Багатомовний AI-чатбот: UA/RU/EN без втрати якості

Клієнт пише українською, наступний — російською, а лід із Польщі — англійською. Один чатбот має відповісти всім трьом так, ніби з кожним спілкується носій мови. На практиці більшість «багатомовних» ботів зриваються саме тут: англійська виходить ідеальна, а українська й російська — кострубаті, з калькою й машинним перекладом. Нижче — як ми будуємо UA/RU/EN ботів, де якість неангломовних відповідей не просідає.

Чому багатомовність — це не «додай ще одну мову»

Велика помилка — думати, що багатомовний бот = той самий бот + перекладач на виході. Так ви отримуєте текст, який технічно правильний, але звучить як інструкція до пральної машини. Причини:

• LLM сильніші в англійській. Моделі тренувалися переважно на англомовних даних, тому міркування й тон у них найкращі саме англійською. Українською й російською якість падає, якщо не керувати нею навмисно.
• Переклад на льоту втрачає контекст. Якщо бот «думає» англійською, а потім перекладає, він втрачає ідіоми, ввічливі форми звертання, локальні реалії (ФОП, «Нова пошта», оплата на картку).
• Тон різниться між мовами. Українське «ви» проти російського «вы», ступінь формальності, гумор — усе це не переноситься автоматично.

Тому архітектура має передбачати багатомовність на рівні промта й даних, а не як косметику.

Що насправді ламає неангломовні відповіді

Перш ніж будувати, варто розуміти конкретні точки збою, які ми бачимо найчастіше:

• Калька з англійської синтаксису. Модель тримає в «голові» англійський порядок слів і калькує його українською: виходить «Я можу допомогти вам з цим» замість живого «Залюбки допоможу». Технічно правильно, але мертво.
• Невідповідні реалії. Бот пропонує «зателефонуйте на нашу гарячу лінію 1-800», коли клієнт в Україні платить на картку й пише в Telegram. Модель тягне американський контекст.
• Помилки в роді й відмінках. Українська й російська мають складну морфологію; без прикладів модель може плутати рід («ваш замовлення»), що одразу видає неносія.
• Втрата ввічливих форм. Англійська не розрізняє «ти/ви», тож при перекладі бот може раптом «тикати» там, де доречне «ви».

Кожна з цих помилок окремо здається дрібницею, але разом вони створюють відчуття «з ботом говорить робот-іноземець». Саме це вбиває довіру клієнта швидше, ніж будь-яка фактична неточність.

Архітектура UA/RU/EN бота, що працює

1. Визначення мови на вході

Перший крок — надійно зрозуміти, якою мовою пише користувач. Варіанти:

• Авто-детекція моделлю. Сучасні LLM добре визначають мову повідомлення самі. Для коротких реплік («ок», «дякую») додавайте контекст попередніх повідомлень.
• Явний вибір на старті. Для Telegram/Instagram-ботів інколи краще запитати мову кнопками в першому повідомленні — це прибирає неоднозначність.
• «Липка» мова. Запам'ятовуйте обрану мову на рівні сесії. Користувач, що почав українською, не має раптом отримати англійську відповідь через одне англійське слово.

2. Єдиний системний промт із мовними блоками

Ми не тримаємо три окремі боти. Один системний промт містить:

• спільну логіку (хто бот, які послуги, правила ескалації);
• окремі мовні секції з прикладами тону для кожної мови;
• жорстке правило: «Відповідай тією мовою, якою написав користувач. Ніколи не змішуй мови в одній відповіді».

3. Few-shot приклади неанглійською

Це найважливіше для якості. У промт ми вшиваємо 3-5 прикладів ідеальних відповідей українською та російською — з правильним тоном, термінами, ввічливістю. Модель копіює стиль із прикладів, а не вигадує переклад.

4. Глосарій термінів і заборон

Окремий блок із фіксованими перекладами ключових слів (назва продукту, тарифи, технічні терміни) та списком слів-калькок, яких треба уникати. Для проєкту «Краса і Право», наприклад, ми фіксували: ніколи «юристка/фінансистка», лише «практикуючий юрист», «фінансовий директор».

5. «Липка» мовна памʼять і ескалація

Останній архітектурний шар — поведінка на межі. Бот має:

• памʼятати обрану мову до кінця діалогу, навіть якщо клієнт вставить англійський термін;
• ескалувати на живого менеджера тією ж мовою, якою йшов діалог (не передавати україномовний діалог англомовному оператору без помітки);
• коректно поводитись зі змішаними повідомленнями («ціна для delivery в Київ?») — відповідати основною мовою репліки, а не перемикатись.

Без цього шару навіть ідеально натренований тон ламається на реальних, «брудних» діалогах, де люди змішують мови природно.

Контроль якості неангломовних відповідей

Англійську ви побачите одразу. UA/RU треба тестувати окремо й системно.

Метод контролю	Що перевіряє	Як часто
Носій-рев'ювер	Природність тону, кальки, ввічливість	На етапі запуску + щомісяця
Золотий набір (50-100 діалогів)	Регресія після зміни промта	Перед кожним релізом
LLM-as-judge	Масова оцінка «звучить як носій / ні»	Автоматично, щодня
Логи реальних діалогів	Реальні зриви й скарги	Постійно

Золотий набір — це 50-100 типових діалогів кожною мовою з еталонними відповідями. Після будь-якої зміни промта ви проганяєте набір і дивитесь, чи не зламалась українська, коли ви правили англійську.

LLM-as-judge дешево масштабує оцінку: інша модель оцінює кожну відповідь за критеріями «природність, тон, відсутність калькок» за шкалою 1-5. Це не заміняє носія, але ловить більшість регресій автоматично.

