AI-чат-бот для автоматизації підтримки SaaS-продукту

Завдання

B2B SaaS-компанія з продуктом для автоматизації внутрішніх бізнес-процесів мала стрімко зростаючу клієнтську базу, проте служба підтримки не встигала масштабуватися разом з нею. Команда з 8 операторів обробляла понад 1200 тікетів на місяць — і цей обсяг збільшувався на 15-20% щокварталу разом з припливом нових клієнтів. Ключова проблема полягала в структурі запитів: близько 70% звернень стосувались типових питань, відповіді на які вже були в документації або раніше давались іншим клієнтам. Налаштування інтеграцій, помилки авторизації, питання щодо тарифів і лімітів, запити на вивантаження даних — усе це займало 60% робочого часу команди і не вимагало глибоких технічних знань. Проте через черговість обробки клієнти з простими питаннями чекали відповіді разом з усіма: середній час першої відповіді сягав 8 і більше годин. Це критично впливало на показник CSAT, який впав до 3.2 з 5, і безпосередньо позначалось на утриманні клієнтів у перші 90 днів після підключення — саме тоді, коли клієнт найбільше потребує оперативної допомоги. Компанія не могла дозволити собі просто найняти більше операторів: зростання штату підтримки пропорційно зростанню бізнесу руйнувало юніт-економіку. Потрібне було масштабоване рішення, яке звільнить операторів для складних, нестандартних кейсів.

Рішення

Розробили RAG-чат-бот на базі GPT-4 з ретріваль-аугментованою генерацією, що дозволяє отримувати точні відповіді з бази знань компанії без ризику галюцинацій. Підготовка знань включала індексацію всієї документації продукту (понад 320 статей), бази FAQ, відеоінструкцій у форматі транскриптів, а також архіву успішно закритих тікетів за останні два роки — разом понад 15 000 документів і фрагментів. Для зберігання векторних представлень використали pgvector у PostgreSQL, що дозволило уникнути окремої векторної бази і спростити підтримку інфраструктури. Пошук релевантного контексту реалізовано як гібридний: семантичний (векторна схожість через cosine similarity) плюс ключовий (BM25) з ранжуванням результатів через cross-encoder. Це суттєво підвищило якість відповідей порівняно з чистим семантичним пошуком, особливо для технічних запитів з точними термінами та кодами помилок. Система confidence scoring визначає рівень впевненості моделі у відповіді: якщо показник нижче порогу або клієнт явно просить поговорити з людиною, розмова ескалюється до оператора з автоматично сформованим підсумком контексту — оператор одразу бачить суть питання і що вже намагався зробити бот. Інтерфейс інтегровано у внутрішній портал самообслуговування та месенджер Intercom. Адміністративна панель дозволяє команді підтримки самостійно додавати нові статті до індексу, помічати питання як важливі для переодичного перенавчання та відстежувати метрики якості без участі розробника.

Результат

За перші три місяці роботи бот автономно обробив 73% всіх вхідних звернень без залучення оператора. Середній час першої відповіді скоротився з 8 годин до 12 секунд цілодобово. CSAT зріс з 3.2 до 4.0 з 5 завдяки миттєвим відповідям і доступності підтримки у позаробочий час. Звільнивши операторів від рутинних запитів, компанія перевела 4 з 8 людей на розвиток продуктової документації та проактивний customer success, не збільшуючи фонд оплати праці. ROI проекту окупився менш ніж за 4 місяці.

Технології

Схожі кейси