Доклад на конференции TeamLead Today 10 сентября 2026 года. Рассказываю, как мы в «Мире Квестов» внедрили ИИ-агентов в контакт-центр: как устроены агенты, как они каждую ночь улучшают собственную базу знаний и как договариваться со смежными командами, когда внедряешь ИИ в бизнес.
Текст выступления со слайдами
Меня зовут Илья Пухов, я руковожу отделом аналитики в компании «Мир Квестов». Сегодня я расскажу, как мы внедрили ИИ-агентов в контакт-центр.
В докладе две темы. Первая — архитектура агентов. Об агентах сейчас говорят все, но мало кто объясняет, как их делать, поэтому я расскажу об устройстве нашей системы подробно. Рассказ об архитектуре будет полезен тем, кто собирается внедрять агентов сам или хочет понимать, из каких задач складывается такой проект. Вторая тема — работа со стейкхолдерами, то есть с людьми и командами, на которых влияет проект. Большое внедрение затрагивает все отделы компании, юристов и руководителей. Чтобы проект состоялся, с каждым из них нужно согласовать решение: ответить на возражения, снять опасения и заручиться поддержкой. Для тимлида это не менее важная часть работы, чем код.
Коротко о себе. Я работаю в IT около двадцати лет: был продакт-менеджером в Авито, где отвечал за авторизацию, затем в «Детском мире», основал сайт, который работает до сих пор, уже десять лет. Сейчас я продуктовый аналитик и дата-сайентист в «Мире Квестов». «Мир Квестов» — агрегатор квестов, то есть сайт, на котором собраны квесты разных организаторов. Компания работает десять лет, и в нише квестов это крупнейший агрегатор.
Отдельно благодарю фонд «Сколково» за поддержку инновационных проектов и научных разработок в нашей компании. Мы гордимся статусом резидента и советуем подать заявку всем, у кого есть такая возможность.
Каким получился чат-бот
Начну с того, как бот выглядит для клиента. В 2026 году правильно сделанный бот отвечает как человек. Он держит тему разговора и не отвлекается на посторонние вопросы. Он учитывает специфику нашей ниши: знает, как отвечать на вопросы о бронировании или о переносе сертификата. Он соблюдает законы и правила площадки. Он не выдумывает факты: цену, время сеанса и адрес он берёт из базы данных, а мы отслеживаем его ошибки.
Пока модель готовит ответ, бот не оставляет клиента без внимания. Он сразу пишет, что понял вопрос, а затем показывает статусы вроде «подбираю варианты». В одном из сценариев клиенту, который ждёт ответа, бот предлагает мини-игру. Если вопрос требует участия человека, бот зовёт оператора.
Контакт-центр — это окно чата внизу сайта, куда пишут клиенты. Для нас это важная часть бизнеса. Клиенты получают там ответы на вопросы и рекомендации, часть из них бронирует квест. Выручка от этих бронирований больше расходов на контакт-центр, то есть контакт-центр приносит компании деньги, а не только тратит их. Поэтому улучшать и автоматизировать его имеет смысл.
При этом мы не ставили цель сократить операторов и заменить их ботом. Экономить на операторах ценой потерянных клиентов нам невыгодно. Цель была другой: чтобы те же операторы без расширения штата обрабатывали больше обращений и оформляли больше бронирований.
Здесь есть неочевидная деталь. Клиент может написать нам в мессенджер, например в MAX или во ВКонтакте, а может прямо на сайте, в виджете чата. Ожидание ответа в этих двух каналах переносится по-разному. Мессенджером человек пользуется весь день, открывает его десятки раз и переписывается там с другими людьми. Наш диалог всё время у него перед глазами, поэтому ответ через пять минут его не смущает: он сам вернётся в переписку.
На сайте всё иначе. Человек открывает виджет, пишет вопрос, не получает ответа сразу, закрывает вкладку и забывает о нас. Если не ответить мгновенно, разговор потерян, и вернуть клиента уже нечем. Именно в виджете быстрый и при этом хороший ответ даёт наибольшую пользу.
