«Диспетчер» — система AI-разбора входящих заявок для сервисной компании
Мы разработали систему, которая сама раскладывает заявки из почты, формы на сайте и Telegram по отделам: продажи, сервис, бухгалтерия или спам. Модель выбора определяет срочность и называет уверенность в процентах, спорные случаи уходят оператору на подтверждение одним кликом, а готовая заявка создаётся карточкой в Битрикс24 или amoCRM. Правила разбора и порог уверенности владелец меняет сам, а эффект видит на дашборде.
- на разбор одной заявки
- 0,4 с
- заявок разбираются без участия человека
- 87 %
- этапов разработки
- 4
- ключевых технологий
- 4

02 — Контекст
Задача проекта
Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.
Компания устанавливает и обслуживает котлы и кондиционеры. Заявки приходят из трёх каналов — почты, формы на сайте и Telegram — и попадают в общий ящик. Менеджер вручную раскладывает их по отделам и срочности, а в пиковые часы это превращается в отдельную работу на полдня.
Срочные обращения вроде «котёл не работает, дома холодно» тонут среди рекламы и вопросов о счетах. Первый ответ клиенту уходит через несколько часов, а руководитель не видит, какой отдел отвечает медленнее и почему.
Срочное теряется в общем потоке
Авария и вопрос о сверке выглядят в ящике одинаково. Пока менеджер дочитывает очередь, клиент с неработающим котлом ждёт и звонит повторно.
Ручная сортировка съедает время
Каждую заявку нужно прочитать, понять и переслать в нужный отдел. Это рутина, которая не требует квалификации, но занимает сотрудника целиком.
Большая LLM — дорого для сортировки
Генеративная модель умеет классифицировать текст, но на тысячах заявок в месяц её цена и задержка ответа становятся заметными. Для выбора из четырёх вариантов — трёх отделов и спама — генерация текста не нужна.
03 — Интерфейс
Интерфейс системы
Рабочие разделы системы: что в них видно и что это даёт клиенту.
Лента входящих
Все заявки за сегодня из почты, формы на сайте и Telegram в одной ленте. Они разложены по блокам «Срочные», «Обычные» и «Спам и реклама». Для каждой видно источник, клиента, текст, присвоенный отдел, срочность, уверенность модели и ответственного.
Справа идёт диаграмма пути заявки: полоса от момента поступления до первого ответа клиенту. Заявка, которая ещё ждёт ответа, подсвечена и доходит до линии «сейчас».
Что получает клиент
Все каналы в одном месте, и видно, как быстро команда отвечает на каждую заявку.

Заявки по отделам
Канбан отделов: продажи, сервис, бухгалтерия, спам. Карточки раскладываются автоматически, в каждой источник, время, уверенность модели, текст, пометка «Срочно», тема и ответственный.
Над колонкой видны ответственные и среднее время ответа отдела. Спам убирается отдельно и удаляется через 30 дней. Вверху счётчик: сколько заявок разложено автоматически и сколько ждут проверки.
Что получает клиент
Заявки каждого отдела собраны в своей колонке, а загрузка отделов видна на одном экране. Срочные сразу бросаются в глаза.

Модель не уверена
Очередь спорных заявок, у которых лучший вариант ниже порога 80 %. Для каждой показаны:
- полный текст и объяснение, почему модель сомневается (например, «гудит» — это сервис, а «поставить новый» — продажи);
- полосы вероятностей по отделам с линией порога;
- кнопка «Подтвердить» с предложенным отделом, альтернативные отделы и «Разделить», если в письме две просьбы.
Что получает клиент
Человек тратит время только на то, где модель действительно сомневается. Горячие клавиши позволяют принять решение за несколько секунд, а каждое решение учит систему.

Правила разбора
Категории описываются простыми словами, без кода. Например: «Что-то сломалось: котёл, кондиционер, течь, нет тепла или воды» — это сервис, срочно, ответственный Орлов. Для каждой категории видны отдел, ответственный, срочность по умолчанию и объём за неделю.
Ниже ползунок порога уверенности и распределение уверенности модели за неделю. Сразу видно, сколько заявок уйдёт на проверку при 70, 80 или 90 % и как изменится доля ошибок.
Что получает клиент
Владелец сам меняет правила, а последствия другого порога видит заранее: сколько заявок уйдёт на проверку и сколько будет ошибок.

Дашборд эффекта
Что изменилось после запуска:
- время до первого ответа по дням, с линией запуска 3 июня: часы до, минуты после;
- доля автоматического разбора;
- время ответа по отделам «до и после»;
- стоимость разбора 1000 заявок: оператор, большая LLM и «Диспетчер».
Что получает клиент
Измеримый эффект в минутах и рублях, а внизу — статус передачи заявок в CRM. С таким экраном удобно отчитываться перед собственником.

04 — Архитектура
Технологический стек
Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.
Зачем в проекте · 01 / 04
Модель выбора класса Jev
Модель не генерирует текст, а выбирает вариант из заданного списка меток. Поэтому она отвечает за доли секунды и стоит в десятки раз дешевле большой языковой модели, а уверенность в процентах естественно ложится в логику порога.
- Bitrix24
05 — Процесс
Как шла разработка
Последовательность работ от исследования задачи до запуска и проверки результата.
Разбор потока заявок
Собрали типичные обращения из трёх каналов и договорились о списке меток: три отдела и спам, восемь категорий обращений и две степени срочности. От этого списка зависит и точность модели, и понятность правил для владельца.
Правила и порог уверенности
Описали категории простыми словами и настроили порог: что уходит в работу автоматически, а что — оператору. Прогноз последствий при 70, 80 и 90 % позволяет выбрать баланс между скоростью и ошибками.
Рабочие места по ролям
Разработали ленту, канбан отделов, очередь проверки, правила и дашборд эффекта. Каждый раздел отвечает своей роли: менеджеру, отделу, оператору, владельцу и руководителю.
Интеграции и запуск
Подключили передачу заявок в Битрикс24 и amoCRM и вывели её статус на дашборд, чтобы сбой интеграции был виден сразу. Перед запуском проверили длинные тексты, письма с двумя просьбами, спам и заявки на границе порога.
06 — Итог
Результаты
Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.
- на разбор одной заявки
- 0,4 с
- заявок разбираются без участия человека
- 87 %
- до первого ответа клиенту вместо 2 ч 30 мин
- 6 минут
- за разбор 1000 заявок против 1 200 ₽ у большой LLM
- 38 ₽
«Диспетчер» снимает с менеджера ручную сортировку: каждая заявка сразу попадает к нужному отделу, а человек тратит время только на случаи, где модель действительно сомневается. Каждое его подтверждение пополняет примеры и учит систему.
Первый ответ клиенту сократился с 2 ч 30 мин до 6 минут, 87 % заявок разбираются без участия человека, а разбор 1000 заявок стоит 38 ₽. Большая LLM обошлась бы в 1 200 ₽, ручной разбор — в 9 500 ₽.
FAQ
Вопросы о проекте
Обсудим похожий проект?
Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки

