Більшість статей про «AI для e-commerce» оперують гіпотетичними відсотками. Цей кейс показує телеметрію проду: скільки діалогів реально веде AI-агент для живого магазину, коли пишуть клієнти, скільки коштує розмова — і чого агент свідомо поки не робить.
Задача: консультанти не масштабуються під піки
Клієнт: великий український інтернет-магазин одягу з мережею 30+ офлайн-магазинів (назву за домовленістю не розкриваємо; галузь і цифри реальні).
Вузьким місцем були консультанти. У промо-дні запитання летять сотнями на годину — «а ця сукня є в M?», «де моє замовлення?», «з чим носити цю спідницю?» — і жодна команда підтримки так не масштабується. Поза піками — дзеркальна проблема: третина всіх повідомлень приходить поза робочим днем 9–18, коли не відповідає ніхто. Клієнтка, готова купити о 22:00, до ранку охолоджується.
Відповіді існували — в каталозі й обліковій системі. Бракувало того, хто доставить їх будь-якої години, миттєво, без черги.
Рішення: консультант усередині Instagram, Viber і Telegram
Grow2.ai побудувала діалогового AI-агента, який живе там, де вже є клієнти магазину — в Instagram Direct, Viber, Telegram і чаті на сайті — і працює як хороший консультант:
- Знаходить товари за описом — пошук по живому каталогу, синхронізованому з залишками: агент не порадить те, чого немає.
- Шукає за фото. Клієнтка надсилає картинку — агент розпізнає річ і знаходить таку саму або схожі в каталозі.
- Перевіряє розміри й наявність у реальному часі — по магазинах і складах.
- Відстежує замовлення і бонуси — «де моя посилка?» і «скільки в мене балів?» відповідаються з живих даних.
- Обробляє Instagram-активність. Згадка магазину в сторіз отримує теплу подяку, а запити блогерів і партнерів агент відводить на окремий канал співпраці — не змішуючи їх із чергою покупців.
- Пише все в CRM. Діалоги стають контактами й угодами в Bitrix24 — менеджери бачать повну історію.
Агент відповідає українською, тримає тон бренду і пам'ятає контекст розмови: від «покажи лляні сукні» до «а яка з них є в Харкові в S?» — без повторень.
Цифри: телеметрія проду, не оцінки
Метрика | Значення |
|---|---|
У проді з | кінця березня 2026 |
Діалогів із покупцями (квітень–липень) | 6 400+ |
Частка Instagram у діалогах (червень) | 67% |
Унікальних клієнтів за останні два тижні | 1 256 |
Повідомлень поза годинами 9–18 | 33% |
Повідомлень уночі (22:00–08:00) | 10% |
Медіанний час відповіді | 13 секунд |
LLM-витрати на діалог (червень) | ≈€0,10 (≈$0,11) |
Дві цифри несуть увесь бізнес-кейс. Третина попиту приходить, коли на зміні нікого немає — раніше цей попит тихо губився. І за ≈€0,10 (≈$0,11) на розмову гранична вартість обслуговування ще одного клієнта майже нульова: агент поглинає промо-піки без найму, навчання і вигорання. Кожен діалог проходить через self-hosted платформу спостережуваності (Langfuse), тож ця економіка виміряна, а не змодельована.
Розподіл каналів теж показовий: дві третини червневих діалогів (67%) прийшли через Instagram Direct — для fashion-магазину аудиторія живе саме там. Viber і Telegram разом додають близько 30%, чат на сайті — решту. E-commerce-агент без Instagram пропускає більшість розмов.
Контроль якості: рев'юер, який може лише викреслювати
Тон бренду — актив, і перше питання кожного власника: «а якщо бот бовкне дурницю?». Архітектура відповідає трьома шарами:
- Заземлені відповіді. Агент відповідає з каталогу й бази знань — він не вигадує факти про товари.
- Комплаєнс-рев'юер з одностороннім правом. Друга модель перевіряє кожну вихідну відповідь проти правил бренду і може лише видаляти проблемні фрагменти. Додати нові обіцянки, знижки чи твердження вона фізично не може — рев'юер, який вміє лише викреслювати, не галюцинує.
- Передача людині. Коли агент не впевнений — або клієнт просить людину — діалог переходить менеджеру разом із повним контекстом.
Кожна розмова простежується наскрізь: що спитав клієнт, що агент дістав із каталогу, що викреслив рев'юер, скільки тривав і коштував кожен крок.
Чого агент свідомо поки не робить
Станом на липень 2026 агент консультував, перевіряв і відстежував, а фінальне замовлення в обліковій системі ще оформлював менеджер. Наступний етап клієнт пріоритезував після трьох місяців проду — і це каже більше за будь-яке опитування. Тепер цей етап працює: агент сам оформлює замовлення, воно автоматично потрапляє в 1С, а посилання на оплату клієнт отримує в тому ж чаті — повний цикл від «покажи сукні» до оплаченого замовлення.
Агент також не вигадує знижок, не відповідає з фальшивою впевненістю на «а мені пасуватиме?» і не прикидається людиною.
Патерн — діалоговий агент над живим каталогом, з пошуком за фото, CRM-інтеграцією і рев'юером-«цензором» — лягає на будь-який рітейл, де клієнти ставлять однакові питання про товари, наявність і замовлення. Повну грошову математику порівнянного проєкту дивіться в кейсі дилерської мережі з ROI і в розборі трьох рівнів захисту AI-агента.
Хочете таку саму математику для свого магазину? Порахувати можна двома шляхами: AI-аудит за 2 хвилини або розбір: тридцять хвилин із засновником. Покажемо, де агент окупається саме у вашому процесі.
Кейс задокументував Andrew Maryasov, засновник Grow2.ai — AI-агенти для бізнесу. Назва клієнта не розкривається за домовленістю; всі цифри — телеметрія проду (Langfuse), липень 2026.