Российский ритейлер сэкономил 5 штатных единиц: как три ИИ-агента сократили время обработки возвратов на 85%

Российская розничная компания с сетью из более чем 200 торговых точек и ежедневным объёмом в 15 тысяч заказов столкнулась с проблемой медленной и дорогой обработки возвратов. Внедрив систему из трёх ИИ-агентов, компания не только сократила среднее время обработки возврата с 42 до 6 минут, но и смогла перераспределить пять сотрудников отдела поддержки, снизив нагрузку на оставшихся операторов на 80%.

В масштабах крупного ритейла, даже незначительная рутинная операция, такая как обработка возврата, может съедать сотни человеко-часов в месяц и приводить к прямым убыткам из-за ошибок и задержек. Каждый возврат, это не только финансовая потеря, но и риск потери лояльности клиента. Когда 14% таких операций выполняются некорректно, это становится критичной проблемой. Но сегодня эту нагрузку можно снять, передав её специализированным ИИ-агентам.

Как выглядел процесс обработки возвратов до внедрения ИИ-агентов

До внедрения мультиагентной системы, отдел поддержки компании состоял из семи операторов, каждый из которых обрабатывал возвраты вручную. Один возврат в среднем занимал 42 минуты. Этот процесс был многоступенчатым и требовал внимания к деталям:

• Проверка заказа. Оператор должен был найти заказ в системе, сверить данные, убедиться в его статусе.
• Анализ фотографий брака. Клиенты часто присылали фотографии повреждений, которые нужно было внимательно изучить, классифицировать тип брака и определить его причину.
• Согласование с логистикой. В случае необходимости возврата товара на склад, требовалось взаимодействие с логистической службой для организации транспортировки.
• Ответ клиенту. Подготовка письма или звонок клиенту с решением по возврату.
• Обновление данных в 1С. Внесение всех изменений и статусов в учётную систему.

Такая ручная работа приводила к высокой доле ошибок, до 14%, что выражалось в неправильной категоризации брака, пропущенных этапах обработки и, как следствие, задержках и недовольстве клиентов.

Почему монолитные ИИ-решения не давали результата

Компания уже пробовала автоматизировать процесс с помощью универсальных, «монолитных» ИИ-агентов, но результаты были скромными. Такие агенты могли покрыть лишь 25-40% сценариев, часто «зависали» в нестандартных ситуациях, требуя постоянного ручного вмешательства. Проблема заключалась в попытке создать одного «суперагента», способного решать все задачи сразу, что приводило к низкой точности и неэффективности в сложных, многошаговых процессах, таких как обработка возвратов.

Стало очевидно, что для достижения высокой точности и автономности нужен иной подход, не просто автоматизирующий отдельные шаги, а управляющий всем процессом в целом, при этом разделяя сложные задачи на более простые и специализированные. Так компания пришла к концепции мультиагентной системы.

Как проектировали мультиагентную систему

Решение было найдено в оркестрации трёх специализированных ИИ-агентов, каждый из которых выполнял свою, строго определённую роль. Это позволило добиться высокой точности на узких задачах и при этом обеспечить гибкость в управлении всем процессом.

• Агент-координатор. Этот агент выступает в роли «менеджера проекта». Он принимает входящий запрос от клиента, анализирует его, разбивает на подзадачи и распределяет их между специализированными агентами. Маршрутизация происходит на основе ключевых слов и контекста запроса (например, запрос со словом «возврат» направляется агенту возвратов, «брак» — агенту качества). Координатор не генерирует финальный ответ клиенту, его задача — управлять процессом и собирать результаты от других агентов.
• Специализированные агенты. Были созданы два основных специализированных агента:
  • Агент по обработке возвратов. Отвечает за проверку истории заказа, статусов, условий возврата и инициирует необходимые внутренние процессы.
  • Агент по контролю качества. Специализируется на анализе фотографий брака, определяет тип повреждения, его причину и предлагает варианты решения.
  Каждый из этих агентов обладает глубокой экспертизой в своей области, что позволяет достичь точности более 90% в их конкретных задачах.
• Система памяти и обучения. Для повышения эффективности агентов была внедрена двухступенчатая система памяти:
  • Краткосрочная память. Хранит контекст текущего диалога с клиентом, что позволяет агентам поддерживать связность и последовательность в общении.
  • Долгосрочная память. Представляет собой базу решённых кейсов. Эта база используется для дообучения агентов: операторы помечают ошибочные решения, и система использует эти данные для постоянного улучшения своей работы.

