LLM‑бот в e‑commerce: автопродажи, статусы заказов, возвраты и upsell

Пятница вечер, за окном — первый снег. У меня звонит телефон: знакомый, который недавно запустил интернет-магазин товаров для дома, в полупанике. «Слушай, трафик вырос в три раза после рекламы, а мои операторы не справляются. В чате очередь на 40 человек. Люди уходят, не дождавшись ответа. Что делать — нанимать ещё пять человек на выходные?»

Знакомая история, правда? Рост — это здорово, но он обнажает все слабые места. И первое, что ломается, — клиентский сервис. Потому что люди сегодня ждать не умеют. Совсем. Исследования говорят, что больше половины покупателей бросают корзину, если не получают ответ на свой вопрос в течение минуты. Минуты! Это даже не время заварить чай.

Раньше вариантов было два: нанимать армию операторов (дорого, сложно, текучка кадров) или ставить этих несчастных кнопочных ботов, которые умеют только «Выберите раздел: 1 — доставка, 2 — оплата» и доводят клиентов до белого каления. Но сейчас появилась третья опция, и она меняет правила игры: LLM-боты — боты на больших языковых моделях.

Это не просто автоответчик с шаблонами. Это, по сути, цифровой сотрудник, который понимает естественный язык. Клиент пишет «хочу что-нибудь тёплое на зиму, но не дороже тридцатки» — и бот понимает, о чём речь. Он может посоветовать конкретную куртку, проверить, есть ли нужный размер на складе, добавить к заказу перчатки со скидкой и сгенерировать ссылку на оплату. Всё это за секунды, без участия живого человека.

Звучит как фантастика? Ещё пару лет назад — возможно. Но сегодня такие системы уже работают в реальных магазинах. Я видел, как бот обрабатывает 70% обращений в fashion-ритейлере с сорока тысячами позиций. Видел, как среднее время ответа падает с пятнадцати минут до сорока секунд. Видел, как CSAT (индекс удовлетворённости) растёт, хотя клиенты общаются с машиной.

В этой статье я хочу разложить по полочкам, как устроена такая система изнутри. Какие интеграции нужны, чтобы бот не выглядел глупо. Какие сценарии он может закрывать сам, а где всё-таки нужен человек. Какие метрики смотреть, чтобы понять, работает ли это. И как запустить пилот за месяц, не разломав текущие процессы. Поехали.

Суть за 30 секунд

Если у вас совещание через пять минут и нужна суть — вот она. Но потом вернитесь, потому что дьявол, как обычно, в деталях.

• Бот — это и продавец, и оператор в одном лице. Он не просто отвечает «да» или «нет». Он ведёт клиента по воронке: выясняет потребность, советует конкретный товар, проверяет наличие на ближайшем складе и помогает оформить доставку. По сути, это ваш лучший консультант, который никогда не устаёт и не уходит на обед.
• Три типа задач — три разных подхода. Все запросы клиентов мы делим на продажи, статусы заказов и возвраты. Для каждого потока — свой сценарий, свои интеграции и свои правила безопасности. Смешивать нельзя: логика возврата не должна случайно сработать при продаже.
• Только правда, только в реальном времени. Бот обязан знать остатки и цены «здесь и сейчас». Если API каталога не отвечает — бот должен честно сказать «не могу уточнить, подождите минуту», а не выдумывать из головы. Галлюцинации в e-commerce стоят денег и репутации.
• Измеряем деньги, а не сообщения. Главные метрики — конверсия в заказ (CR), рост среднего чека (AOV) и процент вопросов, решённых без человека (Deflection). Количество отправленных сообщений — бесполезная цифра для бизнеса.
• Безопасность — не опция, а фундамент. Никаких данных карт в чате. Жёсткие запреты на выдумывание скидок. Полное логирование каждого шага — если клиент скажет «бот обещал мне 90% скидку», вы сможете поднять записи.
• Пилот можно запустить за месяц. Три ключевые интеграции (каталог, заказы, CRM), тридцать тестовых сценариев, запуск на 10–20% трафика и еженедельный разбор полётов. Это реально.

