За 10 дней ИИ-квалификатор обработал более 1000 диалогов в Telegram. Он забирал у менеджера однотипную часть переписки: выяснял запрос человека, понимал, подходит ли он по теме, показывал релевантные задачи и подбирал кейсы из базы знаний. В этом кейсе ИИ был подключен не как отдельный бот, а прямо к бизнес-аккаунту в Telegram, поэтому для пользователя диалог выглядел как обычная переписка с человеком.
Что было нужно автоматизировать
В проекте была повторяющаяся задача: люди писали в Telegram, интересовались курсом и задавали похожие вопросы. Менеджеру приходилось снова и снова проходить один и тот же первый этап диалога:
- принять входящее сообщение;
- уточнить, чем занимается человек;
- понять, что именно он хочет автоматизировать с помощью нейросетей;
- определить, по теме ли пришел человек;
- показать подходящие возможности курса;
- подобрать релевантные кейсы;
- перевести диалог к вопросу об условиях участия.
Если просто отправлять всем одинаковый текст про курс, нагрузка на менеджера действительно снижается. Но появляется другая проблема: человек получает общий ответ, который может не попасть в его конкретный запрос.
Поэтому задача была шире, чем сделать автоответчик. Нужно было создать ИИ-квалификатор, который ведет первый диалог осмысленно: задает уточняющие вопросы, понимает контекст и использует этот контекст для персонализированного прогрева.
Почему обычный автоответчик не решал задачу
Автоответчик хорошо работает там, где всем нужно отправить одну и ту же информацию: расписание, ссылку, инструкцию, адрес или подтверждение заявки. Но в продаже курса по нейросетям запросы людей могут сильно отличаться.
Один человек хочет автоматизировать работу с клиентами. Другой - контент. Третий - рутинные задачи внутри команды. Если всем троим отправить одинаковую презентацию, часть смысла теряется: человек не видит, как предложение связано именно с его задачей.
В этом кейсе ИИ должен был не просто ответить на первое сообщение. Он должен был заменить первый квалификационный этап, который обычно делает менеджер:
- понять, кто написал;
- выяснить, что человек хочет автоматизировать;
- определить, подходит ли запрос под тему курса;
- показать человеку не абстрактную пользу, а релевантные примеры.
Такой сценарий превращает ИИ из автоответчика в участника первичной продажи.
Как был устроен вход в диалог
Диалог начинался с простого действия. Человек писал в Telegram-аккаунт кодовое слово, например «Хочу». После этого в переписку включался ИИ-квалификатор.
Важная деталь: ИИ был подключен к бизнес-аккаунту Telegram. Пользователю не нужно было переходить в отдельного бота или разбираться с новым интерфейсом. Он писал в привычный аккаунт и получал ответ там же.
Внешне это выглядело как обычная переписка с человеком. Но внутри работал сценарий, который вел пользователя по заранее продуманной логике: от первого интереса к уточнению запроса, затем к релевантным задачам, кейсам и вопросу об условиях участия.
Первый шаг: ИИ выяснял запрос
После кодового слова ИИ не отправлял сразу стандартный текст про курс. Сначала он задавал уточняющий вопрос: чем занимается человек и что хочет автоматизировать с помощью нейросетей.
Это важный момент. На этом этапе ИИ собирал контекст, без которого невозможно сделать ответ релевантным. Если человек пишет только «Хочу», менеджер тоже не может сразу понять, что именно ему показать. Ему нужно уточнение.
ИИ-квалификатор забирал этот вопрос на себя. Он не просто фиксировал интерес, а начинал собирать вводные для следующего шага.
Второй шаг: ИИ определял релевантность
После ответа пользователя ИИ проверял, по теме ли пришел человек. Это нужно, чтобы не вести всех по одному и тому же сценарию.
Если запрос подходил, диалог продолжался. Если запрос был не по теме, его можно было обработать иначе: не тратить ресурс менеджера на нерелевантный лид и не показывать человеку неподходящую информацию.
В исходном сценарии ключевой задачей было именно это разделение: ИИ должен был понять, есть ли смысл продолжать прогрев по теме курса.
Третий шаг: ИИ показывал релевантные задачи
Когда запрос проходил квалификацию, ИИ показывал человеку список задач, которые он сможет сделать во время курса. Но этот список не был одинаковым для всех.
Он подбирался с учетом того, что пользователь сам написал о себе и о своей задаче. За счет этого человек видел курс не как абстрактную программу, а как инструмент под свой запрос.
Например, если человек хочет автоматизировать коммуникацию с аудиторией, ему логичнее показать задачи, связанные с диалогами, обработкой входящих сообщений, подбором информации и прогревом. Если запрос другой, список задач тоже должен быть другим.
Так ИИ переводит разговор из формата «вот что у нас есть» в формат «вот что может быть полезно именно вам».
Четвертый шаг: ИИ подбирал кейсы из базы знаний
После списка задач ИИ обращался к базе знаний и подбирал два релевантных кейса под запрос человека.
