Внедрение ChatGPT в бизнес

С чего начинать

Языковые модели GPT хорошо берут на себя рутину с текстом: ответы клиентам, черновики писем, описания товаров, разбор заявок, поиск ответа по внутренним регламентам. Подключаем не «чат для красоты», а конкретные процессы, где сотрудники тратят часы на однотипную работу - и где это время реально можно вернуть.

За три года команда подключила GPT в 40+ компаниях РК: интернет-магазины на Kaspi, сервисные центры, юрфирмы, оптовые поставщики, медцентры. Считаем по факту, а не по обещаниям. Первая линия поддержки начинает отвечать в 3-4 раза быстрее, менеджер готовит коммерческое предложение за 5 минут вместо 40, а 60-70% типовых вопросов закрываются без участия человека. В проектах с плотным потоком заявок окупаемость обычно укладывается в 1-3 месяца.

Старт всегда один - аудит. Смотрим, где у вас узкое место, какой объём обращений и какой ценой их сейчас обрабатывают люди. Только после этого считаем, сколько времени и денег вернёт автоматизация именно здесь, и стоит ли вообще браться. Если задача не окупается - скажем прямо, это честнее, чем продать проект ради проекта. Работаем по всему Казахстану онлайн, без привязки к городу.

Где GPT окупается

Как мы внедряем

Подключение GPT - это не «купили подписку и включили». Под рабочую задачу собирается связка из нескольких частей, и каждую настраиваем под ваши данные.

• Выбираем модель под задачу. Для диалогов и текстов - GPT через корпоративный API; где важна приватность - рассматриваем размещение в защищённом контуре или открытые модели на вашем сервере. Не везде нужна «самая мощная»: часто дешевле и быстрее модель попроще.
• Подключаем вашу базу знаний (RAG). Регламенты, прайсы, инструкции, частые вопросы режем на фрагменты, складываем в векторное хранилище и заставляем модель отвечать строго по ним, а не по «общим знаниям из интернета». Это и отличает рабочего ассистента от болтливого чата.
• Прописываем системную инструкцию и роль. Тон, границы темы, что можно и чего нельзя обещать, когда передавать диалог человеку. Здесь же - запрет выдумывать цены и условия.
• Интегрируем с каналами и системами. WhatsApp Business, Telegram, виджет на сайте, amoCRM, Bitrix24, обмен с 1С, Google-таблицы. Ответ бота и история диалога попадают туда, где работает ваша команда.
• Ставим проверки и контроль. Фильтры на недопустимые ответы, ограничение на чувствительные темы, логирование каждого диалога, ручной контроль на критичных шагах - договоры, цены, юридические формулировки.
• Тестируем на ваших реальных вопросах. Прогоняем сотни типовых обращений в закрытом контуре, ловим слабые места, дорабатываем до запуска.

Термины простыми словами

LLM (большая языковая модель)

Модель, обученная на огромных объёмах текста. Понимает смысл вопроса и формулирует ответ живым языком. GPT - самая известная из них.

RAG (ответ по вашей базе)

Подход, при котором модель перед ответом находит нужный фрагмент в ваших документах и отвечает по нему. Без RAG модель рассуждает «в общем», с RAG - отвечает по вашим прайсам и регламентам.

Промпт и системная инструкция

Текст-указание модели: кто она, как отвечает, что под запретом. Системная инструкция задаётся один раз и определяет поведение во всех диалогах.

Токен

Единица, которой модель считает текст (примерно 2-3 символа русского). От количества токенов зависит стоимость работы через API - это влияет на цену эксплуатации.

Контекст

Объём текста, который модель удерживает за один запрос: вопрос, история диалога, найденные фрагменты базы. У контекста есть лимит, поэтому базу знаний не грузят целиком, а подбирают релевантное.

Галлюцинация

Когда модель уверенно выдаёт неверный факт, которого нет в данных. Главный риск GPT. Снижается через RAG, проверки и контроль человека на важных ответах.

Файн-тюнинг

Дообучение модели на ваших примерах под стиль и узкие сценарии. Нужен не всегда - в большинстве задач хватает RAG и хорошей инструкции, это дешевле.

Готовый сервис или кастом

Между «собрать бота на готовой платформе» и «разработать кастомное решение» лежит большая разница в цене, сроках и контроле. Ориентир, что выбрать под вашу ситуацию.

Данные и приватность в РК

Главный вопрос на старте у любого руководителя - куда уйдут наши данные. Отвечаем предметно. По умолчанию в модель передаётся только то, что нужно для конкретного ответа: текст вопроса и подобранный фрагмент базы знаний. Не вся CRM, не вся клиентская база, не реквизиты целиком. Чем меньше данных уходит наружу, тем спокойнее и дешевле.

