AIRu

Разбор КЕЙСА 🛒 Ozon подключил AI-агентов к 6 млн обращений в месяц. И получил +30% к точности Когда через поддержку проходит более 6 млн обращений в месяц по 120+ темам, ошибка AI превращается из технической погрешности в вполне измеримый бизнес-риск. Команда Ozon подошла к агентной архитектуре уже с высоким уровнем автоматизации: классические сценарии и интенты закрывали 77,5% обращений без оператора, а после внедрения RAG показатель вырос до 85%. Следующим шагом стали AI-агенты. Даниил Харламов, руководитель группы продукта Ozon, подробно рассказывает, как компания выстраивала эту систему и почему не стала заменять агентами уже работающую автоматизацию. Как устроена архитектура Вместо одного универсального AI-помощника Ozon распределил задачи между разными механизмами. Сначала агент-интервьюер выясняет, что именно нужно пользователю. После этого система выбирает подходящий способ решения: готовый сценарий, RAG или специализированного агента. Например, агент по теме «Где мой заказ» получает данные заказа, обращается к базе знаний, формирует ответ и пропускает его через дополнительную проверку. А в Ozon Fresh отдельного агента тестировали на обращениях по испорченным продуктам: он должен определить ситуацию и по инструкциям решить, положен ли возврат денег или начисление баллов. Особенно интересен агент-интервьюер. Вместо попытки угадать намерение пользователя по одной фразе он может задать до трех уточняющих вопросов. В результате точность определения темы обращения оказалась на 30% выше, чем у классификатора на интентах. Цифры проекта уже выглядят как промышленный кейс: 🔹 85% обращений закрываются без оператора после внедрения RAG – на этой базе разворачиваются агенты. 🔹 +30% к точности определения темы обращения по сравнению с классификатором. 🔹 13 секунд – среднее время ответа агента-интервьюера. 🔹 50 секунд – средний ответ агента по теме «Где мой заказ», по данным Ozon, примерно в 10 раз быстрее оператора. При этом команда отдельно подчеркивает экономику: агенты дороги и нужны далеко не в каждом сценарии. Поэтому существующие сценарии и интенты не выбрасывают, а агентные решения подключают там, где они способны дать дополнительный эффект. ⚙️Технологический стек LLM-агенты, RAG, классические сценарии и intent-классификация, системные промпты, подключение внутренних инструментов Ozon, контекст диалога, LLM as a Judge, golden datasets, A/B-тестирование и собственная агентская платформа. Отдельный слой архитектуры – контроль качества. Ozon создал бенчмарк на базе LLM as a Judge: ответы проверяются по заданным критериям, а автотесты позволяют отслеживать, не ухудшилось ли поведение агента после изменений. В итоге оценка качества фактически выросла в самостоятельный внутренний продукт. 📌 Вывод AIRu: ценность этого кейса не в самих AI-агентах, а в архитектуре их внедрения. Для крупных компаний особенно полезен подход Ozon: не заменять работающую автоматизацию LLM, а точно определять процессы, где агентность оправдывает свою стоимость, и сразу строить вокруг нее систему контроля качества. AIRu в VK AIRu в MAX AIRu в Tg