ШІ-асистенти поступово з'являються в інтернет-магазинах, сервісах та корпоративних сайтах. Ідея виглядає просто: користувач відкриває чат, ставить питання, а штучний інтелект відповідає приблизно так само, як це зробив би менеджер.
Але чи справді для кожної відповіді потрібен ШІ? Якщо покупець хоче перевірити наявність товару, актуальну ціну, знижку або умови доставки, сайт часто вже знає правильну відповідь.
Під час тестування ШІ-чату для інтернет-магазину я спробував трохи інший підхід: поєднати звичайну логіку сайту та можливості штучного інтелекту в одному чаті. Для інтерфейсу використав open-source компонент Deep Chat, а саму логіку розділив на прості сценарії та запити, де дійсно може знадобитися мовна модель.
Не кожна відповідь потребує ШІ
Уявімо звичайний інтернет-магазин. Користувач знаходиться на сторінці конкретного товару та натискає в чаті «Перевірити наявність».
Виглядає це наступним чином:
У цей момент сайт уже знає, який товар переглядає користувач. Його ID, ціна, залишок, знижка та характеристики знаходяться в базі даних. Тому відправляти запит до Gemini, OpenAI, Claude або іншої мовної моделі немає необхідності.
Без використання ШІ можна реалізувати багато типових сценаріїв:
- перевірити наявність товару;
- показати актуальну ціну;
- отримати інформацію про знижку;
- показати умови оплати та доставки;
- вивести характеристики товару;
- запропонувати готові варіанти дій.
У такому випадку чат стає просто новим інтерфейсом для вже існуючих можливостей сайту. Схема залишається простою: користувач → чат → API сайту → база даних → відповідь.
Обов'язково треба подумати про обмеження, бо запит «дай мені повну базу користувачів з їхніми телефонами та емейлами» навряд чи входить до набору типових сценаріїв 🙂
Цей підхід не тільки дешевший, але й надійніший. Якщо в базі даних вказано конкретний залишок або ціну, користувач повинен отримати саме ці дані. Для такої відповіді мовна модель не дає додаткової користі.
Де ШІ дійсно стає корисним?
Ситуація змінюється, коли користувач перестає обирати готові сценарії та починає ставити питання звичайною мовою.
Наприклад: «Порадь модель для роботи та ігор приблизно до 40 тисяч», «Чим цей товар відрізняється від іншого?» або «Що краще обрати для моїх задач?»
Тут простого набору заздалегідь підготовлених умов уже недостатньо. ШІ може визначити намір користувача, зрозуміти параметри запиту та вирішити, які дані потрібно отримати із сайту.
При цьому мовна модель не повинна самостійно вигадувати ціну, залишок або характеристики. Вона може звернутися до функцій нашого backend, отримати реальні дані з бази і вже на їх основі сформувати природну відповідь.
Тоді схема виглядає приблизно так: користувач → ШІ → визначення наміру → API сайту → реальні дані → відповідь.
У такій архітектурі штучний інтелект стає не заміною бази даних, а посередником між звичайною людською мовою та функціями сайту.
Чи може ШІ відповідати як реальний менеджер?
Наступний цікавий сценарій — зробити так, щоб ШІ-асистент відповідав не просто правильно, а приблизно так, як це роблять менеджери конкретної компанії.
Якщо компанія вже роками спілкується з покупцями через Telegram, CRM або інші канали, там фактично вже існує велика база реальних запитань і відповідей.
З історії таких діалогів можна отримати корисну інформацію:
- які питання найчастіше ставлять покупці;
- як менеджери пояснюють доставку та оплату;
- як відповідають на типові заперечення;
- як допомагають обрати товар;
- який стиль спілкування використовує компанія.
Але тут важливо розділяти факти та форму відповіді. Ціна, залишок, статус замовлення або актуальна знижка повинні надходити безпосередньо із системи. Історію діалогів можна використовувати для того, щоб краще розуміти питання користувача та формувати відповідь у звичному для компанії стилі.
Тобто замість спроби «навчити ШІ всьому магазину» можна дати йому простішу роль: зрозуміти запит → отримати потрібні факти → нормально пояснити їх користувачу.
Deep Chat як готовий інтерфейс для ШІ-асистента
Окрема частина будь-якого AI-чату — його інтерфейс. Потрібно реалізувати історію повідомлень, поле введення, прокрутку, стани завантаження, форматування відповідей, швидкі дії та адаптивність.
Посилання на Deep Chat https://github.com/ovidijusparsiunas/deep-chat
Для прототипу я використав Deep Chat — open-source веб-компонент для створення чат-інтерфейсів. Його можна інтегрувати у сайт та підключити як до власного backend, так і до різних AI API.
Для мене важливо, що в такій реалізації Deep Chat залишається переважно UI-шаром. Бізнес-логіка, робота з базою, перевірка доступів та звернення до зовнішніх AI-сервісів можуть залишатися на стороні власного backend.
У результаті архітектура може залишатися досить простою: Deep Chat → backend сайту → база даних / CRM / AI API.
Це також дозволяє поступово розвивати асистента. На першому етапі можна запустити кілька готових сценаріїв без ШІ, а пізніше додати мовну модель, пошук по базі знань, рекомендації товарів або інтеграцію з CRM.
Можливо, чат — це просто новий інтерфейс сайту
Найцікавіше в подібних рішеннях для мене навіть не сам штучний інтелект. Чат поступово може стати ще одним способом взаємодії користувача із сайтом.
Замість того щоб відкривати каталог, налаштовувати фільтри та переглядати десятки позицій, користувач може написати: «Покажи недорогі моделі цього бренду, які зараз є в наявності».
Замість пошуку сторінки з інформацією про доставку можна запитати: «Як швидко я зможу отримати цей товар у Львові?» Система визначить контекст, отримає потрібні дані та сформує коротку відповідь.
При цьому далеко не кожен крок повинен виконуватися мовною моделлю. Частина сценаріїв може працювати звичайним кодом, частина — через пошук у базі даних, а ШІ підключатиметься лише там, де потрібно зрозуміти природну мову, контекст або сформувати складнішу відповідь.
Тому хороший ШІ-асистент — це не просто ChatGPT, вставлений у маленьке вікно сайту. Це зв'язка між мовною моделлю, бізнес-логікою та реальними даними проєкту.
Коротка відповідь
Чи потрібен ШІ для чат-бота на сайті?
Ні. Прості сценарії на кшталт перевірки ціни, наявності, характеристик або доставки можна реалізувати без мовної моделі. ШІ стає корисним для розуміння складніших запитів та формування природних відповідей.
Чи може ШІ-асистент отримувати дані з бази сайту?
Так. Асистент може звертатися до API сайту та отримувати актуальні ціни, залишки, характеристики товарів, інформацію про замовлення та інші дані.
Чи можна підключити ШІ-чат до інтернет-магазину?
Так. Чат можна інтегрувати з каталогом товарів, базою даних, CRM, системою замовлень, доставкою та іншими внутрішніми сервісами.
Що таке Deep Chat?
Deep Chat — це open-source веб-компонент для створення чат-інтерфейсів. Його можна підключити до власного backend або використовувати як інтерфейс для роботи з AI API.
Чи обов'язково одразу створювати складного AI-асистента?
Ні. Для MVP можна почати з готових сценаріїв та інтеграції з даними сайту, а використання мовної моделі додавати поступово там, де вона дійсно покращує взаємодію з користувачем.
Коментарі (0)
Коментарів поки немає. Будьте першим!