Кейс
AI-ассистент
Как TEXT.RU разгрузил поддержку и ускорил ответы пользователям
Автор: Арина СкокДата: 20 сентября 2025
Проблема
Поток однотипных вопросов о функциональности, тарифах и технических неполадках перегружал службу поддержки. Команда рисковала выгореть, а клиенты — уходить из‑за долгого ожидания ответов.
Результаты
67%
обращений, которые бот закрывает без привлечения специалистов поддержки
3,7 сек
среднее время ответа на вопрос пользователя
до 124 ч
экономия времени аккаунт‑менеджеров ежемесячно
до 1,5 млн
экономия бюджета службы поддержки ежегодно
Как работает решение на платформе Wikilect
Понимание запроса
Агент определяет, о чем спрашивает клиент: проверка уникальности, ИИ-помощники или любой другой вопрос
Умная передача менеджеру
Сложные вопросы отправляет менеджеру вместе с кратким резюме
Быстрый ответ
Агент находит нужную информацию в базе знаний и отвечает со ссылками за считанные секунды
Полный контроль
Все диалоги записываются, базу знаний можно обновлять на ходу
Пошаговый план внедрения за 14 дней
1
Аудит диалогов
Изучили 100-200 обращений, нашли самые частые вопросы и пробелы в базе знаний
2
Чистка базы знаний
Убрали устаревшую информацию и добавили недостающую
3
Настройка категорий
Определили 12 основных тем + правила передачи сложных случаев
4
Интеграция с Wikilect
Подключили платформу по API
5
Мягкий старт
Запустили на 20-30% входящих запросов
6
Анализ и доработка
С помощью специалистов Wikilect исправили найденные проблемы и масштабировали на весь поток запросов
Результаты Август 2025
67%
Точные и молниеносные
Автоматические ответы
5%
Передано операторам
Только действительно сложные
13%
Найдены пробелы в базе знаний
Уже исправили
15%
Выявлен спам
Система справилась сама
Экономический эффект
На пилотной выборке сэкономили 6.2 часа (62 диалога × 6 минут каждый). А теперь посчитаем масштаб:
Выводы
Мы пришли за услугой, а получили полноценного партнера. Команда Wikilect не побоялась приступить к решению нетривиальных задач, сработала быстро и слаженно, учитывая все пожелания как на этапе внедрения бота, так и за всё время взаимодействия с нами.
Камышников Никита
Генеральный директор ООО “Текст Медиа”
Дело не только в сэкономленных часах. Мы получили ценные данные для улучшения всего сервиса.
Даниленко Елена
Руководитель клиентского сервиса ООО “Текст Медиа”
Хотите похожий результат?
Покажем демо, оценим вашу задачу и предложим план реализации для внедрения AI в ваши бизнес-процессы
Смотрите также
Выберите смежное решение Wikilect, чтобы сравнить сценарии внедрения и подобрать подходящий формат AI-автоматизации.
AI для службы поддержки
Посмотрите, как использовать похожий сценарий для автоматизации клиентских обращений 24/7.
Корпоративная база знаний
Подключите AI-поиск к внутренним документам и помогайте сотрудникам находить ответы быстрее.
Технологический стек
Разберите архитектуру и модели, которые лежат в основе кейсов и продуктовых сценариев Wikilect.
Частые вопросы о кейсе TEXT.RU
Какую долю обращений закрывает бот в TEXT.RU?
67% обращений бот закрывает без участия специалистов поддержки. Ещё 5% передаются операторам — только действительно сложные случаи, 13% выявили пробелы в базе знаний, 15% оказались спамом, с которым система справилась сама.
Как быстро бот отвечает пользователю?
Среднее время ответа — 3,7 секунды. Агент находит нужную информацию в базе знаний и отвечает со ссылками на источники.
Сколько времени и денег экономит решение?
До 124 часов работы аккаунт-менеджеров ежемесячно и до 1,5 млн рублей бюджета службы поддержки в год. На пилотной выборке из 62 диалогов экономия составила 6,2 часа.
Как проходило внедрение?
За 14 дней в шесть шагов: аудит 100–200 обращений, чистка базы знаний, настройка 12 основных тем и правил передачи оператору, интеграция с платформой по API, мягкий старт на 20–30% входящих запросов, затем анализ, доработка и масштабирование на весь поток.
Что происходит со сложными вопросами?
Агент передаёт их менеджеру вместе с кратким резюме диалога, чтобы человек сразу понимал контекст. Все диалоги записываются, базу знаний можно обновлять на ходу.