Як AI-бот розуміє що хоче клієнт — без ключових слів і скриптів

Клієнт пише: «А якщо нас буде п'ятеро, але двоє дітей, то як по ціні?»

Шаблонний бот шукає слово «ціна» і видає прайс-лист. Клієнт читає цифри, не розуміє відповіді на своє конкретне питання і закриває чат. Запис не відбувся.

AI-бот розбирає цей же запит, розуміє що питання стосується групового бронювання зі змішаним складом, знаходить у базі знань умови на дитячий квиток, і відповідає: «Для п'яти осіб, де двоє дітей до 12 років, вийде 3 × 350 ₴ + 2 × 200 ₴ = 1450 ₴ за сеанс. Хочете обрати час?»

Ось у чому різниця між розпізнаванням ключових слів і розпізнаванням намірів.

Від ключових слів до розуміння намірів — в чому різниця

Шаблонний бот-конструктор (SendPulse, ChatFuel, ManyChat) працює за принципом умов: якщо в тексті є слово X — виконай дію Y. Це швидко налаштовується і добре виглядає в демо. Але клієнти не говорять ключовими словами.

Реальні запити виглядають так:

• «Привіт, хочемо до вас наступної неділі» — ні слова «бронювання»
• «А у вас є знижки для постійних?» — питання про лояльність, але може виглядати як скарга на ціну
• «Ми вже були у вас торік, пам'ятаєте?» — запит зв'язати з попереднім візитом

Flow-based бот або не відповідає на це взагалі (fallback «не розумію»), або видає стандартну відповідь яка не відповідає контексту. Клієнт відчуває що говорить із машиною і або пише у Viber, або дзвонить.

AI-бот не шукає ключові слова. Він читає повідомлення цілком, враховує контекст попередніх фраз у розмові і розуміє що саме хоче клієнт — навіть якщо формулювання нестандартне.

Це і є intent recognition: розпізнавання наміру, а не збіг тексту.

Як LLM обробляє повідомлення клієнта

Без зайвого жаргону, ось що відбувається під капотом.

Коли клієнт надсилає повідомлення, модель (наприклад, gpt-4o-mini) отримує на вхід три речі одночасно:

Системний промпт — твої інструкції боту: хто він, як відповідає, що може і не може робити, яким тоном спілкується. Приблизно 2000 токенів.

Витяжка з бази знань — релевантні шматки твого прайсу, умов, FAQ. Система RAG (retrieval-augmented generation) знаходить потрібні фрагменти по семантичній схожості — не по ключових словах. Приблизно 1000-2000 токенів.

Контекст розмови — всі попередні повідомлення цього клієнта в поточній розмові. На початку — 50-100 токенів. До кінця довгої розмови — 500-800 токенів.

Модель зчитує все це разом і генерує відповідь. Аналогія: уявіть досвідченого адміністратора, якому перед кожною відповіддю хтось шепоче на вухо весь контекст розмови, актуальний прайс і ваші правила роботи. Він не згадує слова клієнта — він розуміє що той хоче.

Важливо: модель не «запам'ятовує» клієнта між розмовами — тільки всередині однієї сесії. Між сесіями пам'ять забезпечує CRM або збережений профіль клієнта, а не сама модель.

Вартість обробки одного повідомлення при gpt-4o-mini: input $0.15 / мільйон токенів, output $0.60 / мільйон. Ціла розмова з 10 повідомлень коштує менше $0.002. Детальніше по математиці — у статті Скільки коштує AI-менеджер.

Три типи намірів у leisure-бізнесі

Практично всі запити від клієнтів leisure-бізнесу розпадаються на три категорії. Знаючи їх, легше налаштувати базу знань і перевірити якість бота.

Інформаційний намір — клієнт хоче дізнатися, не зобов'язується.

Приклади: «Що у вас є для дітей 7 років?», «Скільки коштує аренда кімнати на 2 години?», «До якої години ви працюєте в суботу?»

Як KB відповідає: точний факт плюс, якщо доречно, заклик до наступного кроку. Не треба одразу питати «Хочете записатись?» після кожного інформаційного запиту — це дратує.

