AI-агент для обработки заявок: как устроен и сколько экономит

AI-агент для обработки заявок — это программа на основе языковой модели, которая сама разбирает входящие обращения из почты, с сайта и из мессенджеров: понимает, что хочет клиент, извлекает контакты и детали, находит или создаёт карточку в CRM, назначает ответственного и готовит первый ответ. Человек подключается только там, где нужно решение: сложный запрос, крупная сделка, нестандартные условия. Экономия складывается из двух вещей — менеджеры перестают тратить время на ручной разбор и перенос данных, а клиент получает реакцию за минуты, а не к концу рабочего дня. Сколько именно это даёт в деньгах, зависит от потока заявок и стоимости часа сотрудников; ниже покажем, как это посчитать.

Чем AI-агент отличается от чат-бота и правил в CRM

Автоматизация заявок существовала и до нейросетей: формы с обязательными полями, правила маршрутизации, сценарные чат-боты. Они хорошо работают, пока заявка приходит в предсказуемом виде. Проблема в том, что реальные обращения редко бывают аккуратными.

Клиент пишет на общий адрес: «Добрый день, нужно примерно 40 штук как в прошлый раз, но с доставкой в Казань, и пришлите счёт на новое юрлицо, реквизиты во вложении». Правило в CRM не поймёт, что это повторный заказ, что нужно найти прошлую сделку, что реквизиты лежат в PDF и что юрлицо новое. Сценарный бот тоже не справится — у него нет такой ветки.

Языковая модель понимает текст в свободной форме. Агент отличается от простого «чата с нейросетью» тем, что не только понимает, но и действует: вызывает инструменты, проверяет результат и переходит к следующему шагу. Разница выглядит так:

Подход	Понимает свободный текст	Выполняет действия в системах	Справляется с нестандартными случаями
Правила и формы в CRM	Нет	Да, по жёсткой схеме	Нет
Сценарный чат-бот	Частично, по ключевым словам	Ограниченно	Нет
Чат с нейросетью	Да	Нет	Даёт совет, но ничего не делает
AI-агент	Да	Да, через инструменты	Да, а спорное передаёт человеку

Как устроен AI-агент для заявок

Типовой агент состоит из нескольких частей. Их можно собрать по-разному, но логика почти всегда одинакова.

Входящие каналы

Агент подключается к источникам заявок: почтовому ящику, формам на сайте, Telegram, виджету чата, иногда к телефонии через расшифровку звонков. Все обращения приводятся к единому виду: текст, вложения, контакт отправителя, канал.

Языковая модель

Модель отвечает за понимание: определяет тип обращения (новый заказ, повторный заказ, вопрос, претензия, спам), извлекает сущности — имя, компанию, ИНН, телефон, товары, количество, сроки — и решает, какие шаги нужны дальше. Для компаний, которые работают с персональными данными и не хотят отправлять их за рубеж, используют российские модели вроде GigaChat и YandexGPT или открытые модели, развёрнутые на своих серверах. Это помогает выполнить требования 152-ФЗ о локализации персональных данных.

Инструменты

Чтобы действовать, агенту нужен доступ к системам: поиск клиента в CRM, создание сделки и задачи, проверка остатков, расчёт стоимости по прайсу, отправка письма. Каждый инструмент — это строго описанная операция с параметрами и правами. Удобный стандарт для таких подключений — открытый протокол MCP; подробно о нём в статье «Что такое MCP-сервер и зачем он бизнесу».

Знания компании

Чтобы ответить клиенту по делу, агенту нужны условия доставки, прайс, регламенты, ответы на частые вопросы. Их подключают через подход RAG: агент находит нужный фрагмент документа и опирается на него, а не на общие знания модели. Как это устроено, мы разбирали в материале про корпоративную базу знаний с нейросетью.

Контроль и журнал

Каждое действие агента записывается: что пришло, как он его понял, какие инструменты вызвал и с какими параметрами. Это нужно и для разбора ошибок, и для доверия со стороны команды: всегда видно, почему заявка попала именно к этому менеджеру.

Как агент обрабатывает заявку: пошагово

Вот как выглядит путь одного обращения:

Приём. Письмо приходит на общий адрес. Агент забирает текст и вложения.
Классификация. Модель определяет: это повторный заказ от существующего клиента, срочность обычная.
Извлечение данных. Из текста — товар, количество, город доставки; из PDF во вложении — реквизиты нового юрлица.
Сверка с CRM. Агент ищет клиента по email и названию компании, находит прошлую сделку и позиции в ней.
Действия. Создаёт новую сделку с позициями из прошлого заказа, добавляет новое юрлицо, ставит задачу менеджеру «выставить счёт и подтвердить доставку».
Ответ клиенту. Готовит письмо: заявку получили, менеджер свяжется в течение часа, уточняет адрес доставки. В зависимости от настроек письмо уходит сразу или ждёт одобрения менеджера.
Передача человеку. Менеджер открывает CRM и видит готовую сделку с резюме обращения, а не сырое письмо.

