AI-асистент допродажів у CRM: менеджеру лишається прочитати готову репліку
На кожне нове замовлення сервіс сам підбирає 2 товари для крос-селу і пише готовий скрипт, який менеджер просто зачитує клієнту по телефону. Латентність ~5 секунд, усе на локальній LLM.
- На кожне замовлення - 2 релевантні товари + готовий скрипт прямо в картці CRM
- Латентність ~5 секунд від створення замовлення до готового скрипта
- LLM обирає лише з топ-10 кандидатів - жодних вигаданих SKU чи цін
- Усе на локальній LLM: дані не йдуть у хмару, собівартість запиту = електрика
Інтегрована автоматизація для інтернет-магазину середнього розміру. Під час обробки кожного нового замовлення система сама підбирає два товари для крос-селу і формує готовий розмовний скрипт, який менеджер просто зачитує клієнту. Сервіс уже працює в бойовому режимі.
Бізнес-проблема
😴 Менеджери лінуються
- Допродаж - це згадати асортимент, придумати зв'язку, сформулювати й запропонувати. Більшість не роблять цього взагалі
📈 Трафік дорожчає
- Реклама росте на 15-30% щороку. Без зростання чека й LTV економіка розвалюється
🎯 Низька маржа ніш
- Здорове харчування, нутрицевтика: кожні +50 грн до чека - різниця між прибутком і збитком
Висновок простий: треба зробити так, щоб менеджеру було легше зробити допродаж, ніж не зробити. Не «подумай, що ще запропонувати», а одразу «прочитай ось цей абзац клієнту».
Рішення
Серверний AI-сервіс на кожне нове замовлення читає кошик, підбирає 2 релевантні товари і генерує готову репліку українською просто в картку замовлення. Менеджер дзвонить клієнту з підтвердженням (рутинна операція) і в кінці зачитує скрипт. Розумова робота нульова, опір нульовий.
Загальна латентність - 4-5 секунд. Для CRM, де картку відкривають за хвилини-години, це непомітно.
Логіка підбору: LLM не вигадує, а обирає з перевіреного
Ключовий принцип: спершу детермінований алгоритм звужує весь каталог до топ-10 кандидатів, і лише потім LLM обирає 2 з 10 та пише скрипти. Модель ніколи не вигадує SKU «з голови».
На цей пул накладаються жорсткі фільтри, щоб рекомендація завжди була доречною:
- товар у наявності й не куплений цим клієнтом за останні 60 днів;
- сума двох рекомендацій - не більше 40% від чека (щоб не лякати цінником);
- дієтичні теги клієнта: веганам - не тваринне, діабетикам - фініки/мед замість цукру, безглютеновим - не пшеничне борошно;
- дві рекомендації - обов’язково з різних категорій (щоб не вийшло «кокосове молоко» + «кокосові вершки»).
Головна знахідка пілоту: pitch - це скрипт, а не інструкція
❌ v1 · інструкція менеджеру
- «Запропонуй клієнту X, оскільки він узяв Y»
- Менеджер усе одно мусить перекласти це в живу розмову - робота не зникає
✅ v2 · пряма репліка клієнту
- «До вашого псиліуму ідеально пасує мигдальне борошно - без нього кето-випічка не вийде. Раджу взяти разом, всього 159 грн.»
- Менеджер просто читає. Не думає, не формулює.
Технологічний стек
Жодних хмарних LLM (ChatGPT/Claude API): персональні дані клієнтів не залишають інфраструктуру, собівартість запиту = вартість електрики, немає лімітів сторонніх API.
Roadmap: контур якості й самонавчання
Уся розмова відбувається по телефону, отже доступна для аналізу. Поточна автоматизація - фундамент, далі будуємо цикл, що сам себе вдосконалює.
Підсумок
Ми не вигадуємо нову бізнес-модель - ми знімаємо тертя з добре відомого процесу. Замість «менеджер мусить пам’ятати асортимент і вміти продавати» → «менеджер відкриває картку і читає готовий текст». Решта - інженерна задача: webhook, API, БД, LLM, коректний промпт. Усе на одному сервері з GPU, без хмарних API.
Кейс відкритий до тиражування на будь-який інтернет-магазин із CRM, що підтримує webhook’и та кастомні поля картки замовлення.
Потрібне схоже рішення?
Опишіть задачу - підберу архітектуру під ваш бюджет і дані.