ИИ-тьютор для продавцов: как автоматизировать обучение сотрудников и увеличить выручку

Недавно я уже писал о том, как ИИ трансформирует образование. Сегодня расскажу о реальном кейсе разработки ИИ-тьютора для одной известной e-commerce платформы.

На этой платформе работают сотни тысяч продавцов, которым необходимо уметь не только хорошо продавать, но и эффективно пользоваться самой платформой. Рост продаж выгоден и продавцу, и платформе.

Главная цель ИИ-тьютора - автоматически создавать полезные курсы и уроки для продавцов, которые будут повышать их эффективность и увеличивать динамику продаж без дополнительной нагрузки на команду платформы.

Что по техчасти? Это система из двух агентов:

• ИИ-методист. Его главная задача - создание образовательных материалов. Здесь задействован целый пайплайн: на основе описания целевой аудитории и определения образовательных результатов (чему должен научиться продавец) агент составляет план курса по модулям, темам и разделам, затем формулирует поисковые запросы к базе знаний, извлекает оттуда нужную информацию и на выходе отдает готовый материал.

• ИИ-редактор. Он адаптирует текст под требуемый формат - будь то внутренние уроки на платформе или контент для соцсетей. ИИ-редактор дообучен на данных человека-редактора и создает текст, способный обойти ИИ-детекторы. В итоге агент получает на вход целый курс из модулей, тем и отдельных уроков, а выдает человекоподобный приятный текст.

Как сделать так же?

1. Соберите всю информацию в организации в одну базу знаний (FAISS, Qdrant, PGVector и т.д.) и настройте Agentic RAG - многоуровневую агентную структуру, которая разбивает сложные запросы на подзапросы и адаптируется к меняющимся условиям.

2. Используйте n8n или langchain для создания промт-архитектуры методиста и редактора. Эти фреймворки значительно ускоряют процесс разработки ИИ-агентов: n8n отлично подходит для простых задач и no-code автоматизации, langchain дает больше гибкости, а langgraph хорош там, где нужно активное взаимодействие человека и ИИ (особенно в ассистирующих системах). Мы выбрали langchain, потому что нам требовалась гибкость и простая интеграция с базой знаний.

3. Затем соберите человеческие статьи и дообучите модель на них (подробно о том, как это сделать и обойти ИИ-детекторы, я писал тут). Если вы работаете с чувствительными данными, подойдет небольшая модель - огромного числа параметров не требуется, так как основная задача редактора заключается в копирайтинге. Можно, например, взять русскоязычную модель «Вихрь». Одному из клиентов мы дообучали ее для другого кейса, но в данном кейсе использовали платформу OpenAI.

В итоге все компоненты были объединены в Telegram-бот для оператора системы (назовем его ИИ-менеджером), который задавал только темы курсов или отдельных уроков, основываясь на обратной связи от продавцов.

С помощью таких уроков продавцы начинают увереннее пользоваться платформой и совершенствуют навыки продаж на практике. Продавцы и платформа зарабатывают больше, человека-редактора повысили до ИИ-менеджера и теперь он работает меньше - все в выигрыше!

Что дальше? Я вижу большой потенциал развития ИИ в образовательных кейсах:

• Генерация коротких образовательных видео с ключевыми тезисами, которые удерживают внимание;

• Интерактивные квизы в конце уроков для лучшего закрепления материала;

• Чат-ассистент, с которым можно обсудить материал и заполнить пробелы в знаниях;

• ИИ-симуляторы с клиентами для реалистичной тренировки навыков продаж;

• Автоматический анализ диалогов с клиентами для предоставления обратной связи и рекомендаций.

Таким образом обучение превращается в полноценный интерактивный тренажер, позволяющий новичкам стать матерыми продавцами. И это не обязательно про продажи: подобный подход можно применить в любых доменах и областях знаний.

Думаю, что не только для коммерческих компаний, но и для школ и университетов это тоже был бы отличный помощник. Как считаете?

#кейсы