Архитектура: из чего состоит «мозг» бота

Вот тут начинается самое интересное — и самое недооценённое. Многие думают: «Подключим ChatGPT, и он сам разберётся». Не разберётся. Языковая модель — это как гениальный стажёр в первый день работы: он умный, красноречивый, быстро учится, но понятия не имеет, где у вас лежит прайс-лист и как работает склад.

Чтобы бот реально помогал, а не создавал проблемы, ему нужен доступ к информации. Представьте, что вы наняли лучшего продавца в городе, но закрыли его в тёмной комнате без компьютера, телефона и каталога. Много он напродаёт? Вот и с ботом так же. Давайте разберём четыре ключевые системы, к которым его нужно подключить.

Когда все четыре компонента работают вместе, происходит магия. Клиент пишет: «У вас есть синие кроссовки 43 размера с доставкой завтра?» Бот за секунду проверяет каталог (есть три модели), склад (две в наличии в городе клиента), логистику (завтра — реально, если заказать до 18:00) и формирует ответ с конкретными вариантами и ценами. Без единого участия человека.

Про логирование: Каждое действие бота записывается. Это не паранойя, а необходимость. Если клиент потом скажет «Бот обещал мне скидку 90%!» — вы поднимете логи и увидите, что именно было сказано. Это ваша юридическая страховка и инструмент для обучения: видите, где бот ошибается, и улучшаете промпты.

Как это выглядит для клиента: четыре типичных сценария

Теория — это хорошо, но давайте посмотрим, как бот работает в реальных ситуациях. Я специально выбрал примеры, которые чаще всего встречаются в e-commerce: консультация по выбору, отслеживание заказа, возврат и персонализация. Каждый из них — это отдельный «навык», который нужно настроить.

• «Помоги выбрать» — консультация и upsell

  Клиент пишет: «Ищу кроссовки для бега зимой, чтобы не скользили». Что делает обычный бот? Кидает ссылку на категорию «Кроссовки» и умывает руки. Что делает умный бот? Задаёт уточняющие вопросы: «Какой размер? Важен ли вес? Бегаете по асфальту или по тропам?» Потом проверяет наличие на складе с быстрой доставкой, предлагает конкретную модель с описанием, почему именно она подходит.

  И вот тут происходит магия допродаж: «Кстати, к этим кроссовкам часто берут влагозащитные носки — они сейчас со скидкой 20%. Добавить в заказ?». Это не навязчивая реклама, а реальная помощь. И средний чек растёт сам собой.

• «Где мой заказ?» — WISMO-запросы

  WISMO (Where Is My Order) — это, пожалуй, самый частый запрос в любом интернет-магазине. По статистике, до 40% обращений в поддержку — именно про это. Раньше каждый такой вопрос отнимал у оператора минуту-две: найти заказ, зайти в систему курьерки, сформулировать ответ.

  Теперь клиент пишет номер заказа (или бот сам его находит по телефону). Бот за секунду лезет в систему логистики, видит статус и пишет: «Вижу ваш заказ 12345. Сейчас он у курьера, он немного задерживается из-за пробок — будет у вас примерно через 20 минут. Вот ссылка на карту, чтобы следить в реальном времени». Клиент спокоен, оператор свободен для сложных случаев.

• «Не подошло, хочу вернуть» — оформление возвратов

  Возвраты — больная тема для e-commerce. С одной стороны, нельзя усложнять процесс (клиент расстроится и больше не вернётся). С другой — нельзя принимать всё подряд, есть законодательные ограничения и политика магазина.

  Бот проверяет дату покупки (14 дней не прошло?), категорию товара (это не нижнее бельё, не косметика с нарушенной упаковкой?), и если всё в порядке — сам генерирует накладную СДЭК или Почты России и присылает штрих-код. Клиенту остаётся только наклеить его на коробку и отнести в пункт выдачи. Если возврат невозможен — бот вежливо объясняет причину со ссылкой на закон, а не просто говорит «нет».

