Строительный рынок меняется на глазах, и один из самых консервативных бизнесов — производство стройматериалов — уже живет в реальности, где часть инженерной экспертизы берет на себя нейросеть. Но это не история про «увольнение людей и тотальную автоматизацию». Это история о том, как компания, выпускающая десятки тысяч наименований продукции, столкнулась с перегрузкой экспертов и перегретой линией поддержки — и вытащила ситуацию, внедрив LLM c архитектурой RAG в контакт-центр.
Сегодня в компании ТЕХНОНИКОЛЬ искусственный интеллект работает почти на всех уровнях:
— на заводах машинное зрение отслеживает дефекты на конвейерах;
— алгоритмы подсказывают оптимальные цены;
— для сотрудников постоянно развивают внутренние ИИ-инструменты.
Следующим логичным шагом стало использование больших языковых моделей в клиентской поддержке. Речь не о красивом «боте на сайте», а о полноценном ассистенте, который умеет консультировать по более чем 10 000 строительных материалов, снимая рутинную нагрузку с инженеров и существенно увеличивая пропускную способность контакт-центра.
Проектом руководил Андрей Цымбалюк, специалист по digital-маркетингу в технической дирекции. По сути, ему пришлось пройти путь от любопытных экспериментов с общедоступными чат-ботами до производственной системы, которую доверили общению с B2B‑клиентами и частными заказчиками.
Почему стандартная поддержка «ломалась» под нагрузкой
ТЕХНОНИКОЛЬ — это более 70 заводов и десятки продуктовых направлений:
кровельные решения, звукоизоляция, гидроизоляционные материалы, герметики, фасады, продукты для внутренней отделки, комплексные системы для частного домостроения, промышленных объектов, транспортной и гражданской инфраструктуры. В каталоге свыше 10 000 SKU, и каждое — со своими техническими характеристиками, областями применения, ограничениями по монтажу и эксплуатации.
В этом многообразии нелегко ориентироваться даже специалисту с опытом, не говоря уже о том, чтобы удерживать всё в голове. При этом к компании обращаются самые разные аудитории:
— проектировщики и инженеры;
— подрядчики и строительно-монтажные организации;
— частные клиенты, делающие ремонт или строящие дом.
Спектр вопросов — от простых до крайне нестандартных. Например:
— «Как правильно монтировать фасадную плитку HAUBERK?»
— «Почему битумная мастика не твердеет на холоде?»
— «Можно ли разбавить мастику клеем ПВА?»
Если запрос попадает в рамки типового регламента («какой срок гарантии у каменной ваты?»), оператор обычно отвечает сам. Но как только вопрос выходит за границы инструкций, начинается цепочка, которая разрушает и сервис, и нервы.
Как выглядел старый процесс консультаций
Сценарий до внедрения ИИ выглядел так:
1. Клиент звонит или пишет в контакт-центр.
2. Задает вопрос, который выходит за рамки стандартных FAQ.
3. Оператор ставит клиента на удержание, открывает сайт, каталоги, PDF-инструкции, внутренние документы.
4. Пытается найти ответ. Если не получается — ищет инженера из технического центра.
5. Инженер может быть на выезде, на объекте, в переговорах. Связаться с ним удается не сразу.
Время поиска ответа колебалось от 5 до 30 минут, а иногда и дольше.
Часть клиентов не готова так долго ждать и просто завершает звонок. Тем, кто остается на линии, часто обещали перезвонить. Бывали ситуации, когда корректный ответ клиент получал спустя несколько дней или даже неделю.
В реальности это означает следующее:
— заказчик уже принял неверное решение;
— успел смонтировать материал с нарушениями;
— разочаровался в продукте и бренде, хотя проблема была в неправильном применении.
Ситуация с «можно ли разбавить мастику ПВА» — показательна: формально правильный ответ звучит так: «Нельзя, состав потеряет прочность и водостойкость, возможны отслоения и протечки». Но если клиент услышит это через неделю, когда всё уже нанесено, никакое объяснение не спасет ни репутацию материала, ни отношения с брендом.
