SaaS-платформа для автоматизации складского учёта захлебывалась в тикетах: двенадцать операторов не успевали в пик после релизов. Lumen.studio собрал агента на YandexGPT с RAG по 240 статьям базы знаний — 71% тикетов закрывается без человека при росте CSAT.
Проект под NDA: название компании, домен и персональные данные не разглашаем. Описание обезличено.
Продукт — B2B SaaS для среднего ритейла и опта: интеграции с 1С, маркетплейсами, EDI. Клиентская база ~800 активных компаний, средний чек подписки — mid-market. Поддержка работала в Help Scout: email, in-app chat, Telegram для VIP-сегмента.
После каждого major-релиза (раз в 6–8 недель) очередь тикетов взлетала в 3–4 раза на 5–7 дней. Операторы тратили 60% времени на вопросы, уже описанные в базе знаний: «как выгрузить остатки», «почему не сходится накладная», «как добавить пользователя». Найм не масштабировался — маржа SaaS не позволяла удвоить штат L1.
CTO искал решение с контролируемыми галлюцинациями: неправильный совет по интеграции с 1С стоил клиенту часов простоя и репутации вендора. Lumen.studio предложил ответы только из RAG со ссылками на статьи базы знаний и автоматическим созданием тикета при низкой уверенности модели.
За 90 дней до проекта проанализировали 4 100 закрытых тикетов (теги и тексты, без PII). 68% попадали в 40 тематических кластеров. Топ-5: права доступа, синхронизация остатков, печать документов, тарифные лимиты, восстановление пароля — всё уже было в базы знаний, но клиенты не находили статьи через поиск. Среднее время первого ответа в пик — 4,7 часа при SLA 2 часа для paid-планов. NPS поддержки просел с 42 до 31 за полгода — главная жалоба в опросах: «ответили ссылкой на документацию, которую я уже читал».
Индексировали 240 статей Help Scout и 30 внутренних runbook для операторов (runbook в ответах клиенту не цитируем). Размер чанка — 800 токенов, перекрытие — 120. Embeddings через Yandex Embeddings API, хранение в pgvector рядом с prod-метаданными — отдельная schema, без смешения с клиентскими данными. Промпт: ответ только из retrieved chunks; обязательная ссылка на slug статьи; если вопрос про баг — немедленная эскалация с категорией «possible incident». Запрещены советы по прямому SQL к prod-базе клиента. A/B на 10% трафика чата: группа с агентом получила CSAT 4,6 против 4,2 у чистых операторов — редкий случай, когда автоматизация не только снижает затраты, но и улучшает опыт.
Виджет в приложении → webhook → FastAPI → RAG → ответ в тред. Если пользователь пишет «оператор» или агент три раза подряд не может помочь — auto-assign по round-robin с сохранением полного контекста диалога. Оператор видит, какие статьи уже предлагались — и не дублирует советы. Для VIP-Telegram — тот же backend, другой skin сообщений и приоритетная очередь эскалации (< 15 мин).
Grafana-дашборд: доля автозакрытия, доля эскалаций, средний confidence, топ кластеров без ответа. Раз в неделю контент-менеджер SaaS получает отчёт «10 вопросов без хорошей статьи» — материал для дополнения базы знаний. Раз в месяц — выборочный аудит 50 диалогов senior-оператором; расхождения идут в донастройку промпта, не в дообучение модели (дешевле и прозрачнее).
71% тикетов L1 закрываются без участия человека; среднее время первого ответа — 38 секунд. CSAT вырос на 0,4 пункта; отток в сегменте «обращались в поддержку» снизился на 1,2 п.п. — корреляция, не доказанная причинность, но product-owner доволен. Окупаемость проекта — 4 месяца при сохранении текущего штата L1: команда перераспределена на L2 и onboarding новых клиентов.
L1, без учёта явных эскалаций
По 5-балльной шкале in-app опроса
Медиана по chat после rollout
Экономия FTE vs стоимость проекта и API
Не будем натягивать этот кейс на вашу ситуацию. Сначала посмотрим на процесс и данные, которые есть именно у вас.