI-агента не в том, что он умеет писать текст. Ценность в том, что он отвечает в рамках знаний конкретного бизнеса.
Именно это стало ядром проекта.
Как работает AI-агент
Система получает вопросы и отзывы с Ozon и Wildberries, приводит их к единому формату и классифицирует.
Например:
— простой вопрос по товару;
— вопрос по составу;
— вопрос по применению;
— медицинский риск;
— положительный отзыв;
— негатив;
— претензия по доставке;
— жалоба на эффект.
После этого агент выбирает сценарий. Если вопрос типовой и в базе есть подтверждённый ответ — агент отвечает автоматически. Если вопрос чувствительный или выходит за рамки базы — он передаёт его человеку.
Мы сделали не «бота, который отвечает на всё», а систему, которая понимает, где можно автоматизировать, а где лучше не рисковать.
Пример
Покупатель спрашивает: «Можно ли принимать этот БАД при проблемах с щитовидной железой?»
Плохой AI-ответ: «Да, можно, продукт помогает нормализовать работу щитовидной железы».
Так отвечать нельзя.
Правильная логика другая: агент проверяет базу знаний, состав, ограничения и правила коммуникации. Если есть безопасный сценарий, он отвечает аккуратно:
«При заболеваниях щитовидной железы лучше согласовать приём с лечащим врачом, особенно если вы принимаете препараты или наблюдаетесь у эндокринолога».
Если вопрос требует индивидуальной оценки — кейс уходит специалисту.
Так AI снимает с врача повторяющиеся вопросы, но не заменяет его.
Где появилась экономия
До внедрения 1 000 обращений в месяц проходили через ручную поддержку. В процессе участвовало 4 человека, а расходы составляли около 150 000 ₽ в месяц.
После внедрения AI-агент забрал на себя типовые кейсы. Один человек остался в процессе, но уже не как первая линия на весь поток. Его роль сместилась в контроль качества, обработку сложных кейсов и доработку базы знаний.
В результате бизнес смог сократить расходы на поддержку примерно на 150 000 ₽ в месяц.
Почему это не сложный AI-проект
Для такого результата не понадобилась огромная корпоративная AI-платформа.
Мы собрали несколько понятных слоёв:
— интеграция с Ozon и Wildberries;
— единый формат обращений;
— база знаний;
— RAG-поиск;
— классификация обращений;
— слой принятия решения: автоответ или эскалация;
— история обработки;
— аналитика по вопросам, жалобам и негативу.
Это не магия, а продуктовая архитектура.
Что получил бизнес
После внедрения клиент получил не просто автоответчик, а управляемый контур поддержки.
Что изменилось:
— снизилась ручная нагрузка;
— ответы стали единообразными;
— снизилась зависимость от операторов;
— врача перестали дёргать по повторяющимся вопросам;
— появилась аналитика по вопросам и негативу;
— поддержка стала масштабироваться без роста штата;
— расходы на первую линию сократились примерно на 150 000 ₽ в месяц.
Отдельная ценность — аналитика
Когда все обращения проходят через единую систему, бизнес начинает видеть не отдельные сообщения, а структуру обратной связи.
Например:
— что чаще всего спрашивают;
— какие товары вызывают больше уточнений;
— что непонятно в карточках;
— какие жалобы повторяются;
— где проблема в упаковке;
Если покупатели постоянно задают один и тот же вопрос — его стоит вынести в карточку товара.
Если по одному SKU регулярно жалуются на упаковку — это уже сигнал для производства или логистики.
Так поддержка перестаёт быть просто центром затрат и становится источником управленческих инсайтов.
Главный вывод
AI начинает приносить деньги не тогда, когда он просто красиво пишет. А тогда, когда встроен в конкретный бизнес-процесс и решает понятную экономическую задачу.
В этом кейсе задача была простой: снизить стоимость поддержки без потери качества и без риска для бренда.
Результат — минус около 150 000 ₽ ежемесячных расходов на первую линию поддержки.
Если у кого появились вопросы по продукту или его архитектуре —обращайтесь.
Влад Медведев
Стратегический партнёр по росту, продукту и AI
Telegram: @vladislav_medv