AI-ростовщик, или как мы автоматизировали 99% всех обращений в МФО при помощи ИИ
Предыстория
Наша команда более десяти лет занимается автоматизацией бизнес-процессов. Одно из ключевых направлений — микрофинансовые организации и ломбарды. Это сложная и строго регулируемая сфера, где цена ошибки особенно высока.
В массовом восприятии микрофинансовый рынок часто выглядит однозначно негативно. Его связывают с высокими процентами, агрессивными коллекторами и тяжёлыми историями заёмщиков. Такое отношение во многом объяснимо — люди сталкиваются с последствиями финансовой неграмотности и сложных жизненных обстоятельств.
Если же смотреть со стороны владельца бизнеса, МФО — это финансовый инструмент. Компания выдаёт деньги и заинтересована в их возврате. Высокие проценты здесь напрямую связаны с рисками невозврата.
Логика простая: чем выше возврат, тем ниже может быть процент, чем выше возврат, тем ниже может быть процент,
За последние годы ситуация для МФО стала сложнее. Регулятор, в частности Банк России, регулярно снижает допустимые процентные ставки. В текущих условиях бизнес остаётся рентабельным только при значительном оборотном капитале — порядка 10 млн рублей и выше. Для небольших игроков это серьёзный барьер.
Прибыль в любом бизнесе — это разница между доходами и расходами. Повысить её можно либо за счёт роста выручки, либо за счёт оптимизации затрат. На стагнирующем рынке второй путь часто оказывается более реалистичным.
Именно здесь автоматизация становится ключевым инструментом.
Автоматизация всегда влияет на один из двух показателей: чем выше возврат, тем ниже может быть процент, либо позволяет масштабировать доход, либо позволяет масштабировать доход,
Сегодня много говорят об искусственном интеллекте, но бизнесу важен не хайп, а практическая польза. Ниже — реальный пример того, как ИИ решает прикладную задачу в микрофинансовой организации.
Как всё началось
Однажды за разговором в кафе мой знакомый, владелец МФО Александр, поделился проблемой. Рентабельность бизнеса снижалась, а традиционные способы оптимизации переставали работать.
К тому моменту я уже более года жил в ОАЭ и параллельно с основным бизнесом развивал стартап Савви — платформу для создания цифровых сотрудников, по сути умных AI-чатов для бизнеса.
Мы много времени посвятили тому, чтобы добиться высокой точности ответов, управляемого поведения и простой настройки без сложных внедрений. И, как это часто бывает, не сразу обратили внимание на рынок, который был буквально рядом.
Александр прямо сказал: «Мне нужен твой бот».
Речь шла о МКК «Выручка», которая уже сделала ставку на онлайн-каналы и постепенно уходила от офлайна.
В онлайне обнаружилась типовая, но болезненная проблема — постоянные консультации клиентов на сайте.
Как это выглядело до автоматизации
Консультации обрабатывали три специалиста, совмещая это с основной работой.
В день поступало около 45 обращений.
Формально время ответа составляло до одной минуты, но реальное медианное значение было выше.
Средний диалог занимал около 3,5 минут.
В сумме это давало порядка 160 минут в день — почти три часа чистого времени, потраченного на консультации.
Важно учитывать и эффект многозадачности. Постоянные переключения между задачами заметно снижают продуктивность и увеличивают количество ошибок. Это хорошо известно и подтверждается простыми тестами.
В результате менеджеры тратили значительную часть рабочего времени не на продажи, а на рутинные ответы.
Что хотел заказчик
Перед внедрением были сформулированы чёткие требования:
Строгое соблюдение внутренних скриптов.
Предсказуемость и стабильность ответов.
Максимально естественное общение без ощущения бота.
Интеграция с текущей системой общения с клиентами — JIVO.
К этому моменту у нас уже была готовая технологическая база. Мы использовали подход, при котором инструкция и база знаний разделяются, что позволяет сохранить точность и «человечность» ответов.
Реализация была непростой, но результат оправдал усилия.
Как работает AI-сотрудник
Ключевая особенность ИИ в данном проекте — не имитация человека, а глубокое понимание контекста диалога. Мы не используем жёсткие сценарные ветки. Бот воспринимает диалог целиком и формирует ответ с учётом всей истории общения.
База знаний построена на текстовых шаблонах, которые адаптируются под конкретный запрос. Дополнительно используются технические приёмы, такие как задержки ответов и объединение сообщений, чтобы общение выглядело естественным.
В проекте МКК «Выручка» сценарии были относительно простыми и не требовали сложных расчётов, однако платформа Савви позволяет реализовывать и более сложные логики при необходимости.
Результаты внедрения
После интеграции с JIVO и запуска бота первые две недели показали:
80% обращений на сайте обрабатываются AI-сотрудником.
Иногда клиенты догадывались, что общаются с ботом из-за неполной базы знаний.
Через три месяца показатели изменились радикально:
99% всех обращений обрабатываются ботом.
Клиенты перестали распознавать автоматический характер общения.
Главный эффект — менеджеры были полностью освобождены от рутинных консультаций, которые ранее занимали около 15% их рабочего времени.
Экономика решения
В денежном выражении:
• Экономия на зарплате — 20 600 ₽ в месяц
• Средняя зарплата специалиста — 50 000 ₽
Стоимость работы AI-сотрудника при таком объёме — около 9 000 ₽ в месяц.
Чистая экономия:
11 600 ₽ в месяц или 139 200 ₽ в год.
Дополнительно появился косвенный эффект. Освобождённое время менеджеры направили на холодные продажи. Для данной компании это дало ещё около 40 000 ₽ в год дополнительной прибыли без учёта LTV.
С учётом налогов на фонд оплаты труда, а также затрат на найм, увольнение и обучение персонала, совокупный экономический эффект составил: