Как мультиагентная ИИ-система освободила менеджеров компании «Домашний Стандарт» от рутины на Wildberries и Ozon

Когда у компании четыре магазина на двух маркетплейсах одновременно, ни один менеджер физически не успевает быстро обрабатывать большой поток отзывов и также быстро отвечать на вопросы покупателей.

Именно с этой проблемой к нам обратился Домашний Стандарт — производитель автоклавов из нержавеющей стали. Решением стала мультиагентная ИИ-система с единой базой знаний.

• Клиент: Домашний Стандарт — производитель автоклавов из нержавеющей стали
• Площадки: 4 магазина на Wildberries и Ozon
• Решение: мультиагентная ИИ-система для автоматизации ответов на отзывы и вопросы

До внедрения: три боли, которые знакомы каждому продавцу

Компания Домашний Стандарт уже давно присутствует на рынке — многие рабочие процессы устоялись и сформировалась команда профессионалов, но рост объемов продаж начал увеличивать и количество обращений клиентов: менеджеры перегружались и не всегда могли быстро и качественно ответить на вопросы, это могло приводить к снижению рейтинга и снижению репутации компании в целом.

Первая проблема — скорость

Менеджеры вели несколько магазинов параллельно и были загружены множеством задач: обработкой заказов, логистикой, работой с поставщиками. Быстро ответить на отзыв просто не получалось.

Вторая проблема — поиск информации

Автоклав — сложный технический продукт и покупатели задают большое количество различных вопросов. Чтобы ответить точно, менеджер должен долго искать ответ в документации, инструкции или технических листах. Это лишнее время, которое можно потратить на решение более важных задач.

Третья проблема — отзывы без ответа

Очень важно отвечать также и на негативные обращения. Проблема в том, что при большой загруженности менеджеров, отзывы могут оставаться без ответа даже в течение нескольких суток. Для маркетплейсов это удар по рейтингу товара плюс снижение доверия новых покупателей.

Алгоритмы Wildberries и Ozon учитывают скорость и полноту работы с отзывами при ранжировании карточек. Магазин, который отвечает медленно или игнорирует негатив, теряет позиции — и это напрямую отражается на продажах.

Решение: мультиагентная система с общей базой знаний

Вместо одного универсального бота мы спроектировали систему из пяти взаимосвязанных агентов. Каждый магазин получил собственного агента, заточенного под его аудиторию и специфику. В то же время каждый агент привязан к единому источнику истины — базе знаний.

Четыре основных агента — по одному на каждый магазин. Они принимают входящие отзывы и вопросы покупателей. При составлении ответа агент учитывает контекст обращения: это может быть сообщение с благодарностью, претензия или технический вопрос, в зависимости от этого и подбирается подходящий ответ на вопрос, а также манера общения с клиентом.

Агент базы знаний — общий бот для всех четырёх агентов. Он хранит полную техническую документацию по продукции: инструкции, характеристики, режимы работы, ответы на типовые вопросы. Когда основному агенту нужна информация — он обращается напрямую к агенту базы знаний.

Такая архитектура решает важную проблему: обновлять данные базы знаний нужно только в одном месте, а не в каждом боте по отдельности. Обновили документацию — все четыре агента сразу работают с новыми данными.

Как проходило внедрение

1. Аудит рабочих процессов. Разобрали, какие типы обращений приходят чаще всего, какую информацию менеджеры ищут вручную.
2. Формирование базы знаний. Собрали и структурировали техническую документацию, инструкции, типовые ответы на частые вопросы о продукте.
3. Разработка агентов. Настроили четыре отдельных агента под каждый магазин и агента-хранилище базы знаний. Прописали сценарии, тон коммуникации, правила когда требуется эскалация.
4. Настройка уведомлений. Если вопрос выходит за пределы базы знаний — менеджер получает мгновенное уведомление и отвечает вручную.
5. Тестирование и запуск. Прогнали систему на реальных обращениях, скорректировали ответы, запустили в боевой режим.

Что изменилось после запуска нашего решения

Теперь ни один отзыв не остается без ответа. Моментальная реакция на негативные обращения — покупатель видит, что компания на связи и алгоритмы маркетплейса фиксируют высокую активность продавца. Технические вопросы об автоклавах закрываются точно и быстро — агент обращается напрямую к базе знаний и выдаёт корректный ответ без рисков ошибок.

Если вопрос нестандартный и ответа в базе нет — ИИ-агент направляет обращение менеджеру, и тот подключается с пониманием всего контекста обращения.

Что дальше: экосистема на основе единой базы знаний

Маркетплейсы — это первый этап. Сейчас совместно с компанией Домашний Стандарт мы прорабатываем следующий шаг: подключение ИИ-консультанта на сайт компании и в мессенджеры. Ключевой момент здесь в том, что мы не просто хотим добавить ещё одного бота, а встроить его в уже существующую инфраструктуру.

Агент на сайте и агент в мессенджерах будут работать на основе той же единой базы знаний, что и четыре агента на маркетплейсах. Это означает, что после обновления документации — все точки контакта с покупателем сразу получают актуальную информацию — никаких расхождений, никакой ручной синхронизации.

В итоге у компании формируется полноценная ИИ-экосистема. Покупатель может оставить отзыв на Wildberries, уточнить детали в Telegram или проконсультироваться прямо на сайте — он везде получит точный, последовательный ответ, благодаря подключению агентов со всех четырех магазинов к единой базе знаний.