Собственный ИИ-агент на сайт вместо чат-бота: как мы разбираем заявки B2B до того, как их увидит менеджер

В отделе продаж клиента висела фраза, которую я услышал на первой же встрече: «Пусть лучше вообще не пишут». Речь была про заявки с сайта. Форма приносила десятки обращений в день, а работать было почти не с чем: половина уходила в спам-фильтр менеджера сразу после первого созвона. Кто-то писал «интересует стоимость», не уточнив продукт. Кто-то присылал ТЗ на двух страницах, но без контакта. Кто-то просто тестировал форму.

Тогда мы и начали разбираться, как сделать собственный ИИ-агент на сайт, который сработает не как декоративный чат в углу, а как первый уровень анализа заявок. Ниже — как мы к этому пришли, что провалилось и что в итоге поехало в продакшн.

С чего началось: коробочный чат-бот всех устраивал, кроме продаж

До нас на сайте стоял популярный конструктор ботов со сценариями. Он приветствовал, задавал три вопроса, спрашивал телефон и падал в CRM с тегом «горячий лид». Тег был честный настолько же, насколько честным был сам бот — то есть никак.

Первое, что мы попробовали, — не менять инструмент, а переписать сценарии. Добавили ветвления, вопросы про бюджет, чек-листы под продукты. Стало хуже. Пользователь, который пришёл спросить про интеграцию, получал вопрос «Сколько сотрудников в вашей компании?» и закрывал вкладку. Конверсия в заполнение формы просела, а качество заявок не выросло. Сценарный бот выигрывает там, где путь клиента можно нарисовать. В B2B этот путь у каждого свой.

Стало понятно: нужен не бот, а ИИ-агент на сайте, который умеет вести разговор без готового сценария и параллельно вытаскивать из диалога смысл.

Почему для сайта нужен свой ИИ-агент, а не готовая обёртка над LLM

Мы посмотрели несколько готовых виджетов с большими языковыми моделями внутри. Все они умеют одно и то же: отвечать на вопросы по загруженной базе знаний. Это неплохо для FAQ, но для нашей задачи мало.

Задача была шире. Агент должен:

• вести разговор в свободной форме и не сваливаться в «я вас не понял»;
• по ходу диалога сам решать, что уточнить, а что оставить менеджеру;
• проверять наличие и совместимость по внутренним справочникам;
• превращать разговор в структурированную карточку с намерением, тегами и приоритетом;
• отдавать менеджеру не «пришёл лид», а «пришёл лид, вот что человек хочет, вот чего не хватает для расчёта».

Ни один готовый виджет так не умеет. Точнее, умеет за большие деньги, при условии, что вы уложите свою логику в его редактор. Мы посчитали и решили делать собственный ИИ-агент под задачу — благо инфраструктуру для таких вещей у нас уже собрали на прошлых проектах.

Как устроен ИИ-агент на сайте: инструменты, а не промпт

Ядро агента — LLM плюс набор инструментов через MCP-сервер. Инструменты — это не «модель, которая знает про товары», а честные вызовы во внутренние системы клиента:

• поиск по каталогу с фильтрами;
• проверка наличия и сроков поставки;
• достать типовое ТЗ по категории;
• посмотреть открытые сделки контрагента, если пользователь уже узнан;
• сохранить структурированный результат диалога в CRM.

Всё, что модель говорит про цены, сроки и характеристики, — не её домыслы, а результат вызова инструмента. Это принципиально: галлюцинация в разговоре с потенциальным клиентом стоит дороже, чем в отчёте для внутреннего аналитика.

Отдельная часть — ИИ-агенты для анализа диалога, которые работают параллельно с основным. Пока пользователь разговаривает, вторая модель фоном разбирает, о каком продукте идёт речь, насколько сформулирована задача, есть ли признаки нецелевого обращения. Эти теги уезжают в карточку CRM вместе с расшифровкой. Менеджер открывает заявку и сразу видит суть, а не читает переписку с начала.

Оглядка на код-агентов: чему нас научил подход Codex

Пока делали, много смотрели, как ведут себя современные код-агенты. По отчётам, у пользователей Codex значительная часть задач — это долгие сессии, по полчаса и больше. Тот же codex ИИ-агент из чат-бота, который отвечает построчно, превратился в автономного исполнителя: получает цель, гоняет инструменты, показывает промежуточные результаты, не боится долго думать.