Дополнительный фактор риска — «народная экспертиза»: ролики в интернете и статьи, где блогеры предлагают решения, противоречащие строительным нормам, но поданные как «лайфхаки». Люди пробуют, сталкиваются с дефектами и часто винят производителя.
Почему страдали не только клиенты, но и инженеры
На фоне лавины запросов инженеры фактически жили в режиме «горячей линии»:
— отвечали на простые, повторяющиеся вопросы;
— постоянно отвлекались от работы над сложными проектами;
— тратили время на разъяснение вещей, уже описанных в инструкциях и паспортах продукции.
Операторы физически не могли запомнить все 10 000+ позиций, плюс обновления ассортимента и нормативов. Информация была «размазана» по множеству носителей: сайту, внутренним базам, каталогам, презентациям, обучающим материалам, а часть вообще существовала только в головах экспертов.
Ключевые проблемы выглядели так:
- Невозможно запомнить весь ассортимент и изменения.
- Знания рассредоточены, единый источник правды отсутствует.
- Регламенты покрывают только типовые случаи.
- Поиск ответа занимает 10–30 минут и более.
- Инженеры перегружены простыми и повторяющимися вопросами.
- Важная часть экспертизы не оцифрована.
При таком раскладе качество сервиса и эмоциональное состояние команды становятся взаимосвязанными: выгорают и инженеры, и операторы, а бизнес теряет деньги и доверие клиентов.
Первые эксперименты с нейросетями: от эйфории к реальности
Когда широкую популярность получили большие языковые модели, логичным шагом стало попробовать использовать их как интеллектуальную поддержку операторов.
На первом этапе сделали самый простой прототип — чат, в который загрузили информацию по одному из крупных продуктовых направлений: битумные материалы для гидроизоляции и кровли. Модель казалась «умной»:
— уверенно отвечала на вопросы;
— подбирала формулировки;
— создавалась иллюзия эксперта, который «знает всё».
Но при более глубокой проверке выяснилось: нейросеть иногда уверенно выдает выдуманные ответы. Классическая проблема галлюцинаций в контексте строительства превращается не просто в теоретическую ошибку, а в риск серьезных последствий:
— нарушение технологии монтажа;
— протечки, коррозия, деформация конструкций;
— аварийные ситуации и многомиллионные убытки, если речь о больших объектах вроде складских комплексов или промышленных зданий.
Попробовали пойти по пути дополнительного обучения (fine-tuning): взяли готовую модель и начали дообучать её на собственных данных, чтобы сильнее зафиксировать специфику строительных материалов и систем.
Результат: точность в районе 60–70%. Для маркетинга это могло бы показаться неплохим, но для инженерных консультаций такой уровень — неприемлем. Кроме того, обнаружилась ещё одна практическая проблема: ассортимент регулярно меняется, появляются новые материалы, обновляются нормы и инструкции. Каждый раз переобучать модель — дорого, долго и организационно сложно.
Переход к RAG: зачем давать модели контекст вместо «зубрежки»
Решением стал подход Retrieval-Augmented Generation (RAG). Суть архитектуры в том, что модель не пытаются заставить «выучить наизусть» все технические данные. Вместо этого ей при каждом запросе подсовывают актуальный контекст: фрагменты документов, инструкций, описаний, регламентов.
Принцип работы такой:
1. Пользователь (оператор контакт-центра) формулирует вопрос клиента.
2. Система преобразует этот вопрос в поисковый запрос и обращается к базе знаний.
3. Из базы извлекаются релевантные куски документов (например, технологические карты, инструкции по монтажу, паспорта материалов).
4. Нейросеть генерирует ответ, опираясь не на «память», а на этот конкретный набор документов.
5. В ряде сценариев оператор может видеть, откуда именно «приехала» информация — какие документы послужили источником.
Это решило сразу несколько задач:
— снизило количество галлюцинаций, потому что модель «держится» за реальные документы;
— упростило обновление знаний: достаточно поменять или добавить документы в базе, не обучая заново всю модель;
— позволило явно контролировать, какие источники используются для ответов.