• «Вы меня помните?» — персонализация

  Это то, что отличает хороший сервис от отличного. Если клиент авторизован (вошёл в личный кабинет или написал с привязанного мессенджера), бот видит его историю покупок.

  «Привет, Анна! Как вам тот увлажняющий крем, который вы заказывали месяц назад? Кстати, у нас как раз появилась сыворотка из этой же серии — многие берут их в паре». Это не выглядит как продажа. Это выглядит как забота. И именно такие мелочи превращают разовых покупателей в постоянных клиентов.

Метрики: что измерять, чтобы не обманывать себя

Здесь я хочу остановиться подробнее, потому что видел много провалов именно на этом этапе. Компания внедряет бота, смотрит на красивые графики («Бот отправил 50 000 сообщений за месяц!») и думает, что всё работает. А потом выясняется, что продажи не выросли, клиенты раздражены, а операторы всё равно перегружены — просто теперь они разгребают последствия за ботом.

Поэтому — никаких «метрик тщеславия». Измеряем только то, что напрямую влияет на деньги и удовлетворённость клиентов. Вот пять показателей, которые я рекомендую отслеживать еженедельно.

Важный момент: все эти метрики нужно смотреть в сравнении с «до бота». Если у вас нет базовых показателей — соберите их за пару недель до запуска. Иначе потом будет сложно доказать (в первую очередь самим себе), что бот реально приносит пользу.

Практический совет: Соберите эти пять метрик в один дашборд, который обновляется в реальном времени. Когда придёте к руководству за бюджетом на масштабирование, этот дашборд скажет больше тысячи слов. Цифры убеждают лучше, чем энтузиазм.

О чём переживают руководители (и зря ли)

Когда я рассказываю про LLM-ботов, почти всегда слышу одни и те же вопросы. Давайте разберём их честно — без маркетингового глянца.

• «А вдруг он продаст телевизор за 5 тенге?»
  Это страх номер один, и он обоснован. Языковые модели умеют «галлюцинировать» — выдавать уверенные, но неправильные ответы. Решение: жёсткое правило в системном промпте — цена берётся ТОЛЬКО из ответа API каталога. Если API не ответил или вернул ошибку, бот обязан сказать: «Не могу сейчас уточнить цену, попробуйте через минуту или напишите оператору». Никаких импровизаций. Это прописывается на уровне архитектуры, а не надежды на «здравый смысл» модели.
• «Он примет возврат товара, который нельзя принимать»
  Например, нижнее бельё или вскрытую косметику. Решение: бот не принимает решение о возврате сам. Он только проверяет условия по базе данных: категория товара (есть список невозвратных), срок покупки (больше 14 дней — отказ), состояние (нужно фото). Если хотя бы один пункт не проходит — накладная не генерируется, клиент получает вежливый отказ со ссылкой на правила магазина и закон. Это не AI решает — это бизнес-логика, зашитая в код.
• «Украдут данные карт через чат»
  Это вообще не должно быть возможно технически. Бот НИКОГДА не просит номер карты в чате — это жёстко запрещено на уровне промпта и дополнительно проверяется фильтрами. Для оплаты он генерирует защищённую ссылку на платёжный шлюз (Kaspi, Epay, Stripe — что у вас есть). В логах все персональные данные автоматически маскируются: вместо номера телефона видно «+7***123», вместо email — «a***@gmail.com».
• «Он начнёт хамить клиентам или лезть в политику»
  Системный промпт задаёт тон общения: вежливый, помогающий, нейтральный. Бот не имеет мнения о политике, религии, конкурентах — он просто не отвечает на такие вопросы, переводя разговор обратно к товарам. Плюс на выходе стоит слой модерации, который блокирует потенциально токсичный контент до того, как он уйдёт клиенту.
• «А если клиент специально попытается сломать бота?»
  Так называемые «джейлбрейки» — попытки заставить бота вести себя неподобающе. Это реальный риск, особенно если бот работает в публичном чате. Решение: многоуровневая защита. Во-первых, системный промпт с чёткими границами. Во-вторых, входной фильтр, который распознаёт подозрительные паттерны. В-третьих, выходной фильтр. В-четвёртых, регулярный аудит диалогов на предмет аномалий. Ни одна защита не идеальна, но несколько слоёв вместе работают хорошо.