Если на каком-то шаге агент не уверен — не смог найти клиента, видит противоречие в данных или запрос выходит за рамки его полномочий, — он не гадает, а передаёт заявку человеку с пометкой, что именно вызвало сомнение.

Где агенту нужен человек

Хорошо настроенный агент не пытается сделать всё сам. Человек остаётся в контуре в нескольких местах:

Деньги и обязательства. Скидки, нестандартные условия оплаты, сроки поставки — решение принимает менеджер, агент только готовит черновик.
Конфликтные обращения. Претензии и жалобы лучше сразу передавать человеку, агент может лишь собрать контекст.
Низкая уверенность. Если модель сомневается в классификации или данных, заявка уходит в ручную очередь.
Первые недели работы. На старте имеет смысл включить режим, при котором все ответы клиентам проходят одобрение. Когда команда убедится в качестве, часть типовых ответов можно отправлять автоматически.

Такой подход снижает риск ошибок и помогает команде привыкнуть к новому инструменту без ощущения, что «робот всё решает за нас».

Сколько экономит AI-агент: как посчитать

Мы не будем приводить «средние по рынку» проценты экономии — они мало что говорят о конкретной компании. Гораздо надёжнее посчитать эффект на собственных цифрах. Для этого понадобятся четыре величины:

Поток заявок — сколько обращений приходит в месяц по всем каналам.
Время на ручную обработку — сколько минут менеджер тратит на одну заявку до момента, когда начинается собственно продажа: прочитать, понять, найти клиента, завести сделку, ответить.
Стоимость часа сотрудника — зарплата с налогами, делённая на рабочие часы.
Доля, которую берёт агент — какую часть рутинной работы агент выполняет полностью или почти полностью. Её лучше оценивать по итогам пилота, а не заранее.

Экономия времени в месяц = поток заявок × минуты на заявку × доля агента ÷ 60. Умножив результат на стоимость часа, вы получите прямую экономию на фонде оплаты труда. Быстро прикинуть порядок цифр можно в калькуляторе экономии на главной странице.

Есть и эффекты, которые сложнее перевести в рубли, но которые часто важнее прямой экономии:

Скорость реакции. Клиент, которому ответили через несколько минут, с большей вероятностью дождётся предложения, чем тот, кто ждал до вечера.
Ни одна заявка не теряется. Обращения в выходные, ночью или в общем ящике, который никто не разбирает, обрабатываются так же, как днём.
Чистые данные в CRM. Агент заполняет поля одинаково и полно, что улучшает отчётность и аналитику воронки.
Масштабирование без найма. Рост потока заявок не требует пропорционального расширения команды на первичной обработке.

Типичные ошибки при запуске

Большинство проблем с AI-агентами связаны не с моделью, а с постановкой задачи и организацией процесса:

Автоматизировать всё сразу. Агент, которому с первого дня поручили все каналы и все типы обращений, сложно отладить. Ошибки в одном месте подрывают доверие ко всей системе.
Не определить критерии успеха. Без заранее согласованных метрик — доля обработанных без правок заявок, время до первого ответа, число потерянных обращений — невозможно понять, работает ли пилот.
Дать агенту слишком широкие права. Чем меньше действий доступно агенту, тем меньше риск. Права расширяют постепенно, по мере накопления опыта.
Забыть про команду. Менеджеры должны понимать, что делает агент и как исправить его ошибку. Иначе они начнут дублировать его работу вручную.

Как внедрить AI-агента для заявок

Внедрение удобно вести поэтапно, начиная с небольшого пилота.

Аудит процесса

Разбираем, откуда приходят заявки, как их обрабатывают сейчас, какие системы участвуют и где теряется время. На выходе — описание процесса и критерии успеха пилота.

Пилот на одном канале

Подключаем один канал, например общий почтовый ящик, и ограниченный набор действий: классификация, извлечение данных, создание сделки. Ответы клиентам на этом этапе идут через одобрение менеджера.

Оценка и доработка

По итогам нескольких недель смотрим, какую долю заявок агент обработал без исправлений, где ошибался и почему. Дорабатываем инструкции, инструменты и базу знаний.

Расширение

Подключаем остальные каналы, добавляем автоматические ответы на типовые вопросы, интеграцию со складом или расчётом стоимости. Каждое расширение — отдельный шаг с понятной проверкой.

Итог

AI-агент для обработки заявок берёт на себя рутину между «клиент написал» и «менеджер начал продавать»: понимает обращение в свободной форме, заносит данные в CRM, назначает ответственного и готовит ответ. Человек остаётся там, где нужны решения. Экономию лучше считать на своих цифрах и проверять пилотом, а не верить громким обещаниям сократить нагрузку в разы.

Если хотите оценить, как такой агент впишется в ваш процесс, посмотрите, как мы подходим к внедрению AI-агентов и автоматизации. Опишите, откуда и в каком объёме приходят заявки, в форме ниже — предложим сценарий пилота.