Это усиливало прогрев. Одно дело - сказать человеку, что на курсе можно решить похожую задачу. Другое - показать ему кейсы, которые связаны с его темой.
Здесь база знаний работала как опора для диалога. ИИ не придумывал примеры на ходу, а выбирал подходящие материалы из заранее подготовленной базы. Для менеджера это особенно полезно: ему не нужно вручную вспоминать, какой кейс показать конкретному человеку.
Пятый шаг: ИИ переводил к условиям участия
После квалификации, списка задач и двух релевантных кейсов ИИ задавал следующий вопрос: рассказать подробнее про условия участия?
Это важная последовательность. Человека не сразу переводили к покупке или условиям. Сначала ИИ выяснял запрос, проверял релевантность и показывал, чем курс может быть полезен именно в его ситуации.
В результате переход к условиям участия выглядел не как резкий продающий шаг, а как продолжение диалога.
Что в итоге забирал на себя ИИ квалификатор
ИИ-квалификатор забирал на себя первый однотипный этап общения с лидом. За 10 дней он обработал более 1000 диалогов, в каждом из которых мог пройти базовую цепочку:
- входящее сообщение по кодовому слову;
- уточнение деятельности и задачи человека;
- проверка релевантности запроса;
- выдача списка подходящих задач;
- подбор двух кейсов из базы знаний;
- переход к вопросу об условиях участия.
Для пользователя все происходило внутри обычной переписки Telegram. Для менеджера снижалась необходимость вручную повторять один и тот же сценарий каждому человеку, особенно на большом потоке входящих сообщений.
Кому подходит такой сценарий
ИИ-квалификатор особенно полезен там, где менеджер регулярно обрабатывает похожие входящие сообщения, но ответ все равно должен зависеть от контекста.
Такой сценарий может подойти, если у вас:
- есть входящие заявки или сообщения в Telegram;
- менеджер часто задает одни и те же уточняющие вопросы;
- аудитория приходит с разными задачами;
- есть база кейсов, примеров, материалов или FAQ;
- важно не просто ответить, а прогреть человека под его запрос;
- нужно отделять релевантных лидов от нерелевантных.
Если же всем пользователям действительно нужен один и тот же ответ, может хватить обычного автоответчика. ИИ-квалификатор нужен там, где ценность появляется именно за счет понимания запроса и персонализации следующего шага.
Чем ИИ-квалификатор отличается от чат-бота
Обычный чат-бот часто работает по жесткой логике: нажмите кнопку, выберите пункт, получите заранее написанный ответ. Это удобно для простых сценариев, но плохо подходит для ситуаций, где человек пишет свободным текстом.
ИИ-квалификатор работает иначе. Он может принять свободный ответ, извлечь из него смысл и продолжить диалог с учетом этого смысла.
В этом кейсе отличие было особенно заметно в трех вещах:
- ИИ был встроен прямо в бизнес-аккаунт Telegram;
- диалог выглядел как обычная переписка;
- дальнейшие сообщения зависели от того, что написал человек.
Именно поэтому решение стоит рассматривать не как «бота ради бота», а как автоматизацию первого этапа коммуникации.
Какие элементы нужны для внедрения
Чтобы такой сценарий работал устойчиво, мало просто подключить ИИ к Telegram. Нужна понятная логика диалога и подготовленная база знаний.
Минимально понадобятся:
- Точка входа: например, кодовое слово в Telegram
- Вопросы для квалификации: что нужно узнать у человека перед выдачей ответа.
- Критерии релевантности: как понять, подходит ли запрос под ваш продукт или курс.
- Список задач: что можно показать человеку в зависимости от его запроса.
- База кейсов: материалы, которые ИИ сможет подбирать под тему.
- Следующий шаг: вопрос, ссылка, приглашение к условиям участия или передача менеджеру.
Чем точнее описаны эти элементы, тем меньше риск, что ИИ будет вести диалог слишком общо.
Главный вывод
Сильная сторона такого ИИ-квалификатора не в том, что он просто отвечает быстрее человека. Его ценность в другом: он забирает повторяющийся первый этап диалога и делает его контекстным. В этом кейсе показательным стал масштаб: более 1000 диалогов за 10 дней прошли через ИИ до того, как менеджеру нужно было вручную включаться в однотипную переписку.
Человек пишет в Telegram, получает ответ в привычной переписке, рассказывает о своей задаче и видит релевантные возможности курса. Менеджер при этом не тратит время на однотипное выяснение вводных и ручной подбор кейсов.
Если у вас менеджеры каждый день повторяют одни и те же вопросы, объясняют одно и то же и вручную подбирают материалы под запрос клиента, часть этого сценария можно передать ИИ.
Хотите понять, что подобным образом можно автоматизировать именно у вас, приходите на консультацию.
На консультации разберём ваши текущие процессы и посмотрим, какие задачи можно передать ИИ и встроить в работу команды.