Для работы используем корпоративный доступ к API с отключённым обучением модели на ваших данных - то есть ваши переписки и документы не уходят в общую обучающую выборку. Доступы, ключи и логи диалогов остаются на вашей стороне. Если данные чувствительные - персональные данные клиентов, медицинские, банковские - разворачиваем изолированное решение на вашем сервере, откуда наружу не уходит ничего.

По закону РК «О персональных данных» сбор и трансграничная передача персональных данных требуют согласия субъекта и аккуратного обращения. Поэтому есть данные, которые в публичные сервисы грузить не стоит: ИИН, полные паспортные данные, номера карт и счетов, медицинские диагнозы, коммерческую тайну. Модель работает с текстовыми сценариями и уведомлениями, а финансы и реквизиты не трогает. Где такие данные всё же нужны для логики - обезличиваем их или держим обработку в закрытом контуре. На этапе аудита отдельно проходим по тому, что можно отдавать модели, а что - нет.

Готов ли ваш бизнес

Чем больше пунктов вы можете отметить, тем быстрее и дешевле пройдёт внедрение. Пустые пункты - не стоп, а то, что соберём вместе на аудите.

• ☑ Есть поток обращений - хотя бы 20-30 заявок или вопросов в день
• ☑ Часть вопросов повторяется и отвечается по сути одинаково
• ☑ Есть регламенты, прайсы, FAQ или хотя бы переписка, из которой их можно собрать
• ☑ Понятно, в каком канале живёт общение - WhatsApp, Telegram, сайт, CRM
• ☑ Есть ответственный с вашей стороны, кто даст доступы и проверит ответы
• ☑ Решено, какие данные можно отдавать модели, а какие - нет
• ☑ Есть согласие команды, что бот берёт рутину, а не «увольняет отдел»
• ☑ Готовы к пилоту на одном процессе до масштабирования на все

Ориентиры цен и сроков

Точную цену называем после аудита - она зависит от объёма базы знаний, числа интеграций и требований к приватности. Ниже честные диапазоны, от которых отталкиваемся.

Честные ограничения

GPT - мощный инструмент, но у него есть границы, и лучше знать о них до запуска. Модель может уверенно выдать неверный факт - это галлюцинация. Поэтому на критичных ответах (цены, условия договора, юридические формулировки) всегда оставляем проверку человеком, а не отдаём всё на откуп автомату. Для типовых вопросов поддержки риск минимален, для документов с юридической силой - контроль обязателен.

Модель не считает «копейка в копейку»: точные расчёты, бухгалтерию и числовые сверки оставляем профильным системам, а не языковой модели. GPT силён в тексте и смысле, а не в арифметике. Казахский язык модель ведёт хорошо для типовых диалогов, но сложные юридические тексты на казахском проверяем вручную - качество тут ниже, чем у русского.

Где обычно спотыкаются. Пытаются автоматизировать всё сразу - берём один процесс, доводим, потом расширяем. Грузят в бота сырые, противоречивые документы - мусор на входе даёт мусор на выходе, поэтому сначала наводим порядок в базе. Ждут, что ИИ заменит весь отдел - реальный эффект 30-60% рутины, а люди переключаются на то, что машина не тянет. И ставят бота без логирования - без статистики диалогов нечего улучшать. Эти грабли мы знаем и обходим заранее.

Как это работает на практике

Чтобы было предметно - типовая логика на примере интернет-магазина на Kaspi с потоком 80-120 обращений в день. До внедрения два менеджера тонут в одинаковых вопросах: «есть в наличии?», «сроки доставки?», «как оплатить?», «где мой заказ?». Половина рабочего дня уходит на повторы, до части клиентов руки доходят с задержкой, ночные сообщения остаются без ответа до утра.

Собираем GPT-ассистента: подключаем к WhatsApp и Telegram, скармливаем базу - наличие, условия доставки, способы оплаты, политику возврата, частые вопросы. Бот отвечает по этим данным круглосуточно, ведёт диалог живым языком, а «горячую» заявку с готовностью купить сразу передаёт менеджеру с краткой сводкой. Сложные и нестандартные кейсы тоже уходят человеку - бот не делает вид, что знает всё.

Результат через месяц на таком потоке: 60-70% обращений закрывается без оператора, скорость первого ответа падает с минут до секунд, ночные лиды перестают теряться. Менеджеры занимаются продажами и сложными случаями, а не повторами. Инвестиция в такой проект на потоке заявок обычно возвращается за 1-3 месяца. Логика та же для сервисного центра, оптовика или клиники - меняются данные и сценарии, подход остаётся.

Этапы работы

Цены и характеристики

Ответы на частые вопросы