Российский ритейлер заменил 5 сотрудников тремя ИИ-агентами: сокращение времени обработки возвратов на 85%

Российская розничная компания с 200+ точками и 15 тысячами заказов в день успешно заменила пять сотрудников отдела тремя ИИ-агентами. Это позволило сократить среднее время обработки возвратов с 42 до 6 минут, снизить нагрузку на операторов на 80% и добиться более 90% точности на узких задачах.

Если в вашем отделе поддержки сотрудники тратят часы на рутинные операции, которые можно автоматизировать, напишите нашему менеджеру, он проведёт бесплатный анализ вашего бизнеса и ниши и расскажет, как именно в вашем случае получить реальный бизнес-результат от ИИ-агента, а не красивую картинку. Написать менеджеру

Как было до внедрения

До внедрения мультиагентной системы, отдел поддержки компании состоял из 7 операторов. Обработка одного возврата занимала в среднем 42 минуты и включала проверку заказа, анализ фотографий брака, согласование с логистикой, ответ клиенту и обновление данных в 1С. Доля ошибок достигала 14%, что приводило к неправильной категоризации брака и пропущенным этапам.

Попытки внедрить универсальных «суперагентов» ранее показывали скромные результаты: покрытие всего 25-40% сценариев, частые «зависания» в нестандартных ситуациях и постоянная необходимость ручной коррекции.

Что внедрили: оркестрация трёх специализированных агентов

Вместо одного универсального ИИ-агента компания внедрила трёхуровневую архитектуру оркестрации, состоящую из агента-координатора и двух специализированных исполнителей:

• Агент-координатор. Выступает в роли «менеджера проекта»: принимает запрос клиента, разбивает его на подзадачи, распределяет между специализированными агентами и собирает результат. Маршрутизация происходит по ключевым словам (например, «возврат» направляется агенту возвратов, «брак» — агенту качества). Агент-координатор не генерирует финальный ответ клиенту, а управляет процессом.
• Специализированные агенты. У каждого агента своя узкая экспертиза. Например, один отвечает за обработку возвратов, другой — за проверку качества и анализ бракованных товаров по фото. Это позволяет достичь высокой точности в их конкретных задачах.
• Система памяти и обучения. Краткосрочная память хранит контекст текущего диалога, а долгосрочная — базу решённых кейсов. Агенты дообучаются на примерах, помеченных операторами как ошибочные, что позволяет им постоянно улучшать свою работу.

Система интегрирована с 1С:УТ 11.4 через REST API, почтовым сервером и внутренним хранилищем для фотографий. Разработано 17 бизнес-правил маршрутизации, например, «возврат без брака до 1000₽» автоматически одобряется.

Результаты пилота за 3 недели

Оркестрация агентов показала, что специализация позволяет достичь высокой точности, а координатор обеспечивает бесшовный переход между этапами. Интеграция с 1С устранила ручной ввод данных, что было одной из главных проблем операторов.

Подводные камни и решения

• Legacy-интеграции. 1С:УТ 11.4 не имеет нативного REST API, что потребовало разработки промежуточного адаптера на Python. Это добавило 5 дней к сроку проекта.
• Нестандартные фото. Агент качества ошибался на размытых или плохо освещенных фотографиях. Решение: добавили правило «если уверенность <80% — запросить повторное фото».
• Обучение операторов. В первые дни операторы пытались «помогать» агентам, что приводило к дублированию действий. Внедрен четкий протокол: вмешиваться только при статусе «требует вмешательства».
• Стоимость инференса. Мультимодальная модель для анализа фото оказалась дорогой. Оптимизация: сжатие изображений до 512px и кэширование результатов.

Источник: habr.com

Хотите узнать, как оркестрация ИИ-агентов может оптимизировать процессы в вашей компании? Напишите менеджеру. Мы бесплатно проведем анализ и покажем потенциальные точки роста.