Недозвон отменяется: как мы собрали ИИ-админа для косметологической клиники, который отвечает 24/7
Отредачили отдел продаж: ИИ-админ Алина, который не спит, не тупит и ловит звонки 24/7
В косметологии звонок в 9 утра или после 8 вечера — это норма. Проблема в том, что админ либо не на рабочем месте, либо занят гостем и просто не может поднять трубку.
Итог: недозвон, клиент уходит к конкурентам, бизнес теряет деньги. Мы решили эту проблему, внедрив полноценного цифрового ИИ-менеджера для клиники.
Snapshot (для тех, кто торопится)
Клиент: частная клиника косметологии.
Боль: недозвоны вне времени работы и в часы высокой нагрузки.
Решение: не «тупой» бот со скриптами, а обучаемый ИИ-агент «Алина» на базе CRM (LP-Tracker).
Результат: 2 месяца настройки. 0 пропущенных звонков. 90% клиентов уверены, что говорят с человеком (на основании анализа звонков за 4 месяца).
Контекст: Почему LP-Tracker?
Наш клиент уже давно работал в LP-Tracker — это мощная CRM-система, где аккумулировались все заявки и звонки. Когда коллеги из LP-Tracker предложили внедрить их нового ИИ-менеджера, мы поняли: это идеальный мэтч. Нам не нужно было плодить новые сущности — мы интегрировали интеллект прямо туда, куда приходят заявки.
Задача: Сделать «человека», а не автоответчик
Мы сразу договорились: никаких «нажмите 1 / оставайтесь на линии». Нам был нужен ИИ-администратор, который понимает контекст, отвечает на душные вопросы по процедурам и разговаривает живым языком.
Этапы внедрения бота
1. Архитектура личности
Над работой бота трудились 3 человека в ZOOM: наш маркетолог, менеджер клиники и техспец по внедрению. Мы начали с создания многосоставного промпта. Это «мозг» Алины (так мы назвали бота). Мы прописали:
Роль и уникальный стиль речи.
Правила пунктуации и смысловые паузы.
Запрещенные слова и правила использования падежей. Это был этап проектирования «человечности» — чтобы бот не просто выдавал текст, а имитировал живое общение.
2. База знаний: двоекратная выжимка
ИИ должен знать о клинике всё. Мы собрали информацию по 40+ направлениям: от аппаратной косметологии до IV-терапии.
По каждой процедуре расписали:
название и цену
кому подходит
как проходит и какой эффект
показания и противопоказания
на каком аппарате проходит (если требовалось).
Важный момент: Изначально база разрослась до 35 листов Google Docs. Пришлось жестко отредачить её до 18 листов. Зачем? В этой модели чем точнее/компактнее база — тем дешевле обходится каждый звонок для клиента.
3. Обучение через симуляции: 15 созвонов по 1.5 часа
Это самая «мясистая» часть. Мы составили скрам-таблицу и методично обучали Алину каждой услуге.
Механика:
Подключаем готовую базу знаний к CRM LP-Tracker.
Моделируем звонок: наш маркетолог и менеджер клиники «пытают» бота вопросами от лица клиентов в текстовом чате.
Если Алина лажает — правим ответ в режиме реального времени и добавляем новое правило в библиотеку. В дальнейшем бот имеет доступ ко всем правилам накопившейся библиотеки и не совершает предыдущих ошибок.
Всего провели 15 таких сессий по 1,5 часа. Только так можно добиться того, чтобы ИИ понимал, что именно хочет услышать человек, записываясь, например, на контурную пластику.
На сложные вещи, которые не решались настройками, подключали отдел внедрения LP-Tracker и на отдельных созвонах допиливали проблемные участки.
4. Тест-драйв и первый контакт с клиентами
Прежде чем доверить Алине всех клиентов, мы провели многоступенчатый тест:
Внутренняя обкатка: сначала звонили ей сами внутри CRM. Важно было проверить, как она воспринимает именно устную разговорную речь (после обучения в текстовых чатах).
Тестовые смены: включали Алину на все входящие на 2–3 часа. В это время мы мониторили каждый звонок в реальном времени, анализировали ответы и вносили финальные правки в промпты.
Финальный запуск: когда всё отладили, настроили логику: Алина подхватывает трубку только если менеджер не отвечает более 10 секунд или если звонок поступил в нерабочее время.
Реальность: баги, ударения и «телефонные маньяки»
Мы не верим в идеальные кейсы, поэтому вот список того, что пришлось фиксить «на ходу»:
Битва за паузы. Люди часто молчат, когда думают. Алина поначалу принимала это за финал речи и перебивала. Мы тонко настраивали задержку ответа, чтобы она давала клиенту договорить в 90% случаев. К сожалению, 100% результат - нереален.
Ударения в фамилиях. Чтобы бот не коверкал фамилии, мы прописывали ударные слоги вручную в настройках произношения.
Кейс «Извращенец». Был случай, когда боту позвонил неадекват и дважды около часа пытался склонить Алину к непристойностям. ИИ выдержал атаку, оставаясь в рамках приличий. Мы посмеялись и добавили в черный список фразы, при которых Алина просто вешает трубку. Мы бы добавили скриншот, но там нечего читать, все придется блюрить.
Что на выходе?
Сейчас Алина — это полноценный сотрудник клиники. Поскольку прямой интеграции с медицинской информационной системой (МИС) пока нет, она работает по гибридной схеме:
Принимает 100% входящих звонков 24/7.
Консультирует, отвечает на вопросы по ценам и противопоказаниям.
Фиксирует желание клиента записаться и говорит, что скоро перезвонит администратор для записи на конкретную дату и время.
Транскрибирует весь диалог в CRM LP-Tracker.
Администратор клиники видит готовый текст разговора, понимает контекст и перезванивает клиенту уже для финальной записи.
Итог: мы полностью лишились пропущенных вызовов. Админы могут спокойно работать с гостями в холле, зная, что Алина подстрахует на телефоне. Клиенты довольны, запись идет, деньги в кассе.