Как формировали базу знаний для ассистента
Чтобы RAG работал качественно, мало подключить нейросеть — нужна структурированная и чистая база знаний. Для этого:
- Собрали всю техническую документацию: каталоги, инструкции, технологические карты, регламенты по монтажу и эксплуатации, ответы инженеров на частые вопросы.
- Оцифровали то, что раньше существовало только в виде файлов «для внутреннего пользования» и в памяти экспертов.
- Разбили документы на логические фрагменты: от абзацев до небольших разделов, которые можно быстро извлечь для ответа.
- Провели нормализацию терминов: чтобы синонимы и разные формулировки одного и того же понятия не сбивали систему с толку.
Часть работы оказалась не столько технической, сколько организационной: необходимо было договориться о том, какие формулировки считать эталонными, какие документы считаются приоритетными, как фиксировать изменения и новые версии.
Как устроен ассистент для контакт-центра
В итоге получился ИИ-ассистент, встроенный в рабочее место оператора. Он не общается напрямую с клиентом, а работает как «второй мозг» оператора.
Основные сценарии работы:
1. Подсказка по конкретному продукту
Оператор вводит вопрос клиента, выбирает (при необходимости) направление или тип материала. Ассистент возвращает:
— краткий ответ человеческим языком;
— расширенное пояснение;
— выдержки из документов, на которых основан ответ.
2. Поиск причины проблемы и рекомендации
Если клиент жалуется на дефект («мастика не высохла», «появились трещины», «плитка отслоилась»), ассистент предлагает возможные причины и варианты действий:
— ошибки в подготовке основания;
— нарушение температурного режима;
— использование несовместимых материалов и т.д.
3. Навигация по сложным системам
Для комплексных решений (кровельные системы, фасады, многослойные конструкции) ассистент помогает подобрать правильную конфигурацию и объясняет, какие слои и материалы допустимы в конкретном случае.
Во всех сценариях конечное слово остается за оператором: он видит ответ ИИ, сопоставляет его с контекстом разговора и решает, в таком ли виде передавать информацию клиенту, нужно ли что-то уточнить или перевести с технического языка на более простой.
Как проверяли качество ответов
Перед тем как допустить систему до «живых» клиентов, провели полноценное тестирование. В проверке участвовали инженеры технического центра и опытные операторы.
Процесс выглядел так:
1. Собрали набор реальных вопросов от клиентов за прошлые периоды, в том числе нестандартных.
2. Прогнали их через ассистента, не вмешиваясь в генерацию.
3. Инженеры оценивали каждый ответ по нескольким критериям:
— техническая корректность;
— полнота;
— понятность для клиента;
— соответствие внутренним регламентам и нормам.
Часть ответов дорабатывали:
— корректировали формулировки;
— настраивали правила, чтобы модель избегала двусмысленных советов;
— добавляли новые документы в базу знаний, если выявлялись пробелы.
Параллельно проверяли устойчивость системы к провокационным и некорректным запросам: ассистенту задавали вопросы, которые могли привести к нарушению норм или небезопасным решениям, чтобы убедиться, что в таких кейсах он не «придумает» ответ и не посоветует заведомо неправильное.
Что изменилось после запуска
После внедрения ассистента контакт-центр и техническая поддержка ощутили результат на нескольких уровнях:
- Скорость ответов
Время подготовки сложных ответов сократилось с 10–30 минут до нескольких минут, а в типовых случаях — до десятков секунд. Операторам больше не нужно перелистывать каталоги и PDF-файлы.
- Снижение нагрузки на инженеров
Большую часть вопросов, которые раньше «отстреливали» инженерам, теперь закрывают операторы с помощью ассистента. Инженеры стали больше времени уделять сложным кейсам и развитию продуктов, а не бесконечным разъяснениям базовых моментов.
- Повышение качества консультаций
Ответы стали более полными и единообразными. Даже разные операторы теперь опираются на единый массив знаний, а не на личный опыт и случайные источники.
- Снижение числа ошибок и конфликтных ситуаций
Поскольку ответы опираются на актуальные документы и регламенты, сократилось количество спорных случаев, когда клиенту ранее могли дать неоднозначную или устаревшую информацию.
