ИИ-ассистент ГК «А101»: на 80% сократили загрузку менеджеров одного из крупнейших застройщиков

О КОМПАНИИ

ГК «А101» – один из ключевых девелоперов России и лидер комплексного развития территорий. Земельный банк Группы – 2,4 тыс. га. В портфеле проектов – восемь жилых районов в Новой Москве, два в Ленинградской области, а также масштабные городские инициативы: бизнес-квартал и спортивно-событийный кластер в «Прокшино». Жилые комплексы Группы демонстрируют стабильно высокий уровень распроданности и уверенный спрос. Только в 2025 году ГК «А101» ввела в эксплуатацию более миллиона квадратных метров недвижимости: жилья, социальных и коммерческих объектов. По объему ввода жилья Группа входит в первую десятку федерального рейтинга девелоперов от Единого ресурса застройщиков (ЕРЗ).

ГК «А101» активно сотрудничает с брокерами, которые помогают покупателям подобрать недвижимость и заключить сделку. У компании есть масштабная партнерская программа, в которую входит обучение брокеров, база знаний со всей информацией по объектам, ценам, акциям и т.д., а также поддержка менеджеров в мессенджерах и по телефону.

Но разнообразие каналов общения и большое число однотипных запросов создавало высокую нагрузку на менеджеров техподдержки. Несмотря на то, что у компании есть подробная база знаний, брокерам проще позвонить менеджеру или написать свой вопрос в чате.

Поэтому ГК «А101» обратились к Oxem с задачей оптимизировать процесс взаимодействия с брокерами с помощью Telegram чат-бота.

ЗАДАЧИ ПРОЕКТА

Мы еще раз проанализировали запрос клиента и сформулировали наши задачи:

1. Снизить нагрузку на менеджеров: создать ИИ-ассистента на базе RAG, донасыщаем его контекст данными из базы знаний ГК «А101» и делегировать ему основной поток типовых запросов.

2. Перевести общение с брокерами в один канал — создать тикетную систему техподдержки в привычном интерфейсе Telegram-чата.

3. Разработать систему аналитики — организовать сбор данных о работе бота и настроить понятные дашборды для оценки нагрузки менеджеров, времени реакции, качества ответов.

Нам нужно было сделать для ГК «А101» удобное и простое решение, которое подчеркнет уровень технологичности компании, ее лидерство в сегменте, а также поддержит высокий уровень лояльности брокеров.

В результате мы разработали систему, которая полностью закрывает первую и вторую линии поддержки для брокеров.

✔️ Первая линия — тот самый ИИ-ассистент, который снимает с менеджеров основную нагрузку. Он работает на основе Retrieval-Augmented Generation (RAG) и донасыщен данными из базы знаний ГК «А101». С ИИ‑ботом можно общаться так же просто, как с человеком: задаешь вопросы и получаешь понятные, естественные ответы. ИИ-ассистент понимает вопросы брокера, ищет нужную информацию в базе знаний и формулирует подходящий ответ. Бот закрывает 80% обращений брокеров и находит правильные ответы с точностью 0,8 — это очень хороший показатель для RAG-систем такого класса.

Для тех, кто предпочитает искать информацию самостоятельно, мы реализовали в этом же боте кнопочное меню с удобной структурой и несколькими уровнями вложенности — здесь пользователь может сам найти нужные ему презентации, образцы документов, информацию об акциях и т.д.

✔️ Если брокер не нашел ответ на свой вопрос ни в меню, ни в диалоге с ИИ, он может позвать оператора и его запрос будет передан менеджерам, на вторую линию поддержки.

Для менеджеров мы разработали тикет-систему в Telegram с очередью входящих сообщений и контролем их выполнения, возможностью переадресации запросов коллегам.

✔️ Для того чтобы вся эта система работала, мы реализовали еще несколько инструментов:

• ИИ-конвертер данных для загрузки информации в RAG;

• Систему маскирования персональных данных;

• Механизм авторизации и интеграции с личным кабинетом брокера на сайте ГК «А101»;

• А также систему аналитики, которая помогает компании контролировать загрузку менеджеров и качество работы ИИ-ассистента.

Заказчик пришел к нам со своим описанием задачи: у него уже была предварительная схема работы кнопочного Telegram-бота и список действий, которые он должен выполнять.

Эту схему мы положили в основу меню чат-бота, а все остальное решение проектировали с нуля — продумали логику работы ИИ-ассистента и механизм эскалации запроса менеджерам, дополнительные инструменты для обучения и работы ИИ-ассистента, структуру чата для менеджеров поддержки и принципы работы тикет-системы.

Мы предложили следующую концепцию работы бота поддержки ГК «А101»:

1. Пользователь открывает бот поддержки (https://t.me/A101Broker_bot): ищет нужную информацию в меню или задает вопросы ИИ-ассистенту.

→ ИИ-ассистент ищет ответы на вопросы пользователя в базе знаний и при формировании нового ответа учитывает предыдущие сообщения в рамках текущего обращения.

→ ИИ-бот может прикреплять к ответам документы — не только те, на основе которых был сформирован ответ, но и материалы для дополнительного ознакомления, которые помогут пользователю глубже погрузиться в тему.

→  Пользователь может напрямую запросить у ИИ-ассистента конкретный документ или подборку документов, объединенных одной темой.

2. Если ответ найти не удается, ИИ эскалирует проблему выше. Также пользователь сам может позвать оператора в любой момент диалога.

3. Если брокер авторизовался при подключении к боту, вопрос переходит в техподдержку. Если нет — система попросит его указать номер телефона.

4. Обращение попадает не случайному менеджеру, а в отдел, с которым сотрудничает брокер, например, «Жилая недвижимость в Москве». Сообщение попадает в очередь, его берет первый освободившийся специалист.

5. Общение с менеджером поддержки происходит в отдельном Telegram-боте: менеджер — живой человек, и ему нужно время, чтобы подготовить ответ на вопрос. А брокер в это время может продолжить работать в чат-боте — в меню или с ИИ агентом.

Мы разработали архитектуру решения таким образом, что ее можно легко перенести в любой мессенджер с похожим функционалом.

До начала работы с проектом мы разработали прототип бота поддержки и показали его клиенту, чтобы объяснить наше предложение наглядно. После этого питча мы еще дважды обсуждали проект с руководством ГК «А101» и руководителями нескольких отделов. В результате получили хорошую обратную связь, предложение было принято и мы приступили к работе.

Команде ГК «А101» нужен был простой в администрировании бот. Для оптимизации сроков и затрат мы выбрали готовую платформу Salebot — функциональную и простую в управлении.

Меню бота — самый простой этап всего проекта, мы быстро настроили его, ориентируясь на схему, которую предоставил заказчик.

Перемещаясь по меню бота, брокеры могут получать информацию по конкретным объектам строительства, записи с обучений, образцы документов, презентации и фотографии, 3D-туры, контент для соцсетей и многое другое.

Закончив с меню, мы перешли к самой интересной части проекта — созданию ИИ-ассистента. Его также можно вызвать из меню бота, но по сути это отдельное решение.

Для ведения длительных диалогов мы разработали ​​ИИ чат-бот, который понимает контекст, запоминает предыдущие сообщения пользователей, поддерживает последовательную консультацию.

ИИ-ассистент отвечает на вопросы брокеров в чате первой линии поддержки. Он донасыщает контекст данными из базы знаний и формулирует ответы пользователям, опираясь на эти данные. Бот может отвечать тысячам пользователей одновременно.

Благодаря использованию современной LLM, ассистент общается как человек, пишет на естественном языке, персонализирует сообщения — поэтому пользователи часто не могут отличить его ответы от ответов живых сотрудников.

Система построена на принципе Retrieval-Augmented Generation (RAG). В качестве LLM-моделей используются самые актуальные версии публичных провайдеров.

