Как КНАУФ развивал AI‑поддержку: от бота на сценариях до четырех агентов и обработки 9000+ обращений в месяц

Контекст. Заводы КНАУФ производят огромный спектр строительных и отделочных материалов. Каждый день компания сталкивается с колоссальным потоком запросов от дилеров, строителей и розничных покупателей. Каждому сегменту клиентов требуется глубокая техническая экспертиза по ассортименту и нюансам применения материалов: какой лист поставить в ванную, ляжет ли штукатурка на газобетон, сколько смеси уйдет на комнату.

Ранее вся эта нагрузка ложилась на плечи центральной технической службы поддержки. При объеме 9000+ обращений в месяц команда сталкивалась с физическими ограничениями: около половины запросов приходилось на нерабочее время и выходные дни.

Задача. Сделать консультации доступными в любое время суток и освободить экспертов от однотипных вопросов.

Проблема. Поток перевалил за 9000 обращений в месяц, и примерно каждый второй вопрос приходил в нерабочее время. Служба в эти часы закрыта, клиент оставался без ответа. Расширение штата компания не рассматривала.

Вместо рискованной и болезненной перестройки всех клиентских процессов, КНАУФ совместно с экспертами Just AI сделали ставку на эволюционный подход. Это подразумевало поэтапное наращивание интеллектуальных возможностей системы поддержки без остановки текущего сервиса. Главный принцип — плавная интеграция AI в те бизнес-процессы, где автоматизация приносит максимальный эффект прямо сейчас.

Этап 1. Бот на детерминированных сценариях (2022 год)

Первым появился классический сценарный бот на NLU: диалог шел по заранее прописанным веткам. Ему доверили вопросы о сервисах: маркетплейсе, калькуляторе, Академии КНАУФ, программе лояльности и каталоге продукции. Уже тогда бот снимал с людей около 38% потока обращений.
Однако поддержка системы требовала колоссальных ресурсов: информация быстро устаревала, а любые изменения приходилось вносить в базы данных вручную.

Шаг 2. Переход в генеративный AI: подключили LLM и RAG (2023)

Вторым шагом бота пересадили на большую языковую модель на базе ChatGPT-4 и добавили RAG: прежде чем ответить, система находит нужные сведения в базе знаний и формулирует ответ своими словами. Жесткие сценарии ушли, у бота появилась вариативность живого сотрудника поддержки.

• В базу собрали 3000 вопросов с ответами из всех каналов общения
• Загрузили 100 выверенных информационных листов по продуктам.
• Тестовые прогоны дали 89% верных ответов

Сильнее всего новая механика показала себя там, где сценарии бессильны. Покупатель жалуется на неприятный запах грунтовки: на этикетках об этом ни слова, но бот может собрать осмысленную рекомендацию.

Эту главу истории мы разбирали отдельно: как команда за две недели превратила тысячу страниц разрозненных документов в работающий FAQ — в кейсе про базу знаний КНАУФ.

Шаг 3. База знаний без ручного труда (2024)

Следующая цель звучала амбициозно: убрать человека из процесса обновления данных. Бота научили читать сайт компании:

• Изменения на страницах отслеживаются автоматически.
• Новый, измененный или удаленный документ сам отражается в базе знаний.
• Нарезку текстов на смысловые фрагменты, чанки, система тоже выполняет без людей.

Объем базы дорос до 500 тысяч слов, и одновременно ведение базы стало занимать более чем на 80% меньше времени: обновления идут фоном.

Опыт обращения с генеративными инструментами в компании уже накапливался. Ради 12 иллюстраций настенного календаря маркетинг сделал в Midjourney больше 5000 генераций и уложился в 6000 рублей, хотя годом раньше одна отрисовка моделей для календаря стоила больше миллиона. Тексты для соцсетей команда передала AI-помощнику Jay Copilot. Эти эксперименты мы собрали в кейсе про нейромаркетинг КНАУФ.

Шаг 4. Бот заговорил: навык «Помощник КНАУФ» в Алисе (2025)

Следующим каналом стал голос: в Алисе появился навык «Помощник КНАУФ». Спросить о продукции и способах ее применения теперь можно вслух, ассистент отвечает на данных все той же базы знаний.

Шаг 5. Команда из четырех AI-агентов (2025)

К 2025 году бот работал уже в пяти средах: виджет на сайте, соцсети, Telegram, почта и Алиса. Добавился запрос бизнеса на аналитику. Команда хотела понимать, о чем спрашивают клиенты и какие продукты их интересуют. Под эти задачи архитектуру перестроили, и одного бота заменила четверка AI-агентов:

Ежемесячная аудитория поддержки выросла до 4000+ уникальных пользователей. В среднем каждый задает по два-три вопроса: развернутый ответ приходит сразу, и разговор продолжается.

Технические специалисты вернулись к задачам более высокого уровня: консультируют по сложным проектам, вплоть до строительства целого дома.

Дальше команда учит бота самостоятельно вести клиента к решению задачи. В планах:

Глубокая персонализация. Адаптация тональности и глубины ответа под конкретные сегменты аудитории: архитекторы, частные строители, крупные дистрибьюторы.

Единый контур. Объединение разрозненных баз знаний различных продуктовых дивизионов бренда в общий суверенный контур.

Расширение источников знаний. Команда запланировала подключение внешних профильных сайтов.

Проактивные рекомендации. Динамическое управление приоритетами рекомендаций: например, предложение конкретных линеек штукатурок с заданной вероятностью в зависимости от маркетингового периода.

Новые каналы связи. Внедрение расширенного RAG для автоматической подготовки развернутых e-mail ответов и полноценный запуск AI в классическом телефонном канале.

Четыре года назад поддержка КНАУФ умела ровно то, что было прописано в сценариях, и снимала 38% потока. Сегодня это система из четырех AI-агентов: она круглосуточно принимает 9000+ обращений в месяц, опирается на самообновляющуюся базу в 500 000 слов и дает 89% верных ответов в тестах. Штат экспертов не вырос: сложные вопросы разбирают все те же два специалиста.