На этом слайде число обращений в контакт-центр за 2026 год по кварталам. Данные за четвёртый квартал — прогноз, потому что квартал ещё не закончился. В первом квартале было 55 тысяч обращений, во втором — 25 тысяч. Обращений стало меньше, потому что замедлилась работа Телеграма и WhatsApp. Меньше диалогов означает меньше бронирований, поэтому нам нужно было найти новый источник обращений.
Разработка заняла больше времени, чем мы планировали. В третьем квартале Квестоша прошёл все тесты и проверки безопасности, мы запустили его и начали нагрузочное тестирование. В третьем квартале операторы обработали 20 тысяч обращений, Квестоша — около тысячи. По прогнозу на четвёртый квартал операторы обработают 20 тысяч обращений, а Квестоша ещё 10 тысяч, то есть около четверти сообщений будут обработаны без оператора. Диалогов стало больше, потому что посетители сайта получают ответ сразу и продолжают разговор. Среднее время до ответа сократилось с пяти до полутора минут, очереди исчезли. Если бот передаёт разговор оператору, он прикладывает краткое изложение диалога и историю прошлых обращений клиента: бронирования и вопросы. Оператору не нужно расспрашивать клиента заново.
Работа со стейкхолдерами
Чтобы внедрить большой проект, приходится разговаривать со многими людьми. Проект затрагивает не только руководство, которое поставило цель, но и юристов, контакт-центр, отдел работы с клиентами, отдел работы с партнёрами и маркетинг. У каждой команды свои задачи и свои ключевые показатели. Например, директору по маркетингу важны конверсия и возвращаемость клиентов, и он спросит, поможет ИИ-помощник этим показателям или навредит. Поэтому руководителю проекта нужно заранее составить список стейкхолдеров, поговорить с каждым и выяснить, какие у него цели и опасения.
Один из способов упорядочить этот список — матрица стейкхолдеров. По вертикали откладывается влияние человека на проект, по горизонтали — его заинтересованность в проекте. Матрица помогает расставить приоритеты, когда цели участников противоречат друг другу. В нынешнем проекте таких противоречий не было, но на прошлых местах работы матрица мне помогала.
Вот группы, которые были в нашем проекте:
- Руководители компании. Их интересуют сроки, окупаемость и соблюдение законов РФ и правил площадки в общении с клиентами.
- Руководитель и операторы контакт-центра. Для нас они главные тестировщики. Операторы вычитывали правила, по которым работает бот, разговаривали с ним по сценариям и говорили, что получилось хорошо, а что нужно исправить.
- Маркетинг и отдел работы с клиентами. От скорости и качества ответа зависит, сколько клиентов забронирует квест и сколько вернётся. С этими командами мы обсуждали ключевые показатели и проверяли тексты бота: понятны ли они людям, помогают ли продавать, соответствуют ли тону, которым компания общается с клиентами.
- Техлиды. Их волнует техническая интеграция бота с контакт-центром и базой сайта: соглашения об уровне сервиса, протоколы обмена данными, безопасность.
- Партнёры — владельцы квестов. Это стейкхолдеры за пределами компании. Агрегатор сводит организаторов квестов и игроков так же, как Wildberries сводит продавцов и покупателей. Работа нашей системы влияет на партнёров, поэтому им нужно как минимум сообщить о новом способе общения с клиентами, а лучше собрать их отзывы и учесть их.
Другой способ систематизировать ту же работу — таблица ожиданий. В ней для каждой команды записано, что ей важно и о чём с ней договорились. Подробно разбирать таблицу я не буду, а расскажу, как вести эту работу на практике.
Начинать её лучше заранее. На слайде пример письма руководителю контакт-центра: в следующем квартале мы собираемся внедрять умного помощника, давай созвонимся, презентация во вложении, позови со своей стороны тех, кого считаешь нужным. Такое письмо стоит написать каждому стейкхолдеру и встретиться с ним до общих совещаний. На общей встрече хорошо, когда люди слышат о проекте не впервые: вы уже заручились их поддержкой, узнали их опасения и успели на них ответить.
Как устроен Квестоша
Теперь о технической части.