За счет большого контекстного окна модель может «запомнить» много информации за один раз: это позволяет работать с длинными документами или вести долгую переписку с пользователем. Модель может подключаться к различным сервисам и инструментам, быстро ищет нужные факты в больших файлах или базах данных.

В основе RAG-системы может лежать любая модель, в том числе зарубежного производства — поэтому нам необходимо было соблюдать требования закона 152-ФЗ и Постановления №6 от 10.01.2023 о запрете трансграничной передаче ПДн. Поэтому мы дополнительно создали механизм маскирования чувствительных данных: он предотвращает передачу персональной информации за пределы защищенного контура.

Чтобы насытить систему информацией из базы знаний ГК «А101», нам нужно было структурировать данные из файлов разных форматов — презентаций, видео, документов со сложными таблицами, PDF-файлов, сохраненных как изображения. Без обработки загружать их в RAG было нельзя.

Поэтому мы создали собственный конвертер, который помог вытащить все данные из базы знаний и сохранить их в размеченных текстовых файлах.

За основу инструмента, который будет структурировать данные из базы знаний, взяли модель Dolphin от ByteDance и донастроили ее под задачи проекта. Эта нейросеть построена на архитектуре трансформеров и «понимает» структуру PDF-документов, слайдов, может выделять блоки, заголовки, параграфы текста, «читает» их в нужном порядке, видит границы таблиц, правильно извлекает из них данные.

Мы загрузили все данные в доработанную модель и буквально за пару дней получили готовый массив данных в текстовом формате, в разметке Markdown — данные, которыми мы затем донасыщали контекст нашего ИИ-агента.

Преобразования в Markdown документы проходят этапы чанкинга и векторизации — это и есть то самое «обучение» ИИ-ассистента. Модель «делит» информацию на небольшие фрагменты — «чанки». Это необходимо, так как LLM могут обрабатывать ограниченное количество информации за один раз.

Мы использовали иерархический чанкинг, чтобы модель сохраняла не только фрагменты текста, но его структуру, логику. Так, при поиске ответа ИИ сможет обратиться не просто к документу целиком, а найти и выдать пользователю конкретный фрагмент — главу, раздел, слайд.

После этого модель переводит полученные чанки в векторы, другими словами, в собственный, понятный ей формат хранения данных.

Для нашего проекта мы выбрали не классический RAG, а агентный — на базе парадигмы ReAct (Reasoning + Acting). 

Классический RAG работает линейно: запрос превращается в вектор, по нему в базе находятся похожие чанки, и всё это одним промптом уходит в LLM. Просто и быстро, но если с первого поиска нужный контекст не нашёлся — система этого не поймёт и ответит тем, что есть. 

Агентный RAG добавляет цикл самокоррекции: агент сначала «думает» — разбирает запрос и выбирает инструмент, затем «действует» — обращается к векторному поиску, внешним API и другим инструментам, и наконец «наблюдает» — оценивает, хватает ли собранного контекста. Если нет — цикл повторяется. Это дороже в вычислениях, увеличивает время на ответ пользователю, но позволяет отвечать на сложные, многошаговые вопросы, где одного прохода недостаточно и давать максимально достоверные ответы. 

Ниже показана схема сравнения двух подходов:

Обновление базы знаний — процесс не быстрый: команде ГК «А101» нужно время на то, чтобы создать новые документы или актуализировать имеющиеся, затем с помощью нашей утилиты их нужно перевести в понятный для ИИ-вид и загрузить в базу знаний ИИ-агента.

Мы предложили решение, которое поможет быстро обновлять данные и предоставлять брокерам актуальную информацию. Мы создали базу FAQ — часто задаваемых вопросов и быстрых, заранее подготовленных ответов на них.

По сути это простая таблица, размещенная в облаке. База FAQ автоматически синхронизируется с облачным диском ГК «А101», где администраторы могут регулярно обновлять данные.

ИИ-агент ищет ответ на вопросы пользователя по строгим правилам:

1. В первую очередь он ищет ответы в базе FAQ, используя до 3 попыток и пытаясь переформулировать или дополнить запрос. Он ищет вопросы, наиболее похожие на запрос пользователя, может комбинировать несколько ответов или выдавать только часть ответа.

