Как Timeweb внедрил бота на основе LLM с RAG в техподдержку и закрыл с его помощью 25% обращений клиентов

Компания
Timeweb — один из крупнейших хостинг-провайдеров в России. С 2006 года компания предлагает широкий спектр услуг и продуктов — от виртуального хостинга, VPS/VDS, выделенных серверов до регистрации доменов в зонах .ru и .рф.

Март 2025
Клиентский сервис
Консалтинг
Инструменты
Бот на основе LLM с RAG
Мультиагенты

Задача

Домены, хостинг и другие продукты Timeweb сложные и требуют бесперебойной работы службы поддержки. В пиковые нагрузки, когда количество обращений в саппорт увеличивалось, качество и скорость работы операторов падало. Закрыть эту проблему решили с помощью автоматизации службы поддержки.

Еще один челлендж — поиск и обучение новых специалистов. С учетом сложности продуктов, на подготовку новых кадров и наращивание компетенций новичков уходит слишком много времени и ресурсов.

Как было до GenAI: сценарный бот и LLM на минималках

У Timeweb уже был опыт внедрения бота в службу поддержки. Это был базовый сценарный бот, который умел отвечать на простые вопросы, но пользовался спросом лишь у 16% клиентов.

После этого Timeweb решили сделать еще одного бота на базе LLM. Он порадовал пользователей более живым общением, однако нагрузку на службу поддержки не снизил: бот не был интегрирован с внутренними системами и не умел работать с динамическими данными. Только 64% клиентов были удовлетворены ответами бота.
Тогда решили создать нового бота — задачу доверили команде Supprt.Science. В основу AI-решения легли LLM, RAG и мультиагенты
В работе с Timeweb мы старались решить главную задачу — как с помощью технологий сделать поддержку удобной и приятной для клиентов. Ведь никто не любит писать в поддержку, особенно когда не до конца понятно, что именно сломалось и как это вообще все работает. Наша цель — сделать так, чтобы помощь приходила быстро и без лишних усилий со стороны пользователя.

Мы начали с анализа обращений и карты клиентского пути. Так смогли понять, где автоматизация действительно поможет, а где — только помешает. В итоге мы решили внедрить бота, который будет давать быстрые, понятные и персональные ответы. Так, чтобы клиенту хотелось возвращаться, а не убегать.
Инга Лабахуа
Основательница агентства Supprt.Science

Этап первый: характеристики бота

На первом этапе работы определили, каким будет бот и какие вопросы он должен решать. Также предстояло собрать базу знаний для его ответов. Выделили 5 тематик, в которых клиенты задают вопросы чаще всего. Таргет качества ответов установили на 90%, чтобы бот не уступал в работе реальному оператору.

Внутри тематик определили три категории обращений, от которых зависели действия бота:
Простой вопрос — простой ответ
Например, клиент спрашивает, как изменить пароль — бот отправляет ему пошаговую инструкцию. Команда назвала эту категорию инфовопросами.
Вопрос про самого клиента
Например, клиент уточняет, какой у него тариф. Для ответа боту нужно считывать данные из API и соотносить эту информацию с базой знаний.
Нужно что-то сделать
В эту категорию попадали все вопросы, ответ на которые требовал действия от сотрудника. Например, поменять тариф или подключить дополнительную услугу.

Этап второй: тестирование

На этапе тестирования бот выступал в качестве суфлера. Получая вопрос от клиента, он выдавал комментарий сотруднику, который уже определял, полезен был ответ или нет. Для оценки качества команда выбрала несколько критериев:
1
Понимание задачи
2
Понятная формулировка
3
Были ли критические ошибки
4
Удалось ли решить вопрос клиента
С помощью модерации качество решений бота постепенно повышалось и выросло с 75,56%
на первой неделе до 93% на финальном срезе
Когда таргет качества был достигнут, бота допустили к ответам реальным клиентам. Пока он работал с одними тематиками, в разработку шли новые. Так бот стал покрывать все большее количество вопросов.

История трех мультиагентов

Сейчас в бот интегрированы три мультиагента. С повышением покрытия заявок их число планируют увеличивать.
Первый агент: выполняет роль классификатора
Он читает вопрос клиента
и присваивает ему какую-то тему
из заданного списка.
Второй агент: делится на стажера и специалиста
Агент-стажер оставляет внутренний комментарий в систему (это нужно для тестирования качества в новых тематиках обращений), а бот-специалист пишет ответ напрямую клиенту, но только по тем тематикам, в которых качество ответов уже высокое.
Третий агент: определяет, кому отдать ответ
Агент работает параллельно
и определяет, когда лучше направить заявку реальному сотруднику. Например, важно, чтобы бот не отвечал на претензии или негативные сообщения: в разрешении этих ситуаций лучше справится человек.

Использование датасетов

Специально под бота переписали базы знаний для ответов. Причина — старые датасеты были ориентированы на сотрудников и не всегда обладали полной информацией. Идея скормить боту тикеты в формате «вопрос — ответ» тоже не оправдала надежд: он не понимал, как работать с динамическими данными и куда именно их подставлять.

Сейчас бот оперирует двумя большими базами знаний. Это помогает сделать его ответы максимально полезными в решении проблем клиента.
Первая база знаний
Это карта пользователя, где собрана информация о его тарифе, балансе, сроках подписки.
Вторая база знаний
Это база правил, описывающая, что нужно делать в той или иной ситуации.
В момент создания обращения в промт добавляются только те данные, которые нужны для решения конкретной проблемы клиента. Доступ к персональной информации боту не предоставляется, она ему не нужна.

Результаты

Результат работы бота оценивает команда контроля качества, которая также следит за качеством решений операторов службы поддержки. Оценка осуществляется по идентичным чек-листам. Сейчас у бота метрика 93% — как у сотрудника с высоким рейтингом.

Также учитывается классический CSI — показатель удовлетворенности клиента. В нем уже клиент определяет качество решения его проблемы. Средняя оценка пользователей также находится в диапазоне 90%.

Результаты

Результат работы бота оценивает команда контроля качества, которая также следит за качеством решений операторов службы поддержки. Оценка осуществляется по идентичным чек-листам. Сейчас у бота метрика 93% — как у сотрудника с высоким рейтингом.

Также учитывается классический CSI — показатель удовлетворенности клиента. В нем уже клиент определяет качество решения его проблемы. Средняя оценка пользователей также находится в диапазоне 90%.
Бот:
Снимает 9% нагрузки с операторов
Покрывает 25% заявок службы поддержки

Инсайты

Клиенты не любят не самих ботов, а плохие неперсонализированные ответы. Если бот попадает в суть проблемы, помогает ее решить и дает персональный ответ, то такой бот всем понравится.
Дарья Воронова
Руководитель поддержки Timeweb
Клиенты не должны разбираться, что у них не работает — это задача продукта и поддержки. Используйте GenAI как помощника — это короткий путь к вау-сервису!
Инга Лабахуа
Основательница агентства Supprt.Science

Планы

Timeweb планирует делать новых агентов, которые будут отвечать в других каналах связи. Задача — повысить покрытие ответов и снять еще больший процент нагрузки с сотрудников поддержки.

Также сейчас компания пилотирует процесс автоматического контроля качества и аналитики. Цель такая: чтобы боты контролировали сами себя и определяли, соответствует ли решение стандартам или нет.

Другие кейсы