Как автоматизировать поддержку клиентов при банкротстве с помощью ИИ помощника?

В декабре 2024 года ДаБанкрот.рф, федеральный лидер в сопровождении процедур банкротства, столкнулась с критической задачей: снизить нагрузку на подразделение сопровождения, сохранив уровень сервиса. Ежедневно служба поддержки обрабатывала 100–300 обращений в часы пик.

Увеличение штата или аутсорсинг задач, как неэффективные и дорогостоящие альтернативы, не рассматривались. Руководитель ИТ-департамента Александр поставил цель: внедрить виртуального помощника, который ускорит реакцию, сохранив человеческое тепло в общении.

Идеальный конечный результат (ИКР) сформулировали так: ускорить время реакции и снизить нагрузку на службу сервиса компании в ключевых процессах:

1. Заключение договора на поддержку в прохождении процедуры банкротства.
2. Юридическое сопровождение: подготовка к судебным заседаниям.
3. Поддержка в процессе банкротства.
4. Обработка лидов.

В результате создали ИИ-ассистента и назвали его – «Майя Аилова – помощник по сопровождению». Выполнили ключевые требования заказчика: сберегли тёплые человеческие отношения с клиентом и сохранили инкогнито виртуального ассистента.

Процессы первой линии поддержки передали ИИ:

Получили ожидаемый экономический эффект – внедрение ИИ оказалось сопоставимо с наймом четырех сотрудников технической поддержки, работающих 24 на 7 без праздников и выходных. Сотрудники компании признали Майю Аилову эталоном автоматизации в юриспруденции.

В начале проекта стояла задача обучить виртуального помощника, чтобы он релевантно и оперативно отвечал на вопросы о взаимодействии клиента и компании в рамках процедуры банкротства. Готовил ответы с опорой на контекст текущего процесса и данные в базе CRM.

Выработали решение и определили стек технологий:

1. n8n.io – ИИ Агент с обучаемыми модулями – Retrieval-Augmented Generation (RAG).
2. supabase.com – платформа запуска приложений на базе ИИ с открытым исходным кодом. Интеграция проектов ИИ с базами данных Postgres, аутентификации, мгновенных API, пограничных функций, подписок в реальном времени, хранилища и векторных внедрений.
3. openai.com – ИИ. Выбор модели, распознавание текста, аудио, скриншоты с текстом. Имитация максимально приближенных к эксперту ответов.
4. cloud.llamaindex.ai – сервис распознавания многостраничных документов.

На первом этапе собрали базу для обучения языковой модели:

1. Cases.txt – пользовательские истории и сценарии общения с клиентом из реальной жизни. На их основе осуществляется тестирование на этапе разработка и принимается решение об успешности проекта.
2. FAQ.txt – ответы на частые вопросы – накопленный опыт компании, собранный из статей сайта и транскрибации видео роликов с YouTube канала.
3. Zakon.txt – гражданский кодекс РФ.
4. Книга знаний – учебное пособие компании. Документ, созданный для адаптации новых специалистов поддержки.

На втором этапе провели разметку, преобразовав входные данные к приемлемому для ИИ виду:

1. FAQ1 – сценарии процесса №14 в виде пользовательской таблицы.
2. Сценарии с переменными из CRM – пользовательская таблица.
3. n8n_chat_history – создаётся n8n при установке глубины контекста, системная таблица.
4. people_history – определяет первое обращение за день, пользовательская таблица.

Три месяца разработки и тестирования закончилось созданием схемы ИИ с 175 узлами, из которых 23 уникальных типов:

Узлы:

1. n8n-nodes-base.httpRequest (10) – выполняет HTTP-запросы (GET, POST и др.) к внешним API. Используется для отправки данных или получения информации, например, к https://bitrix.da-bankrot.ru или api.cloud.llamaindex.ai.
2. n8n-nodes-base.webhook (2) – принимает входящие вебхуки, запуская рабочий процесс. Примеры: «файлы» и «текст» с уникальными webhookId для обработки разных типов данных.
3. n8n-nodes-base.wait (2) – приостанавливает выполнение процесса на заданное время или до события. Используется для синхронизации, например, «Wait» перед проверкой статуса.
4. n8n-nodes-base.switch (2) – условно разделяет поток данных на основе заданных правил. Например, «Switch1» проверяет статус (SUCCESS, ERROR) для маршрутизации.
5. n8n-nodes-base.aggregate (7) – объединяет данные из нескольких элементов в один набор. Пример: «Aggregate1» собирает все данные для дальнейшей обработки.
6. n8n-nodes-base.merge (18) – комбинирует данные из нескольких источников. Пример: «Merge» объединяет данные по позиции для передачи в следующий узел.
7. n8n/n8n-nodes-langchain.agent (6) – выполняет сложные задачи с использованием ИИ-агента. Пример: «AI Agent» обрабатывает текст с подключением к векторному хранилищу и OpenAI.
8. n8n/n8n-nodes-langchain.lmChatOpenAi (14) – интеграция с OpenAI для обработки текста (чат-модель). Пример: «OpenAI Chat Model» использует gpt-4o с настройками температуры и penalty.
9. n8n/n8n-nodes-langchain.memoryPostgresChat (11) – управляет памятью чата, сохраняя контекст в PostgreSQL. Пример: «Postgres Chat Memory1» привязан к dialog_id для сохранения истории.
10. n8n/n8n-nodes-langchain.embeddingsOpenAi (10) – создаёт векторные представления текста с помощью OpenAI. Пример: «Embeddings OpenAI1» использует модель text-embedding-3-large.
11. n8n/n8n-nodes-langchain.toolVectorStore (3) – инструмент для работы с векторным хранилищем. Пример: «Vector Store Tool» извлекает данные о банкротстве из Supabase.
12. n8n/n8n-nodes-langchain.vectorStoreSupabase (9) – хранит и извлекает векторные данные из Supabase. Пример: «Supabase Vector Store» подключен к таблице documents.
13. n8n/n8n-nodes-langchain.openAi (5) – выполняет задачи анализа текста, изображений или аудио через OpenAI. Пример: «OpenAI_Photo1» анализирует изображения.
14. n8n/n8n-nodes-langchain.textClassifier (5) – классифицирует текст по заданным категориям. Пример: «Text Classifier» определяет относится ли текст к office или Aggressive.
15. n8n-nodes-base.postgres (13) – выполняет запросы к базе данных PostgreSQL. Пример: «Postgres» записывает данные в таблицу people_history.
16. n8n-nodes-base.set (3) – устанавливает или изменяет значения полей в данных. Пример: «Edit Fields» задает параметры, такие как dialog_id, text1.
17. n8n-nodes-base.if (17) – условное ветвление потока на основе заданных условий. Пример: «If» проверяет тип файла (image) для дальнейшей обработки.
18. n8n/n8n-nodes-langchain.chainSummarization (1) – выполняет суммаризацию текста. Пример: «Summarization Chain» сокращает текст с помощью подключенной модели OpenAI.
19. n8n-nodes-base.code (34) – выполняет пользовательский JavaScript-код для обработки данных. Пример: «Code3» может преобразовывать данные перед merge.
20. n8n/n8n-nodes-langchain.chatMemoryManager (19) – управляет памятью чата, связывая данные с внешними запросами. Пример: «Chat Memory Manager» отправляет данные в HTTP-запрос.
21. n8n-nodes-base.limit (1) – ограничивает количество элементов в потоке данных. Пример: «Limit1» ограничивает вывод из векторного хранилища.
22. n8n/n8n-nodes-langchain.chainQuestionAnswering (2) – отвечает на вопросы, используя данные из векторного хранилища. Пример: «Question and Answer Chain» отвечает на запросы.
23. n8n/n8n-nodes-langchain.vectorStoreRetriever (1) – извлекает данные из векторного хранилища для ответа на запросы. Пример: «Vector Store Retriever2» работает с Supabase.

Усовершенствовали блок CRM:

1. Управление использованием ИИ в открытых линиях на двух уровнях:
   1. в коде указываем список идентификаторов открытых линий, в которых допустимо использовать ИИ
   2. на уровне сделок и лидов – управляем реквизитом UF_AIPermission, позволяя менеджерам отключать конкретных клиентов от общения с ИИ.
2. Механика «delay» – задержка в 2 минуты: не посылаем ответ мгновенно. Так даём возможность перехватить ответ оператору и отвечать не построчно на каждое предложение, а подкопить обращения и направить ответ на группу запросов.
3. Если менеджер ответил в течение дня – ИИ перестаёт отвечать, очередной ответ будет на следующий день. За исключением случаев, когда будет новый запрос или если менеджер не ответит до конца предыдущего дня.
4. Добавлять сотрудников в диалог открытых линий и обратно – иначе ИИ забирает диалог на себя.
5. Ограничение использования ИИ по открытым линиям на период тестирования.
6. Отдельные чаты с уведомлениями об отладке контура ИИ.
7. ИИ подключен как чат-бот.

Обучили RAG LLM отвечать на общие вопросы, несколько примеров:

Что такое банкротство физических лиц?

Это юридическая процедура, позволяющая списать долги, если человек признан неплатежеспособным. Позволяет освободиться от задолженности и начать финансовую жизнь с чистого листа. Юридическая процедура регулируется Федеральным законом № 127-ФЗ «О несостоятельности (банкротстве)».

Признает ли суд банкротом, если у меня высокая зарплата?

Да, суд может признать вас банкротом, но процедура будет проходить с особенностями. В случае высокой зарплаты может быть введен этап реструктуризации долгов – кредиторы предложат условия по погашению займов. Если согласитесь на условия, имущество продавать не нужно.

Что такое план реструктуризации долгов, как он работает?

Это соглашение с кредиторами о новых условиях погашения долгов. Он должен быть экономически обоснованным и исполнимым. Если вы согласитесь на план, долги могут быть уменьшены, а имущество не будет продано. План должен быть согласован с кредиторами и одобрен судом.

Ответы на основе данных из CRM:

Куда перечислить разницу в конкурсную массу?

Карта финансового управляющего для перечисления разницы в конкурсную массу [2202 0700 1234 5678] [Иванов Иван Иванович]. В сообщении получателю ОБЯЗАТЕЛЬНО укажите «Разница ФИО».

Когда со мной свяжется мой персональный менеджер?

Ваш персональный менеджер [Федор Алексеевич Белых] свяжется с вами в течение 10–15 минут, спасибо за понимание.

Распознавание аудиофайлов и картинок с классификацией:

1. Платежные документы – чеки, квитанции.
2. Обращения в суд.
3. Решение суда о банкротстве.
4. Письма от кредиторов.
5. Заявление от кредиторов.

В ходе реализации проекта возникали проблемы:

1. Вопросы идентичные по содержанию – ответ зависит от этапа внутри текущего процесса поддержки.
2. Агрессия со стороны клиента – создали «заглушки». При достижении определенного уровня агрессии ИИ перестает отвечать, обращение переводится на оператора.
3. Несколько приветствий в течение дня со стороны клиента – обучили систему реагировать первый раз, повторно здоровается.