2. Если в базе FAQ ответа не нашлось, ИИ-агент обращается к базе документов по фрагментам (чанкам), где также использует несколько попыток найти наиболее подходящие ответы.

3. При необходимости ИИ полностью читает документ, который содержит нужную информацию, и выдает ответ на его основе.

4. Если ИИ нашел в документе два подходящих ответа на вопрос, два способа решения задачи, он уточнить запрос у пользователя.

5. Если ответ так и не нашелся, вопрос эскалируется в техподдержку.

Модель не просто выдает ответ, но и предлагает материалы для дополнительного ознакомления, как показано на скриншотах ниже.

Для начала работы пользователь должен авторизоваться в чат-боте. Мы интегрировали авторизацию с личным кабинетом брокера на сайте застройщика, а также дали возможность пройти быструю регистрацию в самом боте. Чат-бот сам попросит пользователя указать номер телефона для авторизации — его можно ввести вручную или поделиться контактом.

После быстрой регистрации можно работать с плиточным меню и задавать вопросы ИИ-ассистенту. Но для передачи запроса менеджерам необходимо иметь личный кабинет брокера и авторизоваться в боте с данными из ЛК.

Уникальность клиентов — очень важное для брокера понятие. Каждого клиента, которого приводит брокер, застройщик проверяет на уникальность: не обращался ли клиент ранее напрямую в компанию, не приобретал ли ранее недвижимость без посредников и не считается ли уникальным для другого брокера.

Если клиент действительно новый — уникальный — брокер должен заключить сделку с ним в течение определенного времени. Срок уникальности у каждого застройщика свой — от двух недель до трех месяцев. Если сделка заключена в срок, брокер получает агентское вознаграждение.

Интеграция ИИ-ассистента с Личным кабинетом брокера на сайте ГК «А101» позволила нам реализовать напоминания брокерам. Теперь за три дня до окончания уникальности клиентов брокеру приходят напоминания в ИИ чат-боте.

Есть вопросы, на которые ИИ-ассистент не может ответить. Например, «До какого числа действует бронь по клиенту?». Информация о закреплении клиентов за брокерами есть только у менеджеров, найти ее в чат-боте поддержки не получится. В этом случае брокер может написать в чате «переключи на оператора» или похожую фразу и запрос сразу же будет передан в отдел поддержки — ИИ-агент не будет предлагать попробовать еще поискать информацию, переформулировать запрос и т.д. В чате с ИИ-ассистентом появится кнопка для перехода в бот поддержки — в чат с менеджером.

В отличие от ИИ-агента, менеджеру нужно больше времени на подготовку ответа. Обращения попадают в очередь: сообщение брокера уходит не конкретному менеджеру, а в тот отдел, с которым он работает, например, «Жилая недвижимость в Москве». Первый освободившийся менеджер берет сообщение из очереди, возможно ему понадобится время на поиск информации и подготовку ответа.

Под капотом это выглядит следующим образом. Запросы, вместе с краткой историей взаимодействия брокера с ИИ-ботом, передаются в Telegram-чат для менеджеров. Он организован в формате форум-чата, с многочисленными темами.

Все новые сообщения попадают в топик General, именно оттуда менеджеры берут их в работу — для этого у каждого сообщения есть кнопка меню «Взять в работу». Если для ответа требуются компетенции менеджера из другого отдела, сообщение можно переадресовать соответствующей кнопкой.

Фактически мы реализовали тикет-систему на базе Telegram-чата. Каждая тема в чате — отдельный тикет. Когда менеджер берет обращение в работу, он получает не только текст запроса, но еще и превью диалога с ИИ. Далее автоматически создается чат с конкретным брокером, а при окончании общения, когда вопрос решен — чат закрывается. Если обращение долго не берется в работу, менеджеру поступает напоминание.

