Проблема

У бизнеса был сайт с трафиком, но большая часть посетителей уходила без заявки. Пользователь заходил, не находил быстрый ответ на вопрос, не хотел сразу заполнять форму и закрывал страницу.

Классическая проблема для сайтов в недвижимости, медицине, образовании, промышленности, транспорте и B2B-услугах: рекламный бюджет уже потрачен, посетитель уже пришёл, но сайт не умеет вести диалог.

До внедрения AI-виджета путь выглядел так:

посетитель заходит на сайт;пытается найти цену, условия, сроки или детали услуги;не получает быстрый ответ;не готов сразу оставить заявку;уходит к конкурентам.

Для бизнеса это означало потерю лидов, рост стоимости привлечения и слабую конверсию сайта в обращение.

Задача

Нужно было сделать AI-чат-бота, который работает как первый слой продаж:

отвечает на вопросы 24/7;понимает контекст сайта и услуг;уточняет потребность клиента;квалифицирует обращение;доводит пользователя до заявки;собирает контакт;передаёт менеджеру тёплый лид с историей диалога.

То есть задача была не «поставить ChatGPT на сайт», а сделать полноценный lead generation widget с RAG-обучением, CRM-интеграцией, аналитикой и тарифной моделью.

Что мы сделали

Спроектировали AI-виджет для сайта как pre-sales ассистента.

Он не просто отвечает на вопросы, а ведёт пользователя по коммерческому сценарию: выясняет задачу, бюджет, интерес, срок принятия решения, готовность к покупке и удобный канал связи.

В продукт были заложены:

AI-чат на сайте;RAG-обучение на данных клиента;сбор и квалификация лидов;передача заявок в email, CRM и мессенджеры;личный кабинет клиента;аналитика диалогов и конверсий;тарифы с лимитами по лидам, товарам и синхронизации фида;дополнительные AI-ассистенты для Telegram, VK, Avito, Ozon, Max и email.

Работа опиралась на опыт проектирования AI-ассистентов, API-интеграций, настройки поведения модели, расчёта лимитов токенов и связки AI-функциональности с бизнес-логикой продукта. 

Как обучали RAG

Для обучения ассистента использовали RAG-подход: модель не просто отвечала «из головы», а искала релевантную информацию в базе знаний клиента.

В базу знаний загружались:

страницы сайта;описания услуг;FAQ;тарифы;условия работы;каталог товаров или услуг;фид товаров;коммерческие описания;скрипты продаж;типовые вопросы клиентов;ограничения и правила ответа.

Дальше данные очищались, разбивались на смысловые блоки и индексировались. Для каждого блока сохранялись метаданные: источник, раздел сайта, категория услуги, дата обновления, тип информации, релевантность и ограничения.

Когда пользователь задаёт вопрос, система ищет подходящие фрагменты в базе знаний, передаёт их в LLM и формирует ответ на основе найденной информации. Если данных недостаточно, бот не должен фантазировать — он уточняет вопрос или предлагает передать обращение менеджеру.

Отдельно настраивали guardrails:

не придумывать цены;не обещать невозможные условия;не отвечать вне тематики бизнеса;не заменять специалиста там, где нужна ручная консультация;не собирать лишние персональные данные;передавать сложные или спорные вопросы менеджеру.

Как измеряли эффективность

Для продукта были заложены ключевые метрики:

открытия чата;реальные разговоры;квалифицированные лиды;конверсия посетителей в диалог;конверсия диалогов в лид;стоимость лида;количество переданных заявок;темы популярных вопросов;доля диалогов, где AI не смог ответить;качество квалификации лида;скорость передачи заявки менеджеру.

В публичной версии можно показывать агрегированные метрики:

открытые чаты: 892 021реальные разговоры: 2 383квалифицированные лиды: 1 573лидов на сумму: ~2 128 269 ₽конверсия чатов: 72,9%конверсия разговоров в лиды: 66,0%

Если эти цифры идут из внутренней панели, лучше подписывать их как «результаты по данным внутренней аналитики продукта».

Результат

Сайт получил не просто чат, а полноценный AI-канал лидогенерации.

Посетитель больше не остаётся один на сайте: он задаёт вопрос, получает ответ, уточняет детали, понимает, подходит ли ему продукт, и оставляет контакт прямо в диалоге.

Менеджер получает не пустую форму заявки, а тёплый лид с контекстом:

что спрашивал клиент;какая у него потребность;какая услуга интересовала;насколько он готов к покупке;какой способ связи оставил.

Бизнес-выхлоп

AI-виджет помог бизнесу лучше монетизировать уже существующий трафик.

Вместо роста рекламного бюджета компания получила дополнительный слой конверсии на сайте: больше диалогов, больше квалифицированных заявок, меньше потерянных посетителей и меньше ручной нагрузки на менеджеров.

Основной эффект:

больше заявок из того же трафика;обработка обращений 24/7;снижение потерь в нерабочее время;быстрая квалификация клиентов;передача менеджеру лида с контекстом;рост конверсии сайта в обращение;снижение ручной нагрузки на отдел продаж;понятная аналитика по вопросам и возражениям клиентов.

Тарифная модель

Продукт был упакован как SaaS:

Пробный — проверка гипотезы на небольшом сайте.Старт — AI-чат с базовыми лимитами, email и CRM.Рост — больше лидов, товаров, фидов и каналов коммуникации.Масштаб — высокая нагрузка, частая синхронизация и расширенные интеграции.Enterprise — индивидуальные лимиты, SLA, кастомные сценарии и сложные интеграции.

Итог

Мы сделали AI-чат-бота, который работает не как декоративный виджет, а как полноценный pre-sales инструмент: обучается на данных сайта через RAG, отвечает на вопросы пользователей, квалифицирует потребность, собирает контакты и передаёт менеджеру тёплого лида.

Результат — больше заявок из того же трафика и меньше потерянных клиентов на сайте.