Сначала о клиентских сценариях. Квестоша умеет почти всё, что делает оператор. Он подбирает квест по возрасту, району, времени, формату и тематике: на запрос «фэнтези для четверых завтра вечером на Бауманской» он сразу предложит три варианта. Он отвечает на вопросы о квесте: адрес, длительность, сложность, есть ли парковка, как позвонить организатору. Он помогает с бронированием и переносом. Он считает стоимость: цена квеста часто зависит от числа игроков и считается по разным формулам, клиенты в них путаются, а бот спрашивает, сколько будет человек и какого они возраста, и называет сумму. Он учитывает особые пожелания: квест на английском языке, квест на день рождения, квест с комнатой для праздника или рядом с кафе, куда компания пойдёт после игры.
Если бот не может решить вопрос сам, например при жалобе или споре на локации, он передаёт разговор оператору. Каждый сценарий мы прогоняем через тесты, в которых записано, что должно быть в ответе и что считать ошибкой. Кроме того, бот каждую ночь дообучается, об этом ниже.
Подумайте, что обычно нужно, чтобы написать техническое задание на такую систему. Бизнес-аналитики месяца два берут интервью у тех же стейкхолдеров, читают документацию и переписки с клиентами. В итоге получается техническое задание, которое новый сотрудник будет читать весь испытательный срок.
Мы поступили иначе: техническое задание составили сами ИИ-агенты. Мы заранее отобрали 7,5 миллиона диалогов настоящих операторов с настоящими клиентами за пять лет и удалили из них персональные данные, потому что такие данные нельзя передавать за пределы компании, а хранить их можно только на серверах в России. Агенты на передовых моделях прочитали эти диалоги и описали по заданной структуре скрипты общения, правила, лучшие практики и основные сущности. Структура называется LLM-вики: это набор связанных ссылками документов с общим оглавлением. Так получилась первая версия правил, на которую мы потом добавили остальную логику. Результат оказался неожиданно хорошим: людям осталось поправить немногое. К правилам, найденным в диалогах, мы добавили правила работы компании: юридические и отраслевые ограничения.
На слайде база знаний Квестоши в виде графа. Те, кто пользуется Obsidian, узнают этот способ хранения заметок. Каждая точка — документ в формате Markdown, линии — ссылки между документами. В центре оглавление, которое ссылается на каждый документ. В документах описаны сущности (клиент, квест, сертификат, бронирование) и правила работы с ними: как мы работаем, каким тоном говорим с клиентами и что делать в каждой ситуации. В нашей нише есть особые правила. Например, на квестах с актёрами запрещён физический контакт с несовершеннолетними. Есть и другие запреты, которые действуют на площадке. Все правила безопасности записаны в этих документах. Вся база — это текстовые файлы общим объёмом в несколько мегабайт.
Когда нейросеть получает вопрос, она сначала читает оглавление и выбирает документы, которые могут содержать ответ. Затем она читает их краткие содержания, отбрасывает неподходящие и берёт за основу оставшиеся, например два. В документах написано, что делать: допустим, в этом случае нужно посмотреть время работы квеста. Нейросеть запрашивает время работы через MCP, то есть через стандартный интерфейс доступа к нашей базе данных, получает настоящее значение, составляет ответ и отправляет его клиенту. Так ответ опирается на наши процессы и нашу специфику, а не на общие рассуждения, которые выдаст любая нейросеть.
Архитектура выглядит так. Есть сервер Квестоши, сервер контакт-центра и сервер сайта. Клиент пишет в виджет на сайте или в мессенджер. Прежде чем запрос попадёт в модель, из него убираются персональные данные. Затем модель вместе с вики Квестоши разбирает запрос. Если боту нужны данные сайта, он берёт их через MCP из базы сайта, если нужна история прошлых переписок клиента — из контакт-центра. Дальше бот либо отвечает клиенту, либо решает, что разговор пора передать человеку, и тогда оператор продолжает общение через свой интерфейс.
Цикл дообучения
Сначала о том, что обычно называют дообучением. Нейросети, с которыми вы общаетесь в чатах, построены по архитектуре GPT — генеративный предобученный трансформер. Они состоят из слоёв: блоков внимания и сетей прямого распространения. Каждый слой — это набор весов, то есть чисел, от которых зависит, что сгенерирует модель. Для дата-сайентистов дообучение обычно означает изменение весов в нескольких верхних слоях, чтобы модель отвечала иначе. Изменение весов — сложный путь. Его могут себе позволить лаборатории с бюджетами в миллионы долларов, а у небольшой команды велик риск сломать модель.