Мы позаимствовали два принципа. Первый — агенту нужно давать инструменты и цель, а не пошаговый сценарий. Второй — долгие ответы не страшны, если пользователь видит, что происходит. На сайте это выглядит так: агент говорит «сейчас посмотрю по складу» и через пару секунд возвращается с ответом. Пользователь понимает, что за виджетом идёт работа, а не имитация набора текста.

Ещё один момент, который мы утащили из мира код-агентов: чёткое разделение между «ассистентом отвечает» и «агент действует». Ответ можно переписать, действие уже случилось. Поэтому на любые операции с последствиями — оставить заявку, забронировать слот, отправить прайс на почту — у нас идёт явное подтверждение от пользователя.

Выбор модели: почему остановились на российской

Клиент работает с госсектором, и данные клиентов из формы — персональные, со всеми обязательствами по 152-ФЗ. Гонять их через зарубежное облако было нельзя.

Мы сравнили несколько вариантов. Свежий Gemini 3.7 Flash с миллионным контекстом хорош по цене и скорости, но данные уходят наружу — не наш случай. Из открытых моделей смотрели на Qwen3.8-27B: под Apple 2.0, ставится на своё железо, для анализа диалога тянет. Держать её у клиента внутри периметра — рабочий сценарий, и в другом проекте мы так и сделали.

Здесь остановились на GigaChat Pro. Аргументов было три: соответствие требованиям по данным, приемлемое качество на русском B2B-лексиконе и то, что клиент уже держал с ним договор. Второй моделью, которая делает фоновый анализ, поставили тот же GigaChat, но с более коротким контекстом и жёстким системным промптом — она не общается, только размечает.

Что изменилось после внедрения

По цифрам ничего не обещаю, потому что сравнивать честно тут сложно: параллельно клиент переделывал landing и запускал новую рекламную кампанию. Расскажу словами, как это описал руководитель отдела продаж на ретро.

Раньше менеджер тратил утро на «прозвон», чтобы понять, кто из ночных заявок вообще целевой. Теперь он открывает CRM и видит карточки, где половина работы уже сделана: продукт назван, вопросы уточнены, у половины лидов приложены рассчитанные предварительные конфигурации. Разбор занимает не первую половину дня, а полчаса за кофе.

Стало заметно меньше заявок без контактов и без сути — агент вежливо, но настойчиво уточняет их в диалоге. Одновременно перестали теряться сложные обращения: раньше человек с длинным ТЗ упирался в форму и уходил, теперь агент принимает файл, разбирает и создаёт заявку с уже размеченным содержанием.

Сюрприз, которого не ждали: агент стал источником обратной связи по продукту. Каждую неделю смотрим, о чём пользователи спрашивали и чего не нашли в каталоге. Часть вопросов превратилась в новые позиции на складе.

Что бы сделали иначе

Не стал бы сразу выкатывать агента на всех страницах. Мы включили его везде и потом полтора месяца выключали там, где он мешал — на страницах вакансий, на странице для действующих клиентов с личным кабинетом. Правильнее было бы начать с одного раздела, посмотреть логи, расширяться.

Ещё раньше подключил бы человеку возможность вмешаться. Первое время агент вёл диалог до конца, а менеджер подключался только после того, как заявка падала в CRM. Сейчас у оператора есть кнопка «перехватить»: он видит живые диалоги и может влезть, если чувствует, что клиент готов купить прямо сейчас. Пропускать такие моменты дорого — а автономности агента не убавилось.

И главное — если вы думаете поставить чат на сайт, начните не с выбора виджета, а с вопроса: что должно оказаться в CRM после разговора. Хороший собственный ИИ-агент — это не тот, который красиво отвечает. Это тот, после которого менеджер экономит своё утро.

Похожие статьи

• Что такое сеть ИИ-агентов простыми словами: как мы собрали команду из пяти ролей для разбора техзадания
• Внутренняя платформа для создания ИИ-агентов: как мы перестали писать один и тот же код на каждого клиента
• Как мы делали презентацию про ИИ-агентов для VS Code без единого слайда — и совет директоров наконец сказал «да»
• Ломаем API собственного ИИ-агента: чему нас научил свежий разбор атак от Касперского