План запуска пилота: как взлететь за 30 дней

Месяц — это реалистичный срок для MVP. Не идеального решения, а работающего прототипа, который можно показать руководству и получить зелёный свет на масштабирование. Вот как я рекомендую распределить время.

1. Дни 1–5: разведка и аналитика. Выгрузите логи чатов за последний месяц. Прочитайте их (да, руками — хотя бы выборку). Выделите топ-50 самых частых вопросов. Спорим, там будет: «Где мой заказ?», «Как вернуть?», «Есть ли в наличии?», «Когда доставка?». Эти 50 вопросов — и есть ваш MVP. Не пытайтесь охватить всё сразу.
2. Неделя 2: интеграции — «руки» для бота. Настраивайте API-коннекторы. Минимум: каталог товаров (цены, остатки, характеристики), система заказов (статусы, история), CRM (для передачи лидов и сложных кейсов). Это техническая работа, которая требует участия вашего IT-отдела или интегратора. Не экономьте здесь время — кривые интеграции потом аукнутся.
3. Неделя 3: промпты и тестирование — «мозги» бота. Пишите системные инструкции, сценарии, примеры ответов. Создайте тестовый набор из 30–50 кейсов: простые вопросы, сложные вопросы, провокации, попытки «сломать» бота. Гоняйте его, пока он не начнёт стабильно отвечать правильно. Это итеративный процесс — будете переписывать промпты много раз, это нормально.
4. Неделя 4: тихий запуск на части трафика. Включите бота на 10–20% посетителей. Не на всех сразу! Пусть рядом сидит человек и следит за диалогами в реальном времени. Первые дни будут косяки — это нормально, для того и пилот. Исправляйте на ходу. Если всё стабильно — постепенно увеличивайте долю до 100%.
5. Финал: ретроспектива и решение. Через месяц работы смотрите на метрики. Если Deflection выше 50% (бот решает больше половины вопросов сам), CSAT не упал (а лучше вырос), и нет критичных инцидентов — пилот успешен. Можно идти к руководству за бюджетом на полноценное внедрение.

Реальный пример: fashion-ритейлер с 40 000 товаров

Теория — это хорошо, но давайте посмотрим на конкретные цифры. Это кейс казахстанского бренда одежды, с которым мы работали в прошлом году.

Исходные данные: каталог на 40 000 SKU, средний чек около 46 000 тенге, продажи через сайт и Instagram. Проблема: в сезон распродаж (ноябрь, декабрь) колл-центр захлёбывался. Операторы не успевали отвечать, среднее время ожидания доходило до 15 минут, до 30% обращений просто терялись — клиенты уходили, не дождавшись ответа.

Владельцы думали нанимать ещё людей на сезон, но это дорого и долго (нужно обучить, а потом ещё и уволить после спада). Вместо этого решили попробовать LLM-бота.

Важная деталь: операторов не уволили. Их просто перестали дёргать по мелочам, и они занялись тем, что умеют лучше всего — решением сложных случаев, работой с VIP-клиентами и конфликтными ситуациями.

Частые вопросы

За последний год я провёл десятки консультаций по LLM-ботам для e-commerce. Вот вопросы, которые звучат почти на каждой встрече.

Что почитать дальше

Если тема автоматизации клиентского сервиса вас зацепила, вот несколько статей, которые хорошо дополняют картину:

• Token-экономика: как не разориться на счетах за AI — важно понимать, сколько стоит каждый диалог, особенно при масштабировании.
• Качество данных: фундамент для любого AI-проекта — если в каталоге бардак, бот не поможет. Начните с данных.
• Fine-tuning vs RAG: выбираем правильную технологию — когда обучать свою модель, а когда достаточно подключить базу знаний.