Коллегам из ГК «А101» очень важно было оценивать эффективность новой системы поддержки в нескольких аспектах. Прежде всего, отслеживать работу ИИ-ассистента — насколько он снимает нагрузку с менеджеров, время его реакции, качество ответов. Затем важно было анализировать работу менеджеров — сколько времени уходит на поиск ответа, сколько итераций в среднем в диалоге с брокером, сколько длится общение.

И, наконец, нужна была сводная аналитика с контролем ключевых бизнес-метрик в реальном времени, таких как: динамика обращений по периодам (для всей поддержки, менеджеров, отделов), а также доля открытых, закрытых, отмененных и активных заявок.

Для этого мы создали систему, которая фиксирует все ключевые события и действия для последующего анализа, например:

• индекс удовлетворенности клиентов по обращениям;

• историю рассуждений ИИ-агента;

• объём потреблённых токенов (для контроля затрат);

• полную историю изменения статусов обращений;

• системные логи (ошибки и служебные действия).

Собранные данные используются для улучшения RAG-пайплайна и повышения эффективности работы менеджеров.

Теперь администраторы и руководители отделов могут в реальном времени мониторить работу отдела поддержки — для них мы создали общий чат, в который поступают все уведомления о действиях менеджеров: кто взял в работу обращение, кто вернул обращение в очередь или передал его в другой отдел. Также администраторам видны действия пользователей, например, отмена обращения. Это позволяет оперативно реагировать на возникающие ситуации, решать спорные моменты. Часть уведомлений дублируется для менеджеров, связанных с обращением или соответствующей группой (отделом), чтобы все участники процесса были в курсе.

Для оценки работы менеджеров мы реализовали дашборд операционного контроля.

Он позволяет администраторам в реальном времени контролировать качество диалогов и точки эскалации, отслеживать обращения в системе: просматривать конкретные диалоги, анализировать статистику по времени ответа, открывать технические и системные логи.

Руководитель может зайти в конкретные диалоги, посмотреть ретроспективу ответов, сравнить, как менеджеры отвечали раньше и как сейчас.

На этом дашборде видны статусы изменения сообщений, причины по которым запрос эскалировался менеджеру и т.д. В статистике по сообщению можно посчитать количество итераций и время на обработку обращений, среднее время ответа и ожидания.

Бизнес-метрики мы вынесли на второй дашборд, построенный с помощью Yandex DataLens. Здесь руководители могут быстро оценивать общую динамику, эффективность работы менеджеров и отделов, видеть картину по нагрузке, скорости обработки запросов.

Вся информация представлена в виде наглядных интерактивных графиков, которые можно легко фильтровать по периодам и различным параметрам.

С новым решением мы добились следующих результатов:

✔️ 80% обращений в техподдержку ГК «А101» закрывает ИИ-ассистент. Менеджеры поддержки могут уделять больше времени сложным запросам от брокеров и отвечать на них быстрее, чем раньше. Мы добились высокой точности — ИИ чат-бот отвечает правильно в 80% случаев.

✔️ Объединили общение с брокерами в одном канале — создали полноценную тикет-систему на базе чата в Telegram, с Uber-очередью сообщений, статусами, переадресацией запросов и их повторным открытием.

✔️ Создали систему мониторинга и аналитики: администраторы системы могут в реальном времени наблюдать за обработкой запросов, оценивать качество работы ИИ-ассистента, наблюдать изменение показателей эффективности всего отдела и каждого менеджера.

✔️ Создали архитектуру бота, которая позволяет без значительной переработки мигрировать в другие мессенджеры с аналогичными возможностями, что особенно актуально в периоды нестабильной работы Telegram.

Мы разработали для ГК «А101» не просто чат-бота с ИИ, который отвечает на типовые запросы. Это решение полностью автоматизирует процесс технической поддержки, тем самым ускоряет процесс заключения сделок с недвижимостью и повышает лояльность брокеров.

Для консервативного рынка недвижимости автоматизация службы поддержки с использованием ИИ — новый подход, компания ГК «А101» внедряет его одной из первых, подчеркивая этим позицию технологического лидера в сегменте, завоевывая лояльность брокеров и клиентов.