Текст написан по мотивам интервью с Дмитрием Бусовым, CEO проекта LeaderChat.
Разбираю историю LeaderChat — сервиса, который начинался как обычный онлайн-чат с живыми операторами, а после появления современных LLM-моделей полностью изменил подход к работе. За месяц мы перестроили продукт, сохранили всех существующих клиентов и сегодня развиваем сервис, который помогает бизнесу автоматизировать продажи и поддержку с помощью искусственного интеллекта.
Спойлер: главным изменением стало даже не внедрение ИИ, а полный пересмотр того, как вообще должна работать автоматизация общения с клиентами. В итоге это сработало. Запуски наших продуктов и метрики освещаю в этом Telegram-канале.
Зачем этот разбор?
Мы с командой уже несколько лет запускаем собственные SaaS-проекты. Почти всегда придерживаемся одной и той же формулы: как можно быстрее проверить гипотезу на реальных клиентах, собрать первую обратную связь и выйти в плюс без внешних инвестиций.
Когда начался бум искусственного интеллекта, многие компании стали внедрять его буквально везде. Казалось, что достаточно добавить в продукт LLM — и он автоматически станет лучше.
Наш опыт оказался другим. Мы убедились, что сама технология ничего не гарантирует. Гораздо важнее найти процесс, который уже приносит пользу бизнесу, и сделать его дешевле, быстрее или удобнее. Именно поэтому история LeaderChat — это скорее кейс о поиске рабочей бизнес-модели, чем статья про искусственный интеллект.
Так выглядит интерфейс создания ИИ-консультанта.
Все началось с обычного онлайн-чата
До LeaderChat мы развивали похожий сервис для британского рынка. Компании устанавливали чат на сайт, операторы отвечали клиентам через единый интерфейс, а руководители могли контролировать скорость обработки обращений, качество работы сотрудников и конверсию.
Когда мы начали работать с российским рынком, оказалось, что проблемы везде одинаковые. Бизнесу нужны быстрые ответы клиентам, но содержать полноценную команду операторов дорого. Особенно для небольших компаний, где каждый новый сотрудник — это постоянные расходы на найм, обучение и контроль.
Мы начали внимательно смотреть на реальные диалоги и быстро заметили одну закономерность.
Главная проблема оказалась очень простой
Около 90% обращений состояли из одних и тех же вопросов. Клиенты спрашивали стоимость услуг, способы оплаты, условия доставки, особенности тарифов или просили подобрать подходящий вариант.
Получалась странная ситуация. Компании тратили деньги на операторов, которые большую часть рабочего времени повторяли практически одинаковые ответы.
Конечно, идея автоматизировать такую работу существовала давно. Но классические чат-боты плохо справлялись с этой задачей. Они работали по заранее прописанным сценариям: пока пользователь задавал вопрос в ожидаемой форме, все было хорошо. Стоило немного изменить формулировку — и бот переставал понимать собеседника, после чего переводил диалог на человека.
Из-за этого большинство компаний продолжали использовать живых операторов, несмотря на все недостатки такого подхода.
Аналитика использования платформы: количество просмотров сайта, открытий виджета, начатых диалогов, полученных лидов и конверсии, а также подробные графики динамики с возможностью фильтрации по периоду, консультанту и каналу.
Появление LLM полностью изменило ситуацию
Современные языковые модели решили главную проблему старых чат-ботов. Вместо поиска нужной ветки сценария они начали понимать смысл вопроса, учитывать контекст диалога и использовать знания о компании.
Для нас это означало гораздо больше, чем очередное технологическое обновление. Мы поняли, что теперь можно автоматизировать не только ответы на типовые вопросы, но и полноценные консультации.
Например, для одного турагентства мы сделали подбор туров прямо внутри чата. Если бюджет клиента укладывался в заданный диапазон, ИИ самостоятельно предлагал подходящие варианты, отвечал на дополнительные вопросы и объяснял, как оформить покупку. Если запрос выходил за рамки типового сценария, диалог автоматически передавался оператору вместе со всей уже собранной информацией.
В результате сотрудники перестали тратить время на однотипные консультации и сосредоточились на действительно сложных обращениях.
Переход оказался проще, чем мы ожидали
Самое интересное, что полностью переписывать продукт не пришлось. Вместо этого мы разработали отдельный сервис, который работает с различными LLM через API и берет на себя всю работу с искусственным интеллектом. По сути, он просто заменил прежнее рабочее место оператора, а вся остальная архитектура проекта почти не изменилась.
