Что мы уже сделали

В чатах комьюнити (>10К участников) команда модераторов отвечала на одинаковые вопросы по 30+ часов в неделю на человека: расписание, условия членства, регламенты — поток повторов. Старшие модераторы не успевали разбирать сложные случаи, новички уходили без ответа.

ИИ-агент с RAG по базе знаний клуба (методички, FAQ, регламенты, расписание). Отвечает на типовые вопросы мгновенно — за 2–4 секунды. Сложные эскалирует модераторам с готовой саммари и предложением вариантов ответа. Все взаимодействия логируются для аудита и итеративного обновления базы знаний.

• Время на типовые вопросы: ~60 ч/нед на модератора → ~9 ч/нед (за 3 месяца)
• +5% конверсия в новые членства (атрибуция — ответ за секунды vs часы)
• 24/7 покрытие — раньше модерация шла только в рабочее время
• Один модератор справляется с нагрузкой, на которую раньше уходило трое

Сложные индивидуальные вопросы (~12% трафика) по-прежнему эскалируются модератору — это сделано намеренно. RAG обновляется раз в неделю, между обновлениями новые регламенты могут отвечать «свяжитесь с модератором».

Заявки приходили в CRM через WhatsApp, Telegram и формы на сайте. Менеджеры обрабатывали в порядке очереди — первый ответ через 3–4 часа в среднем (медиана). Холодные клиенты остывали ещё больше, конверсия из заявки во встречу падала. Срочные запросы тонули в общей очереди.

Связка n8n + LLM-агент: заявка → классификация по типу и срочности → персонализированный первый ответ через минуту → передача менеджеру с готовой саммари и BANT-оценкой клиента. Сложные B2B-заявки агент маркирует как «требуют человека» и не отвечает по сути — только подтверждает получение и сообщает срок.

• Среднее время первого ответа: 3 часа → 1 минута (медиана; max 90 секунд)
• Менеджеры получают саммари и BANT-оценку вместо raw-заявки
• −70% затрат на ручную обработку входящих (атрибуция — фонд оплаты)
• Конверсия в первую встречу +18% за счёт скорости первого касания

Сложные B2B-заявки с детальным ТЗ маркируются как «требуют человека» — агент не отвечает по сути, только подтверждает получение. Это сделано намеренно: имитировать экспертный ответ на нестандартной задаче — путь к разочарованию клиента.

Младшие менеджеры каждый второй вопрос задавали старшим: продуктовые детали, ответы на типовые возражения, регламенты, политика возврата. Около 50 обращений в день на 3 старших. Старшие тратили ~3 часа в день на «справочное бюро» вместо стратегических задач и работы с горячими клиентами.

Кастомный ИИ-агент по внутренней базе знаний (Notion + регламенты в Markdown). Продуктовые материалы, ответы на типовые возражения, скрипты, политики — всё индексируется в pgvector еженедельно. Доступ через Telegram-бота: младший менеджер задаёт вопрос на русском, агент отвечает за 5–10 секунд с цитатой источника.

• Обращения младших к старшим: ~50/день → ~5/день (за первый месяц)
• Скорость ответа клиенту в среднем в 4 раза быстрее (внутренний chronograph)
• Стандартизация ответов: один tone-of-voice по всей команде
• Старшие менеджеры освободили ~20 часов в неделю на стратегические задачи

Новинки продукта в первые 2–3 недели после релиза эскалируются — RAG обновляется раз в неделю, между обновлениями старшие отвечают вручную. Это компромисс между свежестью базы и стоимостью реиндексации.

Telegram-канал How2AI с активным комьюнити получал ~30 спам-сообщений в день: реклама, фишинг, ботнеты, завуалированная реклама в виде вопросов. Ручная модерация не успевала, репутация канала страдала, пользователи кликали по фишинговым ссылкам до того, как админы успевали удалить.

Двухслойный ИИ-модератор. Первый слой — Claude — отличает явный спам (реклама, ссылки, фишинг) и баннит мгновенно. Второй слой — GPT-4 с context-aware-проверкой — анализирует подозрительные сообщения в контексте разговора: реклама ли это или нормальный вопрос с примером? Подозрительные сообщения — в очередь админам на проверку. Все решения логируются.

• Явный спам (реклама, ссылки, фишинг): отлов 100% за 6 месяцев
• Контекстный спам (завуалированная реклама): отлов ~92% (8% — false-negative)
• Спам-сообщений в публичном канале: ~30/день → 0–2/день
• Нагрузка на админов на модерацию: −10× по времени
• Прозрачные логи — каждое решение можно проверить и оспорить

~3% false-positive по сложным сообщениям с обилием ссылок — попадают в очередь на проверку, а не в моментальный бан. Контекстный спам с тонкой завуалированной рекламой ловим ~92% — для оставшихся 8% требуется итеративная докрутка промптов и базы примеров. Это непрерывный процесс, не «настроил и забыл».

В открытом Telegram-чате — стабильный поток спама: предложения «быстрого заработка», фейковая работа на 4 000 ₽ за день, фишинговые ссылки, «доход от 5 000 в день — пишите в лс». Ручная модерация не масштабируется: спам приходит круглосуточно, активнее всего в обед рабочих дней. Старые подходы — стоп-слова, regex, белые/чёрные списки — пропускают всё, что чуть отличается от шаблона. А отличается оно постоянно.

ИИ-модератор читает каждое подозрительное сообщение и классифицирует его по смыслу, а не по словарю. Под каждый тип нарушения — градация ответа: предупреждение, мьют на сутки, бан. Все срабатывания пишутся в лог: время, паттерн, действие. Из лога — аналитика по часам, дням и месяцам, чтобы видеть как меняется спам и когда модератор работает интенсивнее всего.

• 9 000 модераций за 2025 год — в среднем 25 действий в день
• Пиковый день — 82 модерации (апрель 2025), пик месяца — март-апрель
• Пик активности спамеров — 11:00 UTC (14:00 MSK), то есть рабочий обед
• Чат стал заметно чище — спам по тексту ловится почти весь

Бот не читает картинки. Спамеры адаптировались — упаковывают тот же текст в изображения, и текущий модератор это пропускает. Для исправления нужно подключить vision-модель, которая будет читать картинки. Активная работа этого модератора заканчивается 8 февраля 2026 — дальше история продолжится в другом виде.