Мы веса не трогаем. Для нас модель — это поставщик, которого мы подключаем по API: от Сбера, Т-Банка, Яндекса или любого другого. Модели взаимозаменяемы, но каждая работает с нашим хранилищем знаний и по нашим правилам. Дописываем и улучшаем мы именно хранилище.
Днём с клиентами разговаривает быстрая и сравнительно простая модель. В три часа ночи запускается продвинутая модель, у которой в запасе вся ночь и доступ к большему объёму данных. Процесс состоит из пяти шагов.
- Диалоги за день. Продвинутая модель получает вопросы клиентов за день вместе с оценками ответов, до трёхсот сообщений за ночь. Оценки ставит она сама, а клиенты могут поставить ответу отметку «нравится» или «не нравится». Сначала разбираются плохие диалоги.
- Ночной разбор. Модель читает диалоги и оглавление вики и оценивает каждый ответ по стобалльной шкале. Если ответ плохой, она не переписывает его, а дописывает в вики новое правило, чтобы быстрая модель впредь отвечала на такой вопрос правильно. Наблюдения она записывает в журнал и добавляет новые экзаменационные случаи.
- Пробелы в знаниях. Если на вопрос в вики нет ответа, модель ищет ответ в интернете. В вики попадают только подтверждённые факты, а на странице указывается перечень источников.
- Экзамен быстрой модели. Когда новые правила записаны, модель запускает быстрых агентов, и те заново отвечают на те же вопросы с тем же промптом, что работает в боевой системе. Судья оценивает ответы от нуля до ста. Порог — семьдесят баллов, а ответ с выдуманным фактом получает не выше двадцати. Цикл повторяется, пока ответы не наберут порог или пока не закончится лимит попыток.
- Дистилляция. Лучшие ответы продвинутой модели записываются на страницу примеров. Примеры попадают в промпт быстрой модели, их не больше двенадцати.
После этого модель перечитывает вики целиком. Новые данные могут противоречить старым: в одном месте написано, что квест можно проходить с четырнадцати лет, а в другом — что нельзя. Модель находит такие противоречия и устраняет их. Если в вики не хватает сведений, она их находит. Если какая-то тема встречается много раз, модель заводит для неё отдельную страницу.
Актуальное техническое задание на весь проект нужно любой большой системе, но поддерживать его вручную никто не успевает: никто не станет постоянно перечитывать и обновлять сотни страниц. Нейросеть может делать это каждую ночь. Когда к утру новая версия вики готова, модель не вносит изменения сама, а создаёт pull request — запрос на изменения с коротким отчётом о том, что она обработала и что поменяла. Утром человек просматривает отчёт. Чаще всего проблем нет, потому что модель обучается быстро. Человек одобряет изменения, они уходят в боевую систему, и на следующий день бот работает с обновлённой вики. Каждое изменение записано в журнал, поэтому его можно прочитать и откатить.
Какую модель выбрать
Мы проверили много поставщиков моделей. На слайде некоторые российские и китайские модели, которые мы запускали в том числе локально. У нас есть сервер с видеокартой Tesla A100 и 95 гигабайтами видеопамяти. На нём одновременно работают две модели, можно запустить и четыре, но тогда возникают проблемы. Модель можно держать на своём сервере, можно арендовать такой сервер примерно за 300 тысяч рублей в месяц, а можно подключить модель через облако Яндекса или GigaChat от Сбера.
Все модели мы проверяли в одинаковых условиях: 25 реальных случаев, из них 12 обязательных проверок на безопасность и на опору только на наши данные, один и тот же судья, промпт и инструменты. В таблице для каждой модели указаны число пройденных проверок, время ответа и средняя стоимость одного диалога в рублях. Модель допускается в боевую систему, только если проходит почти все 12 проверок, потому что ошибка в вопросе о возрасте игроков или о допустимости физического контакта — это происшествие, а не мелкое неудобство.