Як вбудувати контроль у процес, а не робити «раз і назавжди»

Якість мови — не статична. Ви правите промт, додаєте нові сценарії, оновлюєте модель — і будь-яка зміна може тихо зламати українську. Тому контроль має бути процесом:

1. Перед кожним релізом — прогін золотого набору всіма мовами, порівняння з попередньою версією.
2. Щодня в проді — LLM-as-judge на випадковій вибірці реальних діалогів, алерт якщо середній бал падає.
3. Щомісяця — ревʼю носія на 20-30 свіжих діалогах кожною мовою, оновлення few-shot прикладів за знайденими проблемами.
4. За скаргою — будь-яка скарга «бот говорить дивно» одразу йде в золотий набір як новий тест-кейс.

Цей цикл коштує небагато, але саме він тримає якість на дистанції, а не лише на демо в день запуску.

Типові помилки, які ми бачимо

• Один промт англійською для всіх мов. Модель «думає» англійською й перекладає — виходить кострубато. Рішення: мовні секції з прикладами.
• Змішування мов у відповіді. Бот вставляє англійські слова в українську репліку. Рішення: явне правило + few-shot.
• Ігнорування «ви/ти». Бот раптом «тикає» B2B-клієнту. Рішення: зафіксувати рівень формальності в промті per мова.
• Тестування лише англійською. Команда не володіє українською на рівні носія й не помічає калькок. Рішення: залучити носія-рев'юера.
• Жорсткий машинний переклад інтерфейсу. Кнопки й системні повідомлення перекладені Google Translate. Рішення: ручна локалізація статичних рядків.

Кейс із практики: як це виглядає в реальному боті

Розберемо типовий сценарій українського бізнесу — салон краси з клієнтами, що пишуть українською й російською, та окремими запитами англійською від іноземців.

Що було «до»: один промт англійською, переклад на виході. Українські відповіді звучали як інструкція: «Ваш запис був успішно створений на 15:00». Російські — з калькою. Клієнти жалілися, що «бот неживий».

Що зробили:

1. Додали детекцію мови з «липкою» памʼяттю на рівні сесії.
2. Розбили промт на спільну логіку + три мовні секції з прикладами тону від носіїв. Для української — живі формулювання: «Записала вас на 15:00, чекаємо!».
3. Завели глосарій: назви послуг, імена майстрів, формат часу — фіксовано однаково в усіх відповідях.
4. Зібрали золотий набір із 60 діалогів (по 20 на мову) і поставили щоденний LLM-as-judge.

Що стало «після»: україномовні клієнти перестали відрізняти бота від адміністратора в перших репліках; скарги на «робота» зникли; конверсія із запису через бот зросла, бо діалог став теплим, а не канцелярським. Англомовні запити обробляються коректно й передаються менеджеру з поміткою мови.

Головний урок кейсу: технічно бот «працював» і до змін — він відповідав правильно. Але бізнес-результат дала саме якість тону неанглійських мов, а не наявність функції.

Скільки це коштує і скільки займає

Орієнтири для українського ринку:

• Базовий UA/RU бот (одна-дві мови, FAQ + ескалація): від нижньої межі вилки на чатбот, 1-2 тижні.
• Повноцінний UA/RU/EN агент з інтеграціями (CRM, запис, оплата) і контролем якості: верхня частина вилки, 3-5 тижнів.
• Корпоративне навчання команди працювати з ботом і правити промти: від $500.

Головна стаття витрат — не код, а налаштування тону й тестування неанглійських мов. Саме тут економлять ті, хто потім отримує скарги «бот говорить як робот».

На що звернути увагу при виборі підрядника

Якщо ви замовляєте багатомовного бота назовні, перевірте кілька речей, що відрізняють якісне впровадження від «зробили й забули»:

• Чи залучають носія мови до налаштування тону, чи покладаються лише на машинний переклад. Якщо команда не має україномовного рев'юера — якість UA буде непередбачуваною.
• Чи є в них процес контролю якості (золотий набір, LLM-as-judge), чи тестування зводиться до «глянули кілька діалогів».
• Чи передбачена «липка» мова й ескалація тією ж мовою — це ознака, що думали про реальні діалоги, а не лише про демо.
• Чи навчать вашу команду правити промти самостійно, щоб ви не залежали від підрядника на кожну дрібну зміну тону.

Ці питання за 5 хвилин розмови показують, чи перед вами інженери, що реально впроваджували багатомовних ботів, чи ті, хто зробить вам «англійський бот із перекладачем» і назве це багатомовністю.

Як MaxICo Labs це вирішує

Ми будуємо UA/RU/EN чатботів і агентів, де якість української та російської не просідає під англійську — через мовні секції в промті, few-shot приклади від носіїв, глосарії й автоматизований контроль якості. Що входить:

• Проєктування багатомовної архітектури (детекція мови, «липкі» сесії, єдиний промт);
• Few-shot тюнінг тону окремо для UA/RU/EN із залученням носіїв;
• Золотий набір діалогів + LLM-as-judge для захисту від регресій;
• Інтеграції з CRM, Telegram, Instagram, системами запису й оплати;
• Навчання вашої команди підтримувати й покращувати бота самостійно.

Готові зробити бота, що звучить як носій усіма мовами?

Напишіть Валерію в чат на сайті — опишіть, якими мовами спілкуються ваші клієнти, і ми підкажемо архітектуру. Або забронюйте безкоштовний дзвінок, і ми розберемо ваш кейс предметно: де ставити детекцію мови, як тестувати UA/RU, що реально вплине на якість.