Самой сложной задачей оказалась даже не интеграция языковых моделей. Гораздо важнее было сохранить стабильность уже работающего сервиса. Мы не могли позволить себе ситуацию, при которой существующие клиенты столкнутся с перебоями или потеряют привычный функционал.
В итоге весь переход занял около месяца. После этого оставался главный вопрос: как на такие изменения отреагируют сами клиенты?
Настройка каналов, в которых работает ИИ-консультант.
Клиенты не ушли. Наоборот
Наверное, это был главный риск всего проекта. Можно сколько угодно рассказывать о преимуществах искусственного интеллекта, но если бизнес не готов доверить ему общение со своими клиентами, никакого смысла в такой трансформации нет.
К счастью, в тот момент у нас была небольшая клиентская база, поэтому мы смогли лично поговорить с каждым заказчиком. Мы не просто сообщили о переходе на новую технологию, а объяснили, что именно изменится и какую выгоду это даст бизнесу.
Главным аргументом стала экономика. Благодаря ИИ стоимость обработки одного лида удалось снизить примерно в десять раз по сравнению с работой живых операторов, при этом качество обработки обращений осталось на прежнем уровне.
Конечно, многие сначала отнеслись к идее осторожно. Большинство слышало про искусственный интеллект, но еще не использовало его в реальной работе. Поэтому вместо долгих презентаций мы предложили простой вариант — протестировать систему на собственных обращениях.
В итоге мы не потеряли ни одного клиента. Наоборот, тестовый период помог многим компаниям убедиться в преимуществах новой модели на практике.
Почему мы продаем не платформу, а результат
Еще во времена работы с живыми операторами мы поняли одну простую вещь. Большинству компаний совершенно не важно, какая технология стоит внутри продукта. Им нужен не чат, не красивая панель управления и не очередной AI-сервис. Им нужны новые клиенты и продажи.
Поэтому мы строили LeaderChat вокруг результата, а не вокруг функций.
Мы сами подключаем сервис, настраиваем интеграции, обучаем ИИ на материалах компании, тестируем качество ответов и следим за его работой. Клиенту не нужно разбираться в промптах, выбирать языковые модели или искать специалистов по искусственному интеллекту.
Такой подход заметно снижает порог входа. Компания может протестировать сервис на реальных обращениях и принять решение уже после того, как увидит первые результаты.
Настройка ИИ-консультанта: личность и роль консультанта, база ответов на частые вопросы, сценарии сбора лидов, параметры клиентской поддержки.
Как считали стоимость сервиса
Тарифы мы рассчитывали не «с потолка». В основе лежала вполне понятная экономика: стоимость токенов, средняя продолжительность диалога, конверсия обращений в лиды и расходы на инфраструктуру.
В результате удалось построить модель, при которой обработка обращений обходится клиенту значительно дешевле, чем работа живых операторов.
Сейчас мы постепенно расширяем тарифную линейку. В будущем пользователи смогут самостоятельно выбирать языковую модель в зависимости от бюджета и требований к качеству ответов. Для одних компаний важнее максимальная точность, для других — минимальная стоимость обработки диалогов.
Почему одного продукта оказалось недостаточно
Изначально у нас был один сценарий использования: готовый ИИ-помощник для обработки обращений.
Но со временем стало понятно, что компании находятся на разном уровне знакомства с искусственным интеллектом.
Одним достаточно решения по принципу «подключили и забыли». Другим требуется более глубокая настройка под особенности бизнеса. Третьи уже хорошо разбираются в современных языковых моделях и хотят самостоятельно управлять частью параметров.
Так постепенно вместо одного продукта появилась целая линейка решений. Несмотря на рост интереса к самостоятельной работе с ИИ, основной спрос по-прежнему приходится именно на готовые решения, где большую часть внедрения берет на себя наша команда.
Что по деньгам?
Сегодня над LeaderChat работает команда из трех человек в формате part-time. Несмотря на это, проект уже приносит стабильную чистую прибыль на уровне 100–150 тыс. рублей в месяц без внешних инвестиций и больших затрат на продвижение.
Во многом это стало возможным благодаря одному принципу: мы строим продукт, а не агентство. Каждый раз, когда появляется новая задача, мы стараемся превратить ее в универсальный модуль, который пригодится и следующим клиентам. За счет этого платформа постепенно развивается без пропорционального роста команды.