У времени ответа есть оговорка: разные вопросы требуют разного времени. На простой вопрос вроде «что делать, если я опаздываю» бот отвечает за четыре секунды. Вопрос, для которого нужно искать и сравнивать, например «какие сейчас хорошие квесты по Гарри Поттеру в нашем городе», может занять 20–30 секунд. Для таких запросов у нас есть дружелюбный режим: в первые шесть секунд бот пишет, что понял вопрос и ищет квесты по Гарри Поттеру, затем показывает статусы вроде «собираю данные» и «готовлю ответ», а потом выводит ответ. Мы также экспериментируем с потоковым выводом, чтобы текст появлялся на экране по мере генерации, как в привычных чатах. Если ваша боевая система такое поддерживает, это стоит сделать. Пока клиент ждёт оператора, в некоторых сценариях ему можно предложить мини-игру: например, игру с динозавриком или игру, где нужно кликать по привидению.
На слайде показаны не все модели, которые мы проверяли. Если у вас есть вопросы по конкретной модели или по архитектуре, задавайте.
Пять уроков для тимлида
- Составьте карту стейкхолдеров с их ожиданиями и опасениями. Когда заинтересованных людей много, полезно записать, кто они, чего хочет каждый и о чём с кем договорились. Такие записи помогают управлять ожиданиями большого числа людей.
- Юристы и служба безопасности не мешают проекту, а дают вам тест-кейсы. Представьте, что вы делаете ИИ-проект для общения с клиентами и узнаёте, что персональные данные никуда нельзя отправлять. Разработчику хочется возмутиться, что юристы мешают работать. Правильнее записать их требования в тест-кейсы: юристы уже придумали для вас одну из итоговых проверок. Такие системы ценны тогда, когда работают с учётом специфики вашего бизнеса. Если в вашем бизнесе нельзя отправлять персональные данные и вы нашли способ с этим работать, ваше решение лучше того, что школьник напишет за вечер с помощью нейросети. Самые сложные требования часто оказываются самыми интересными задачами. В нашем случае мы сделали слой маскирования: прежде чем сообщение уйдёт в модель, персональные данные удаляются из него локально, а когда приходит ответ, на место меток возвращаются исходные данные. Маскирование не так просто, как кажется, потому что имя вроде «Гарри» может оказаться частью названия квеста, но и эта задача решаема.
- Покажите операторам, что агент упрощает их работу, а не забирает её. Когда вы что-то автоматизируете, часть сотрудников тревожится, что их заменят. Им нужно пойти навстречу: например, попросить руководителей провести стратегическую сессию и объяснить, зачем делается проект. Задача — обрабатывать больше обращений, а не сокращать людей, и эффективность растёт за счёт этого.
- Прогноз всегда подписывайте словом «прогноз». Со стейкхолдерами хорошо договориться о конкретной метрике, например о конверсии в бронирование. Обещание «конверсия вырастет на 5 процентных пунктов» ничем не обосновано. Лучше назвать диапазон: «конверсия вырастет на 0–10 процентных пунктов». Кто-то спросит, зачем делать проект, если рост может оказаться нулевым. Ответ такой: число обращений вырастет, и если обрабатывать больше обращений с тем же качеством, выручка вырастет даже при неизменной конверсии. Поэтому вместо точных обещаний лучше называть диапазоны.
- Отчёт, понятный не программисту, снимает половину вопросов. Если вам трудно писать такие отчёты, попросите нейросеть составить понятный план: что вы собираетесь делать и как это будет работать, примерно как в этой презентации. Такие выступления полезно проводить не только на конференциях, но и внутри компании: напишите письмо, пригласите коллег и расскажите им то же самое. Те, кто работал в больших корпорациях, знают, что для менеджеров это обычная часть работы: несколько дней подряд рассказывать разным командам о своём проекте.
Команда проекта
Спасибо руководителям компании и сотрудникам смежных отделов за участие и поддержку. Код и модели писала наша команда: аналитик данных Андрей Кириллов, техлид разработки Сергей Коваленко и я. В команду проекта мы добавили и самого Квестошу, умного помощника нашего контакт-центра: он тоже приложил руку к работе.
