В 2026 году AI-чат-бот — это не виджет для галочки, а полноценный сотрудник отдела продаж. Главное условие: он должен видеть историю клиента в CRM и передавать туда квалифицированные лиды в реальном времени. Без интеграции бот — просто дорогая FAQ-система. Ниже — рабочий план внедрения, который мы используем в App72 для проектов уровня AI Бизнес.
1. Аудит процессов и выбор точки входа
Не начинайте с кода. Начинайте с карты текущего пути клиента (CJM). Найдите узкие места: где менеджеры теряют лиды, где долгий ответ, где теряется контекст при передаче между отделами.
- Цель: определить 1–2 сценария, которые дадут 80% эффекта (Принцип Парето). Обычно это: первичная квалификация входящих лидов с сайта и реактивация \"умерших\" сделок в CRM.
- Данные: выгрузите 500–1000 реальных диалогов за последние 3 месяца. Они станут датасетом для обучения и тестов.
- CRM: проверьте, открыты ли API у amoCRM, Битрикс24 или другой системы. Нужен доступ к полям: сделка, контакт, компания, кастомные поля (UTM, источник, скоринг).
2. Архитектура интеграции: сайт → бот → CRM
Стандартный стек 2026 года: вебхук на сайте → оркестратор (n8n / Make / свой бэкенд) → LLM-провайдер (GPT-4o, Claude 3.5, YandexGPT) → API CRM.
| Этап | Действие | Инструменты / Код |
|---|---|---|
| 1. Перехват лида | JS-виджет на сайте ловит событие (клик, скролл, уход) и открывает чат | GTM / собственный скрипт, WebSocket |
| 2. Идентификация | Поиск контакта в CRM по email/телефону/cookie. Если нет — создание лида | API CRM: contacts/list, leads/add |
| 3. Контекст | Подгрузка истории сделок, тегов, последних сообщений в промпт бота | RAG / System Prompt Injection |
| 4. Диалог | Бот квалифицирует по скрипту (BANT/GPCT), отвечает на вопросы по базе знаний | LLM + Function Calling (tools) |
| 5. Запись результата | Обновление полей сделки: статус, бюджет, потребность, тег \"AI-квалифицирован\" | API CRM: leads/update, кастомные поля |
| 6. Передача человеку | Создание задачи менеджеру / переброс в открытый чат (amoCRM / Битрикс24 чаты) | Webhook → CRM Task / Chat API |
Важно: используйте Function Calling для действий в CRM (смена этапа, добавление товара), а не просьбу боту \"написать менеджеру\". Это исключает галлюцинации.
3. Настройка сценариев и базы знаний (RAG)
В 2026 году работает гибрид: жесткий сценарий (FSM) для сбора обязательных полей + RAG для ответов на фри-текст.
- Сценарий (FSM): Приветствие → Уточнение имени/телефона (если нет в CRM) → 3 квалифицирующих вопроса → Результат: \"Горячий\" (передача менеджеру) / \"Теплый\" (нутриция через бота) / \"Холодный\" (тег в CRM, отсев).
- RAG (Retrieval-Augmented Generation): Загрузите в векторную БД (Qdrant, Pinecone, PGVector): прайс-листы, ТУ, кейсы, ответы на возражения, внутренние регламенты. Обновляйте раз в неделю автоматически из Google Docs / Notion / Confluence.
- Гاردрейлы: Запрет на скидки >10%, обещание сроков без подтверждения склада, вывод персональных данных других клиентов. Реализуется через системный промпт + валидатор на выходе.
4. Метрики: что считать с дня запуска
Внедряйте аналитику до релиза. Без базовых метрик вы не поймете, платите за экономию FTE или за раздравание клиентов.
- Containment Rate (Самообслуживание): % диалогов, закрытых ботом без передачи человеку. Цель: 40–60% для L1-поддержки, 2
Нужна оценка проекта? Напишите в Telegram или оставьте заявку на сайте — подготовим ТЗ и прототип.