Не «замена инженеров», а усиление экспертизы
Фраза «инженеров заменили нейросетью» звучит эффектно, но в реальности произошло другое. Инженерная экспертиза по-прежнему ключевая:
— специалисты участвовали в создании базы знаний;
— они утверждают сложные решения и нестандартные варианты применения;
— именно инженеры определяют, какие ответы допустимы, а какие нет.
Нейросеть же взяла на себя роль масштабируемого помощника:
— она помогает быстро находить нужную информацию;
— избавляет инженеров от рутины;
— позволяет доносить их знания до тысяч клиентов через операторов контакт-центра.
По сути, часть того, что раньше «жило» исключительно в головах экспертов или в разрозненных документах, стало доступно в удобном, структурированном виде.
Что оказалось критически важным для успеха
Опыт показал, что одних технологий недостаточно. Решающими стали несколько факторов:
1. Грамотно подготовленная база знаний
Никакая LLM не спасет, если исходные документы устарели, противоречат друг другу или написаны так, что их невозможно однозначно интерпретировать. Пришлось провести большую работу по чистке, актуализации и унификации материалов.
2. Роль инженеров на всех этапах
Они не просто «поставили подпись» под проектом, а активно участвовали в формировании правил, отборе источников, тестировании ответов и настройке ассистента.
3. Четкие границы ответственности ИИ
Система изначально проектировалась как инструмент для операторов, а не как самостоятельный консультант, дающий клиентам советы без фильтра. Это позволило сохранить контроль и минимизировать риски.
4. Постоянное развитие и доработка
Запуск ассистента не стал финальной точкой. Появляются новые продукты, обновляются нормы, меняются вопросы клиентов. Всё это требует регулярного пополнения и актуализации базы, а также настройки самой системы.
Дополнительные эффекты, о которых сперва не думали
Интересно, что проект дал и побочные, но полезные результаты:
- Ускорение обучения новых сотрудников
Раньше новичкам требовались месяцы, чтобы хотя бы поверхностно освоиться в ассортименте. Теперь у них с первого дня есть «под рукой» инструмент, который знает официальные формулировки, регламенты и типичные кейсы. Это снижает порог входа и сокращает период адаптации.
- Повышение качества внутренних документов
Стало видно, где документы написаны слишком сложно, где не хватает примеров, где инструкции противоречат друг другу. В процессе работы над ИИ-ассистентом компания фактически провела ревизию всей технической документации.
- Прозрачность знаний
То, что раньше зависело от «конкретного человека, который всё знает», стало распределенным ресурсом. Знания не пропадают при уходе сотрудника, а остаются в системе.
- Сбор статистики по вопросам
Ассистент фиксирует, что и как спрашивают клиенты. Это помогает:
— улучшать инструкции;
— видеть, какие продукты вызывают больше всего вопросов;
— заранее закрывать информационные пробелы с помощью обучающих материалов и улучшения описаний.
Чему может научить этот кейс другие компании
История внедрения нейросети в строительной компании показывает несколько универсальных выводов:
- Нейросети особенно эффективны там, где:
— огромный объем сложной, разрозненной информации;
— высокая цена ошибки;
— заметная нагрузка на узких специалистов.
- Важно не противопоставлять людей и ИИ, а выстраивать модель сотрудничества:
— технологию стоит использовать как усилитель экспертизы, а не как её замену;
— эксперты должны задавать рамки, а не уступать им место.
- Архитектуры вроде RAG оказываются практичнее полного дообучения моделей, когда знания часто обновляются и требуется жесткий контроль над источниками.
- Ключ к успеху — не только в выборе модели, но и в правильной постановке задачи:
— где ИИ может реально помочь;
— какие риски нужно закрыть;
— как встроить новый инструмент в реальный процесс работы людей.
В результате строительство не «кончилось» из-за нейросетей. Напротив, в отрасли, где все привыкли к бумажным регламентам и долгим согласованиям, появилась возможность делать сервис быстрее, точнее и понятнее — при этом опираясь на ту же самую инженерную школу, но в цифровом, масштабируемом формате.