Кроме того, мы сами активно используем искусственный интеллект во внутренних процессах. Он берет на себя рутинные задачи, поэтому команда может больше времени уделять развитию продукта и работе с клиентами.
Конечно, полностью отказаться от расходов невозможно. Сейчас около половины затрат приходится на использование LLM и инфраструктуру. Мы сознательно не экономим на этом, потому что для нас важнее стабильность сервиса и качество ответов, чем минимальная себестоимость.
Автоматический биллинг потраченных токенов LLM-моделей в разрезе диалогов.
Как ищем клиентов без больших рекламных бюджетов
Многие удивляются, когда слышат, что проект развивается практически без вложений в рекламу. На самом деле маркетингом мы занимаемся постоянно, просто не начинаем масштабировать привлечение пользователей, пока не убедимся, что продукт действительно решает проблему клиентов.
Сейчас основной поток новых заказчиков приходит по рекомендациям и через личные контакты. Для B2B это до сих пор один из самых эффективных каналов, потому что доверие здесь играет гораздо большую роль, чем яркая рекламная кампания.
Параллельно развиваем партнерства внутри отдельных отраслей. Например, недавно сделали совместный материал и интеграцию с CRM для туристических агентств U-ON.Travel. Вместо абстрактного рассказа о возможностях искусственного интеллекта потенциальные клиенты увидели готовый сценарий применения сервиса в своей работе. Такой подход оказался гораздо убедительнее обычной рекламы.
SEO пока не стало главным источником роста, хотя часть клиентов уже приходит именно через поиск. Мы рассматриваем органический трафик как следующий этап развития и постепенно готовим под него продукт.
Ошибки были, но совсем не те, которых мы ожидали
Когда речь заходит об ИИ, почти все задают один и тот же вопрос: «Бывало ли, что бот серьезно подвел клиента?»
Именно этого мы опасались больше всего перед запуском. Поэтому с самого начала много времени уделяли тестированию, контролю качества и анализу диалогов.
Конечно, сложные ситуации иногда возникают — без этого не обходится ни одна AI-система. Но за все время у нас не было случаев, когда работа бота нанесла ущерб бизнесу клиента.
Что дальше?
Сегодня LeaderChat уже работает с Telegram, VK, MAX и виджетом для сайта. Постепенно планируем подключать новые площадки, включая Avito и Instagram.
При этом мы не стремимся расти любой ценой. Наша ближайшая цель — увеличить прибыль примерно до 500 тыс. рублей в месяц. Такой уровень позволит расширить команду, активнее заниматься продвижением и запускать новые направления, не отказываясь от главного принципа проекта: бизнесу нужен не искусственный интеллект сам по себе, а инструмент, который приносит измеримый результат.
Короче, выводы
Когда вокруг искусственного интеллекта начался ажиотаж, многие компании стали искать способы встроить его буквально в каждый процесс.
Наш опыт показал, что технология сама по себе ничего не решает. Гораздо важнее найти процесс, который уже работает, и сделать его быстрее, дешевле и удобнее.
Нам помогли несколько простых принципов:
📍Не строить AI-продукт с нуля, а автоматизировать процесс, который уже востребован у бизнеса.
📍Не пытаться заменить человека полностью. Гораздо эффективнее передать ИИ однотипные задачи, а сложные обращения оставить специалистам.
📍Продавать не технологию, а результат. Большинству компаний неважно, какая модель стоит внутри сервиса. Гораздо важнее, сколько клиентов она помогает привлечь и сколько денег позволяет сэкономить.
📍Развивать продукт постепенно. Сначала доказать его ценность на небольшом количестве клиентов и только потом масштабировать команду, маркетинг и новые каналы продаж.
За последние несколько лет искусственный интеллект стал значительно доступнее. Но, как и раньше, выигрывают не те, кто первым внедрил новую технологию, а те, кто научился с ее помощью решать реальные задачи бизнеса.
Как вам такой подход к запуску?
Если вам интересно посмотреть, как мы запускаем 12 таких простых проектов за 12 месяцев, то челлендж идет в этом Telegram-канале. Там мы запускаем IT-проекты по схеме: нашел большой рынок, упростил конкурентов, запустил за 1 месяц. И отчитываемся, что получается.
Если вам было интересно читать такие разборы, поставьте статье лайк. Так мы поймем, что такой контент полезен и напишем похожий разбор еще одного нашего запуска: со всеми метриками и выводами.