Система была интегрирована с ключевыми корпоративными системами: с 1С:УТ 11.4 через REST API, с почтовым сервером для обработки входящих запросов и с внутренним хранилищем для фотографий, что обеспечило бесшовный обмен данными. Также было разработано 17 бизнес-правил маршрутизации, например, «возврат без брака до 1000₽» автоматически одобряется, что ещё больше снизило ручную нагрузку.

Внедрение и преодоление сложностей

Пилотный проект был запущен и показал первые результаты уже через три недели. Внедрение не обошлось без подводных камней, но команда успешно их преодолела:

• Legacy-интеграции. 1С:УТ 11.4 не имела нативного REST API, что потребовало разработки промежуточного адаптера на Python. Это добавило 5 дней к сроку проекта, но позволило интегрировать систему без замены основной учётной системы.
• Нестандартные фото. Агент качества изначально ошибался на размытых или плохо освещенных фотографиях. Решение: добавили правило «если уверенность <80% — запросить повторное фото», что значительно повысило точность анализа.
• Обучение операторов. В первые дни операторы пытались «помогать» агентам, вмешиваясь в процесс без необходимости, что приводило к дублированию действий и путанице. Были разработаны и внедрены чёткие протоколы: оператор вмешивается только при статусе «требует вмешательства», что исключило избыточное участие человека.
• Стоимость инференса. Мультимодальная модель для анализа фотографий оказалась дорогой в использовании. Оптимизация была достигнута за счёт сжатия изображений до 512px и кэширования результатов, что позволило снизить затраты без потери качества.

Результаты внедрения

Мультиагентная система позволила компании перераспределить пять из семи сотрудников отдела поддержки на другие задачи, требующие человеческого участия. Нагрузка на операторов снизилась на 80%, что значительно повысило их удовлетворённость работой и снизило выгорание. Самое главное, среднее время обработки возврата сократилось на 85%, что напрямую повлияло на лояльность клиентов и эффективность бизнеса в целом.

Как это внедрить у вас

Кейс российского ритейлера демонстрирует, что даже в сложных и многоступенчатых процессах ИИ-агенты могут принести существенную выгоду. Если у вас есть рутинные операции, требующие ручного труда и подверженные ошибкам, рассмотрите следующие шаги:

• Идентифицируйте узкие места. Найдите процессы, где сотрудники тратят много времени на повторяющиеся задачи, особенно те, где есть высокая доля ошибок или задержек.
• Разделите задачи на специализированные. Вместо создания одного универсального ИИ-агента, который решает всё, подумайте о том, как разбить сложный процесс на несколько более простых, специализированных задач, каждая из которых будет выполняться отдельным агентом.
• Внедрите агента-координатора. Для управления специализированными агентами и обеспечения бесшовного перехода между этапами, вам понадобится агент-координатор, который будет отвечать за маршрутизацию запросов и сбор результатов.
• Обеспечьте интеграцию. Убедитесь, что ИИ-агенты могут беспрепятственно обмениваться данными с вашими существующими корпоративными системами (ERP, CRM, почтовые серверы и т.д.).
• Начните с пилота и итерируйте. Запустите систему на небольшом, контролируемом участке, соберите обратную связь, дообучите агентов и постепенно масштабируйте решение на другие процессы.

Если этот кейс похож на то, что происходит у вас, наш менеджер поможет разобраться: бесплатно проанализирует ваш бизнес и нишу и подскажет, где ИИ-агент даст реальный результат именно в вашем случае. Написать менеджеру