В чате МПКМ заработал AI-консультант: знает весь каталог, цитирует ГОСТы и не выдумывает данные

Строительная химия — узкая отрасль. Каждый второй вопрос клиента требует инженерных знаний: подобрать ремонтный состав по классу бетона и толщине слоя, посчитать расход на квадрат, проверить совместимость с антикоррозионной защитой, найти нужный пункт в нормативе. Менеджер тратит на такой разбор 15–20 минут. А прораб пишет в чат в 23:00 после смены или в 6 утра перед выездом на объект — когда отвечать уже некому.

Чтобы закрыть этот разрыв, мы запустили в чате на сайте AI-консультанта. Внутри команды мы зовём его «Бендер ИИ» — за прямой инженерный характер без сюсюканья. Он отвечает на первый круг вопросов мгновенно и круглосуточно: показывает подходящие товары с характеристиками и ценами, прикладывает ссылку на техкарту, цитирует норматив. Если клиента всё устраивает — он оставляет контакт, и менеджер утром звонит уже подготовленным.

Что знает Бендер ИИ

Главное отличие нашего консультанта от обычного чат-бота — он отвечает не «из головы», а из нашей реальной базы. Прежде чем ответить, он ищет информацию в каталоге, техкартах, нормативах и архиве переписки менеджеров — и только потом формулирует ответ. Вот что у него в памяти:

Отдельно стоит сказать про 675 связей совместимости. На вопрос «какой клей подойдёт к углеродной ленте CarbonWrap Tape 530/300» бот не вываливает пять разных лент, а понимает, что в фокусе клей, и через граф связей возвращает именно совместимый состав. Это работа на уровне менеджера, который держит соответствия в голове.

Как мы «научили» его читать отсканированные ГОСТы

В строительной отрасли половина документов — это сканы. Не текстовые файлы, а картинки: страница норматива, сфотографированная или отсканированная, часто с водяными знаками поверх. Обычная программа не может достать из такой картинки текст — она видит только наши водяные знаки «МПКМ, МПКМ, МПКМ» по всей странице. А значит, и бот по такому документу искать не может.

Это касалось ключевых нормативов. СП 164.1325800.2014 — главный документ для усиления конструкций углеволокном — лежал у нас на сайте именно сканом. Формально файл есть, бот его «видит», но про содержимое не знает ничего. Клиент спрашивает «какие требования к прочности бетона по СП 164?» — а бот разводит руками.

Мы прогнали такие документы через распознавание текста (OCR). Из СП 164 получилось 100 900 символов читаемого норматива — это около шестидесяти страниц плотного текста. После этого бот стал отвечать на вопросы по этому СП конкретными цитатами. Для меня это и был момент, когда я перестал быть скептиком: бот, который вчера говорил «документа нет», сегодня цитирует пункт норматива с номером.

Каждое утро он сдаёт экзамен

AI по своей природе склонен «галлюцинировать» — то есть выдавать правдоподобный, но выдуманный ответ, если в его данных чего-то нет. Для развлекательного бота это не страшно. Для бота, который советует материалы для несущих конструкций, — недопустимо. В первые дни наш консультант, например, на вопрос «кто производитель этого бренда» уверенно назвал компанию, которой не существует. Просто придумал правдоподобное название.

Поэтому мы выстроили систему ежедневной проверки. Каждое утро в 10:00 на сервере запускается симуляция: один AI играет роль клиента, наш бот отвечает, третий AI-эксперт оценивает диалоги по 15 строгим правилам. Двадцать разговоров, двадцать разных характеров — въедливый инженер, прораб-срочник, недоверчивый клиент, тролль, эколог-активист, конкурент-провокатор и другие. Это не выдуманные персонажи, а карикатуры на нашу реальную аудиторию, собранные из накопленной переписки.

Бот должен с каждым остаться профессионально спокойным: не поддаться на провокацию, не обидеться, не наобещать лишнего и не соврать ради заказа. К концу симуляции мне на почту приходит отчёт — сколько диалогов пройдено, где провалы, что чинить. За время разработки доля успешно пройденных диалогов выросла с 7 из 20 до 15 из 20 — вдвое. Это измеримый прогресс, а не ощущение.

Как это выглядит на практике

Вот реальный ответ консультанта на каверзный вопрос. Клиент спрашивает про материал для усиления балок над школьной столовой и давит на пищевую безопасность — тема, по которой легко наобещать лишнего:

Здесь видно главное: бот не выдумал несуществующий сертификат, чётко разделил «что есть в техкарте» и «чего в ней нет», дал честную инженерную оценку с оговоркой, привёл остаток и предложил передать запрос в техподдержку. Никаких пустых обещаний — только факты из документации и понятный следующий шаг.

