Российская ритейл-компания сократила время обработки возвратов на 85%: как три ИИ-агента заменили отдел из 5 человек

В крупной российской ритейл-компании, управляющей сетью из 200+ магазинов и обрабатывающей до 15 тысяч заказов в день, обработка клиентских возвратов была узким местом. Каждый возврат занимал в среднем 42 минуты рабочего времени, а весь процесс требовал участия пяти сотрудников. После внедрения оркестрации из трёх ИИ-агентов эта рутина полностью автоматизировалась: время обработки сократилось до 6 минут, нагрузка на операторов снизилась на 80%, а пять штатных единиц были высвобождены для более сложных задач.

В больших розничных сетях клиентские возвраты, это не просто техническая операция, это десятки тысяч часов ручного труда, который съедает бюджет и замедляет бизнес. Проверка заказа, анализ брака, согласование с логистикой, ответы клиентам, обновление данных в учётных системах — каждый шаг требует внимания и времени. Умножьте это на объёмы современного ритейла, и вы получите огромную статью расходов, которая к тому же является источником ошибок и недовольства клиентов. Эту проблему можно и нужно решать, потому что есть готовые технологии.

Как выглядела обработка возвратов до ИИ-агентов

До внедрения ИИ-агентов, процесс обработки возвратов у ритейлера, чья сеть насчитывает более 200 магазинов и ежедневно обрабатывает 15 000 заказов, был полностью ручным и требовал значительных человеческих ресурсов. В отделе поддержки работали 7 операторов, пять из которых были постоянно заняты исключительно возвратами.

Каждый возврат проходил через многоступенчатую цепочку задач:

• Приём запроса. Клиент обращался с запросом на возврат, предоставляя информацию о заказе и причине.
• Проверка заказа. Оператор вручную проверял статус заказа, историю покупок клиента, соответствие условиям возврата.
• Анализ фото брака. Если возврат был связан с дефектом, оператор анализировал приложенные клиентом фотографии, сравнивая их с внутренними стандартами качества.
• Согласование с логистикой. Необходимо было координировать действия со складом и службой доставки для организации забора товара или его возврата в магазин.
• Коммуникация с клиентом. Оператор информировал клиента о ходе рассмотрения запроса, запрашивал дополнительную информацию, сообщал о принятом решении.
• Обновление данных в 1С. Вся информация о возврате, его статусе и решении вручную вносилась в учётную систему 1С:УТ 11.4.

В среднем, один такой цикл обработки занимал до 42 минут. Из-за человеческого фактора, ошибок в категоризации или пропуска отдельных этапов, доля ошибочно обработанных возвратов достигала 14%, что приводило к дополнительным издержкам и снижению лояльности клиентов.

Путь к ИИ-агентам: почему автоматизация не справлялась

Компания уже пробовала автоматизировать часть процессов с помощью скриптов и RPA-решений, но они показывали низкую эффективность в работе с неструктурированными данными, такими как клиентские запросы в свободной форме или фото дефектов. Традиционные системы автоматизации не могли принимать решения на основе контекста, требовали жёстких правил и часто зависали при малейших отклонениях от заданного сценария. «Монолитные» ИИ-решения, протестированные ранее, также не давали нужной точности, показывая лишь 65% успеха в обработке сложных кейсов.

Стало очевидно, что для решения проблемы нужна система, способная не просто выполнять заданные команды, а понимать запросы, анализировать информацию из разных источников, принимать решения и координировать действия, то есть обладать элементами «интеллекта». Так компания пришла к концепции мультиагентной системы, где каждый ИИ-агент специализируется на своей задаче, а их взаимодействие оркестрируется центральным агентом.

Как проектировали мультиагентную систему

Система была спроектирована как трёхуровневая архитектура оркестрации ИИ-агентов, каждый из которых выполнял свою строго определённую роль. Это позволило добиться высокой точности и эффективности, избегая недостатков «монолитных» решений.

Агент-координатор

Этот агент стал центральным звеном системы, выступая в роли «менеджера проекта» для каждого возврата. Его функционал включал:

• Приём и первичная обработка запроса. Получал запрос клиента на возврат (например, по электронной почте или через внутреннюю систему поддержки).
• Разбивка на подзадачи. Используя заранее определённые бизнес-правила (всего 17 правил маршрутизации), он анализировал запрос и разбивал его на более мелкие, специализированные задачи. Например, запрос «возврат без брака до 1000 рублей» автоматически одобрялся и направлялся на оформление.
• Распределение задач. Делегировал подзадачи соответствующим специализированным агентам.
• Контроль выполнения. Отслеживал статус выполнения каждой подзадачи и собирал результаты.
• Формирование ответа клиенту. На основе полученных данных формировал окончательный ответ или решение для клиента.

