DPD в России внедрила виртуального помощника на базе искусственного интеллекта для службы поддержки клиентов
развернула LLM-ассистента для департамента обслуживания клиентов. Архитектура — «retrieve then answer»: предобработка и сегментация корпоративных документов, извлечение релевантных фрагментов по смысловой близости, генерация ответа.
Савелий Попов·обновлено 30 июля 2026 г.
Для ниши voice-AI это показательный RAG-пайплайн, логично расширяемый на голосовой канал через TTS-обвязку.
Архитектура решения
Retrieval-механизм — semantic search поверх чанков корпоративной базы знаний. Векторное или гибридное сопоставление запроса с фрагментами, ранжирование по релевантности. Генерация ответа — LLM поверх извлечённого контекста с grounding для ограничения галлюцинаций. Ключевое отличие от keyword-поиска: оператор формулирует запрос на естественном языке, без подстройки под теги и формальные поля. В голосовом ассистенте аналогичная проблема — спонтанная речь против структурированных интентов. RAG-подход развязывает противоречие. Качество выдачи прямо зависит от качества сегментации исходных документов: нечёткие границы чанков снижают recall.
Метрики и узкие места
AHT: −15%. ACW: −17%. Внутренняя оценка качества консультаций: +7%. Доля подтверждённых ошибок: −15%. Отток департамента: −2%. Срок адаптации новых операторов: 1 день. time-to-answer для оператора — менее одной минуты. Заявленные значения — внутренняя оценка DPD, методология замера и контрольная выборка не опубликованы.
В DPD проект позиционируют как управление знаниями, не как чат-бот. Причина — качество входных данных: неструктурированная или противоречивая документация деградирует выдачу. В voice-AI узкое место шире: галлюцинации LLM в голосовом канале воспринимаются критичнее, чем в чате, плюс задержка синтеза в live-диалоге. Риски банковского ИИ по составу тождественны рискам в логистике: data quality, governance, валидация на синтетике и реальных кейсах, аудит пайплайна.
Voice-канал: что отслеживать
DPD заявляет адаптацию для смежных подразделений. Голосовые линии и IVR — логичная ступень. Параметры наблюдения: latency первого ответа, WER на ASR входящей речи, MOS на синтезе ответа, доля эскалаций на оператора, процент grounding violations. Пайплайн для переноса: ASR → RAG → LLM → TTS. Bottleneck — TTS-инференс в потоке и time-to-first-byte в живом диалоге. Решение — streaming-вокодер с прерыванием при эскалации на оператора. Методология замера DPD переносится на voice-канал без модификаций.