Чем это отличается от ChatGPT

Логичный вопрос: «зачем мне ваш бот, я спрошу у ChatGPT». Разница принципиальная. ChatGPT — универсальный эрудит. Он знает много обо всём, но цену Mapegrout Thixotropic за мешок 25 кг, его наличие на нашем складе, действующую скидку и ссылку на техкарту он не знает — этих данных у него нет нигде, кроме нашей базы. Он может только догадываться и, что хуже, правдоподобно выдумывать.

Наш консультант — это языковая модель плюс наша реальная база. Он отвечает по нашему каталогу, нашим техкартам, нашему архиву ответов менеджеров за годы. И когда данных нет — он так и говорит «нет», а не сочиняет несуществующий артикул. Это правило прописано отдельной строкой в его инструкции.

Почему DeepSeek, а не Алиса

Логичный вопрос для российской компании: почему в основе не отечественная YandexGPT — та самая модель, что стоит за Алисой. Сразу главное: мы выбирали не по цене, а по тому, что лучше справляется с нашей задачей. А задача специфическая — в один запрос боту нужно вложить карточку товара, фрагмент техкарты и историю диалога одновременно. Это десятки тысяч «токенов» — условных кусочков текста, которые модель удерживает в памяти за раз.

Здесь и оказалась разница. У DeepSeek окно памяти позволяет вложить весь этот объём с запасом. У YandexGPT 5 архитектурный предел — 32 000 токенов, а публичный API на момент нашего сравнения ограничивал один запрос ещё сильнее. Для разговора «дай цену» этого хватит, а для инженерного запроса с техкартой и нормативом — впритык. DeepSeek при этом отлично работает с русским языком, что для нас критично.

И да, DeepSeek — это открытая языковая модель родом из Китая. Но в нашем проекте она работает на российском сервере: данные не покидают РФ, оплата в рублях, договор как с любым B2B-сервисом. Так что вопрос «иностранное или нет» с точки зрения данных закрыт — всё в российском контуре.

Цена оказалась приятным бонусом. Модели тарифицируются за токены на входе (наш запрос) и на выходе (ответ клиенту). Один типовой диалог нашего бота — около 8000 входящих и 600 исходящих токенов. Вот во что обходится один и тот же диалог на разных моделях:

На типовом диалоге Алиса обошлась бы примерно в 30 раз дороже, а по исходящим токенам разница доходит до 54 раз. При потоке в сотни диалогов в месяц это заметная экономия — но, повторюсь, выбор мы делали в первую очередь по качеству работы с нашими длинными инженерными запросами, а не по ценнику.

Где живут данные и что с безопасностью

Вопрос для бизнеса важный, отвечаю прямо. Поисковая база, индекс каталога, история диалогов, распознанные документы — всё это на нашем сервере в российском дата-центре. Сами ответы формирует языковая модель DeepSeek V4 Flash Thinking, развёрнутая на российском сервере. Данные клиентов за пределы РФ не уходят.

Как это собрал один человек за две недели

Отдельно скажу про то, как это вообще удалось сделать. Ещё пару лет назад такой проект означал бы команду разработчиков, несколько месяцев работы и бюджет в миллионы рублей. Сегодня всё иначе. Я не программист — у меня нет ни строчки профессионального опыта в коде. Но с помощью четырёх AI-инструментов я собрал и довёл этого консультанта до рабочего состояния примерно за две недели.

Для меня это и есть главный вывод проекта: то, что раньше требовало команды и бюджета, сегодня может сделать один человек с правильными инструментами. Не «вместо разработчиков» в большом продукте — но для конкретной прикладной задачи это реально работает.

Я полгода считал, что AI — это хайп. Перелом случился, когда наш бот процитировал пункт СП 164 с номером — норматив, который ещё вчера был для него невидимой картинкой. Это уже не игрушка. Это инструмент, который меняет уровень доступа к отраслевым знаниям.

Чего бот не делает — и это сознательно

Мы специально ограничили его. Консультант не называет конкретных сроков поставки («привезём завтра» — путь к рекламации), не даёт юридических гарантий возврата и не считает усиление конструкций вместо проектировщика. По всем этим вопросам он передаёт диалог менеджеру. И ещё: когда менеджер уже подключился к разговору в чате, бот замолкает на 30 минут, чтобы не мешать живому диалогу.

Бот — это первый круг консультирования и инженерный справочник под рукой. Решение всегда принимает человек, а сделку подтверждает менеджер. Мы не маскируем робота под человека: он представляется в первой же реплике, и клиент сам решает — продолжать в чате или дождаться менеджера.

Частые вопросы

AI-консультант предоставляет справочную информацию на основе каталога и документации МПКМ и может допускать неточности. Цены, наличие, сроки поставки и условия возврата требуют подтверждения менеджера. Цитаты нормативных документов носят ориентировочный характер; проектные решения должны основываться на оригиналах ГОСТов и СП и расчётах квалифицированного специалиста. ООО «МПКМ» — официальный дистрибьютор ряда представленных брендов; в отношении прочих производителей компания выступает поставщиком.