[case] AI-агент + CRM для сервісного центру · виробник водонагрівачів · AQUAТЕРМ (під NDA)
AI-агент для відділу рекламацій: −2 співробітники і 730 000 ₴ економії на рік — кейс AQUAТЕРМ
Назва проекту змінена через NDA
Telegram AI-агент (LLM + computer vision) + веб-CRM · AQUAТЕРМ (під NDA)
[01] виклик
Задачі, які мав закрити проєкт
Виробник водонагрівачів. Відділ рекламацій — три оператори, які щодня обробляють потік звернень: клієнт пише або дзвонить, оператор з'ясовує модель, дату купівлі й симптом, перевіряє гарантію, за кодом помилки на табло визначає несправність і вирішує дистанційно або призначає майстра. Проблема в тому, що більшість звернень однотипні. Ті самі коди помилок, ті самі питання, ті самі відповіді. Оператор витрачає час на рутину, яку можна формалізувати. Частина виїздів майстрів — зайві: проблему можна було вирішити порадою в чаті. А масштабування означало одне — наймати більше операторів. Клієнт хотів зняти рутину з людей, не втративши якість обробки.
[02] рішення
Що зробили — і навіщо
AI-агент «Богдан» у Telegram, навчений під продукт. Це не коробковий бот зі сценаріями: агент знає модельний ряд клієнта, коди помилок, гарантійні умови і поводиться як досвідчений сервіс-інженер. Природний діалог зі збором даних. Замість форми — розмова: агент питає модель, дату купівлі й симптом, підказує кнопками. Клієнт відповідає так, як звик писати в месенджері. Розпізнавання коду помилки на фото. Клієнт фотографує дисплей — агент розпізнає код (наприклад E04), визначає несправність (датчик температури) з ймовірністю і одразу каже, гарантійний це випадок чи ні. Рішення на місці або виклик майстра. Типові звернення агент закриває сам; де потрібен виїзд — викликає майстра і заводить заявку. Зайві виїзди відсікаються ще в чаті. Веб-CRM для відділу. Усі звернення з Telegram і сервісного центру — в одному списку з AI-діагнозом, статусами й призначенням майстрів. Аналітика для керівника: карта несправностей, найпроблемніші моделі, прогноз навантаження, відсоток звернень без оператора й точність розпізнавання. Як навчали агента (і саме це ми пропонуємо як послугу — не «під'єднати бота», а навчити агента під конкретний бізнес): наповнили даними (моделі, коди помилок, гарантійні правила, типові рішення), прописали поведінку (як вітатися, що питати, коли закривати самому, коли кликати майстра), тренували разом зі співробітниками відділу на реальних зверненнях, доки якість не вийшла на рівень живого інженера. Як це працює технічно: клієнт пише в Telegram → агент веде діалог і збирає дані → computer vision розпізнає код на фото → агент звіряє модель і гарантію, ставить діагноз → дає рішення і закриває або викликає майстра й заводить заявку в CRM. Оператор підключається лише там, де агент не впевнений.
кадри проєкту
[03] результат
→ Відділ рекламацій скоротився з 3 до 1 співробітника за 3 місяці — той, що залишився, перевіряє відповіді агента й координує інформацію для інших команд → 730 000 ₴ економії на рік → 67% звернень агент закриває без оператора — типові коди й гарантійні випадки → 94% точність розпізнавання коду помилки на фото → Зайві виїзди майстрів відсікаються ще в чаті Агент міг закрити й останню роль повністю, але клієнт свідомо лишив одну людину на контроль якості — глибину автоматизації вирішує клієнт, а не межа технології.
Відділ
3 → 1
Економія / рік
730 000 ₴
Закрито без оператора
67%
Точність на фото
94%
Потрібен такий проєкт у вашій ніші?
Покажемо, як вирішимо саме під ваш бізнес. Прорахунок безкоштовний.
← Усі кейси