Кейс по AI и поддержке
Задача была не в том, чтобы “прикрутить нейросеть к чату”. Нужно было сделать так, чтобы оператор в рабочем окне Chatwoot получал осмысленный черновик ответа за несколько секунд, не отправлял ничего автоматически, а AI опирался не на фантазию, а на правила клиники, сайт и данные из внутреннего API. В рабочих сценариях это уже дошло до живых подсказок по врачам, филиалам и свободным окнам.
Поддержка в клинике жила в Chatwoot, но типовые вопросы все равно съедали время операторов: режим работы филиалов, запись к врачу, результаты анализов, справки для налоговой, повторяющиеся уточнения по услугам. Ответы приходилось писать руками, заново проверяя те же факты.
При этом “просто дать кнопку нейросети” было плохой идеей. В медицине AI не должен придумывать врачей, филиалы, телемедицину, цены или обещать запись без подтверждения. Значит, нужен был не демонстрационный бот, а контролируемый операторский инструмент.
Нормальный результат здесь появляется только когда AI встроен в реальный контур работы. Он должен понимать контекст текущего диалога, знать правила клиники, различать “оформить справку” и “забрать справку”, не путать врача и филиал и оставлять последнее слово оператору.
То есть задача была не про красивый попап, а про сборку целого слоя: Chatwoot, YandexGPT, knowledge base, server-side retrieval и live API-запросы там, где ответ уже должен опираться не на формулировку, а на факт.
Поднял отдельный sidecar-сервис и увел AI-флоу Chatwoot на него. В итоге оператор работает в привычном интерфейсе, но генерация идет уже через мой backend и YandexGPT, а не через абстрактный внешний контур.
Собрал слой знаний по сайту, правилам клиники, филиалам, врачам, сценариям справок и другим частым вопросам. Для AI это не разрозненные ссылки, а нормальный контекст, который влияет на ответ в момент генерации.
Добавил серверный retrieval-слой и связал его с внутренним API клиники. Это позволяет не просто “умно формулировать”, а проверять факты перед ответом: кто где принимает, какие есть окна, как вести запись и что отвечать по результатам анализов или справкам.
Модель не должна сама решать, что “истина”. Сначала backend собирает факты: историю диалога, правила клиники, знания по сайту и результаты retrieval/API. И только потом нейросеть превращает это в человеческий, вежливый и короткий черновик для оператора.
Именно это делает AI рабочим инструментом. Не “кнопкой ради вау-эффекта”, а частью поддержки, которая помогает быстрее отвечать и при этом не терять контроль над содержанием.
Ценность здесь не в слове “нейросеть”, а в разгрузке живой поддержки. Оператор отвечает быстрее, меньше тратит времени на однотипные формулировки и реже ошибается в повторяющихся сценариях.
При этом система не ломает процесс: AI не отправляет сообщения сам, не подменяет человека и не превращает поддержку в рискованный автопилот. Получается спокойный, рабочий контур, который уже помогает в реальных диалогах и который дальше можно усиливать новыми API-действиями.
Такой AI полезен не в вакууме, а внутри процесса
Можно спокойно разобрать, где достаточно черновиков ответов и knowledge layer, а где уже имеет смысл подключать live API, запись, статусы документов и другие фактические действия.