Специализированные агенты

Были созданы три узкоспециализированных агента, отвечающих за конкретные этапы процесса возврата:

• Агент возвратов. Отвечал за проверку статуса заказа, соответствие условиям возврата и инициирование процесса возврата в учётной системе.
• Агент качества. Анализировал фото дефектов, предоставленные клиентом, и сравнивал их с базой данных стандартов качества. Определял степень брака и принимал решение о возможности возврата или ремонта.
• Агент коммуникаций. Взаимодействовал с клиентом, отправлял уведомления о статусе, запрашивал дополнительную информацию, формировал подтверждения.

Система памяти и обучения

Для повышения точности и адаптивности агентов была внедрена двухкомпонентная система памяти:

• Краткосрочная память. Хранила контекст текущего диалога или процесса обработки возврата, позволяя агентам «помнить» предыдущие шаги и информацию.
• Долгосрочная память. Представляла собой базу данных решённых кейсов. В случае возникновения ошибок или некорректных решений, оператор мог пометить решение как ошибочное, после чего агенты дообучались на этих примерах в автоматическом режиме раз в сутки.

Интеграция системы была реализована через REST API с 1С:УТ 11.4 для обмена данными о заказах и возвратах, с почтовым сервером для коммуникации с клиентами и с внутренним хранилищем для анализа фото. Такая архитектура позволила создать гибкую и масштабируемую систему, способную эффективно обрабатывать сложные бизнес-процессы.

Внедрение и адаптация

Внедрение мультиагентной системы проходило поэтапно. Сначала агенты были запущены в тестовом режиме на ограниченном объёме возвратов, чтобы отладить взаимодействие и проверить корректность работы бизнес-правил. Операторы отдела поддержки активно участвовали в процессе, предоставляя обратную связь и помогая дообучать систему.

После успешного пилотирования, когда точность работы агентов достигла требуемого уровня, система была полностью интегрирована в рабочий процесс. Вместо того чтобы выполнять рутинные операции, операторы переключились на контроль работы агентов и обработку нестандартных кейсов, которые не могли быть решены по стандартным правилам. Это позволило им сосредоточиться на более сложных задачах, требующих человеческого интеллекта и эмпатии.

Результаты и выгоды

Внедрение мультиагентной системы принесло ритейлеру значительные и измеримые улучшения по нескольким ключевым метрикам:

Помимо впечатляющего сокращения времени обработки и снижения нагрузки, компания получила:

• Экономия на штате. Три ИИ-агента полностью взяли на себя функции пяти штатных сотрудников, что позволило перераспределить ресурсы и направить их на развитие других направлений.
• Повышение качества обслуживания. Уменьшение ошибок и ускорение процесса обработки возвратов привело к росту удовлетворённости клиентов.
• Масштабируемость. Система легко масштабируется для обработки растущего объёма возвратов без пропорционального увеличения штата.

Как это внедрить у вас

Этот кейс наглядно демонстрирует эффективность оркестрации ИИ-агентов в многоступенчатых бизнес-процессах. Если в вашей компании есть подобные процессы, где сотрудники «перекидывают» задачи друг другу, это уже готовый плацдарм для внедрения ИИ-агентов. С чего начать:

• Идентифицируйте рутинные, последовательные процессы. Оптимальный кандидат — процесс, состоящий из нескольких чётких этапов, с доступом к API ключевых систем и где до 40% времени сотрудников уходит на предсказуемую рутину.
• Разделите процесс на узкие задачи. Проектируйте агентов под конкретные, специализированные задачи, а не пытайтесь создать «универсальный» ИИ. Это повышает точность и управляемость.
• Обеспечьте интеграцию. Убедитесь, что ИИ-агенты могут бесшовно взаимодействовать с вашими существующими информационными системами (CRM, ERP, почтовые сервисы) через API.
• Внедряйте поэтапно с возможностью дообучения. Начинайте с пилотных проектов, собирайте обратную связь и используйте механизмы памяти и дообучения, чтобы агенты постоянно совершенствовались.

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