Транзакційний намір — клієнт готовий діяти.

Приклади: «Хочу записатись на п'ятницю», «Можна забронювати на 18:00?», «Оформіть будь ласка».

Як KB відповідає: підтвердити деталі (дата, час, кількість осіб), зафіксувати запис, надіслати підтвердження. Тут бот повинен бути швидким і конкретним — жодних зайвих кроків.

Уточнюючий намір — клієнт вже у процесі вибору або бронювання, але потребує деталі.

Приклади: «А якщо ми запізнимось на 15 хвилин?», «У вас є парковка?», «А знижка діє і в неділю?»

Як KB відповідає: конкретна відповідь на конкретне запитання, без перебудови всього діалогу. Це найчастіший тип в середині розмови — і саме він ламає шаблонні боти, бо їм важко повернутись до основного flow після уточнення.

Детально про те, як структурувати KB під кожен тип запитів — в статті Як навчити бота вашим послугам і цінам.

Коли бот помиляється і що з цим робити

Навіть добре налаштований AI-бот помиляється. Ось найчастіші причини і що з ними робити.

Неоднозначний намір. Клієнт пише: «Хочу завтра». Що саме хоче — невідомо. Бронювання? Дізнатись розклад? Правильна стратегія: бот ставить уточнювальне питання («На завтра — хочете записатись або перевірити, що є вільного?»), а не вгадує.

Незнайомий жаргон або помилки. «Зарєзервуйте місте» або «квест-рум на чотирьох». Модель gpt-4o-mini добре справляється з друкарськими помилками і неформальним написанням — але якщо у вашому бізнесі є специфічні терміни (назви пакетів, послуг), їх варто прямо прописати в KB.

Суміш двох запитів в одному. «Скільки коштує і чи є вільне в суботу після 17:00?» — два питання одночасно. Хороший бот відповідає на обидва послідовно. Якщо відповідає тільки на одне — перевір чи є в KB чіткий розподіл між ціновою інформацією і доступністю слотів.

Відсутність теми в KB. Клієнт питає щось що взагалі не описано: «А у вас є знижки для корпоративів?» — а в KB про це ні рядка. Бот або відповідає загально, або каже «я не знаю». Другий варіант чесніший. Перший варіант — fallback: «З корпоративних питань краще зв'яжіться з нами напряму: [контакт]».

Handoff до людини. Якщо запит явно за межами можливостей бота (скарга, нестандартна ситуація, клієнт наполягає на людині) — бот повинен передати розмову і не намагатись вирішити самостійно. Налаштуй це явно в промпті.

Як перевірити якість розпізнавання у своєму боті

Найпростіший спосіб — зіграти роль клієнта і надіслати боту список тестових запитів. Ось базовий набір для leisure-бізнесу:

Інформаційні:

• «Що у вас є для компанії 6 осіб?»
• «У вас є щось для дітей до 10 років?»
• «До якої години працюєте у вихідні?»

Транзакційні:

• «Хочу записатись на суботу на 19:00, двоє дорослих»
• «Оформіть бронювання будь ласка»
• «Можна зарезервувати на наступні вихідні?»

Уточнюючі:

• «А якщо нас буде більше?»
• «Знижка діє на цей пакет?»
• «Можна перенести якщо щось станеться?»

Нестандартні:

• «Ми вже були у вас, хочемо знову»
• «Щось дорогувато, є щось дешевше?»
• «Не розумію що обрати»

Рахуй відсоток відповідей де бот: а) зрозумів намір, б) дав точну відповідь з KB, в) зробив наступний крок. Мета — 85%+ «правильних» відповідей за цим набором до запуску.

Якщо бот регулярно помиляється на певному типі запитів — шукай проблему або в промпті (незрозуміло що робити з цим типом), або в KB (немає потрібних даних). Про структуру KB — в ai-administrator-dlya-biznesu.

Тестуй не один раз при запуску, а щоразу після оновлення KB або промпту — навіть невелика зміна може вплинути на відповіді в сусідніх темах.