Что произошло в Intrim

Австралийский производитель строительных и отделочных изделий Intrim Group запустил на своём сайте помощника для выбора продукции и поиска монтажников. Разработчик Airgentic описывает два связанных сценария: посетитель формулирует задачу обычными словами и получает подходящие профили, молдинги и варианты отделки; затем при необходимости ищет специалиста рядом с собой. Это не пример полностью автономной продажи: покупатель сравнивает предложения и принимает решение, а компания отвечает за достоверность каталога и список партнёров.

По сообщению Airgentic от 12 марта 2026 года, новый поиск заменил прежнюю реализацию на Algolia. Отдельный агент «Find an Installer» обращается к пространственным данным WP Store Locator в среде WordPress и показывает ближайших специалистов на карте Google Maps. В материалах Elastic описана поисковая часть Airgentic: один индекс и гибридное ранжирование объединяют обычный поиск по словам с семантическим поиском, а генеративная модель формулирует ответ на основе найденного контента.

Это зарубежный кейс действующего внедрения, но не доказательство универсальной окупаемости. Elastic приводит переданную клиентом оценку: примерно 94% из 3 400 диалогов за два месяца были «полностью отвечены». Методика оценки, доля подтверждённых заказов и затраты в открытых источниках не раскрыты. Поэтому цифру нельзя приравнивать ни к точности модели на независимом тесте, ни к росту продаж.

Почему обычного чат-бота недостаточно

В товарном каталоге соседствуют два разных вида запросов. Один покупатель вводит точный артикул вроде CM25; другому нужен «узкий профиль для аккуратного перехода между стеной и потолком». Семантическая модель умеет сближать описания по смыслу, но буквенно-цифровой код не обязан иметь полезное семантическое значение. Лексический поиск лучше удерживает точное совпадение. Если смешивать оба сигнала без настройки, система может уверенно предложить похожее, но не то изделие.

В кейсе Elastic прямо отмечает эту проблему с кодами моделей у Intrim. Airgentic настраивает токенизацию артикулов и усиливает ключевой поиск для запросов, похожих на номер модели. Для более описательных запросов используются оба сигнала. В документации Elastic Linear retriever описан как способ нормализовать и взвешенно объединять результаты дочерних поисковых механизмов. Точные веса конкретного развёртывания не следует копировать вслепую: их проверяют на собственных запросах.

Независимый контекст даёт исследование Walmart о товарном поиске: его авторы также сочетали традиционный инвертированный индекс и поиск по эмбеддингам для сложных запросов. Это подтверждает уместность гибридного подхода как инженерного выбора, но не подтверждает показатели Intrim и не означает, что архитектура большого маркетплейса нужна небольшому производителю.

Как устроить похожий сценарий в малом бизнесе

Начните не с модели, а с очищенного каталога. Каждой карточке нужны устойчивый артикул, название, варианты написания, категория, размеры, материал, совместимость, наличие, регион продаж, действующая цена и дата обновления. Инструкции, спецификации и FAQ можно индексировать отдельно, сохраняя URL и версию документа. Если у товара нет достоверного размера или цены, помощник должен сообщить о пробеле, а не угадывать.

Практическая цепочка выглядит так:

  • запрос нормализуется, но исходный артикул сохраняется без потери символов;
  • поиск по точному коду и фильтрам проверяется прежде семантического, когда запрос похож на SKU;
  • для описательного запроса объединяются лексическая и векторная выдачи;
  • фильтры исключают неподходящий материал, размеры, наличие или регион;
  • модель получает только короткий набор найденных карточек и документов со ссылками на них;
  • ответ предлагает несколько вариантов, объясняет различия и передаёт нестандартный случай человеку.

Поиск монтажника — отдельная интеграция, а не продолжение языковой догадки. Справочник должен хранить актуальные координаты или обслуживаемые районы, специализацию, статус партнёра и согласие на публикацию контактов. Расстояние рассчитывает геосервис или база с геоданными; модель лишь помогает уточнить адрес и представить результат. У Intrim для этого задействованы данные WordPress WP Store Locator и отображение в Google Maps. Для российского бизнеса возможны другие картографические сервисы и свой реестр подрядчиков; выбор зависит от доступности, договора и требований к данным.

Где нужен локальный контур

Описанный Airgentic кейс не является демонстрацией полностью локального ИИ: в публикации Elastic упоминается облачная инфраструктура Microsoft Azure. Если у компании есть закрытые прайс-листы, условия для дилеров или персональные данные клиентов, схему можно адаптировать: поисковый индекс и модель держать внутри контролируемого контура, а публичный сайт обращаться к ним через ограниченный API. Это уже проектное решение для другого внедрения, а не свойство Intrim.

Даже в локальной версии нужны границы доступа. Публичный посетитель видит только опубликованные цены и документы. Менеджер может получать дилерские остатки после авторизации. Запросы и ответы журналируются без лишних персональных данных, а журнал пригоден для разбора ошибок. Для простого открытого каталога локальная модель может оказаться дороже управляемого сервиса; решение следует принимать после расчёта нагрузки и рисков, а не по лозунгу «всё на своём сервере».

Экономика и критерии качества

Главный расход здесь часто не вызовы модели, а подготовка каталога, синхронизация цены и остатков, исправление артикулов и поддержка справочника монтажников. К ним добавляются индекс, хранение документов, вычисления для эмбеддингов, генерация ответа, мониторинг и ручная проверка спорных рекомендаций. Объединение поиска и помощника на одной базе может убрать дублирование индексации, но реальную экономию надо подтверждать счётом поставщика и трудозатратами команды.

Для пилота достаточно 100–200 обезличенных реальных запросов: точные артикулы, свободные описания, смешанные запросы, отсутствующие товары и вопросы о монтаже. Отдельно измеряйте попадание нужной карточки в первые результаты, число ответов с проверяемой ссылкой, ошибочные рекомендации, долю корректных передач человеку, время ответа и стоимость одного полезного диалога. Конверсию в заявку считайте отдельно: «ответ дан» не означает «заказ оформлен».

Для бизнеса с небольшим ассортиментом разумно начать с точного поиска и качественных фильтров. Семантический слой добавляют, если реальные запросы показывают проблему разных формулировок. Генеративный ответ добавляют ещё позже, когда выдача уже заслуживает доверия. Так эксперимент можно остановить на полезном промежуточном результате, не оплачивая сложность агента раньше времени.

Что сделать за две недели

На первой неделе выгрузите каталог и двадцать наиболее частых обращений в поддержку, исправьте основные атрибуты и отметьте запросы по артикулам. На второй — сравните текущий поиск с простым гибридным прототипом на заранее размеченной выборке. Разрешите генерацию только на найденных карточках, покажите ссылки на товар и включите кнопку передачи менеджеру. Если прототип ошибается в кодах, цене или доступности, не выпускайте его к покупателю: доработайте данные и правила фильтрации.

Практический вывод из Intrim не в том, что каждому сайту нужен «AI-продавец». Он в том, что полезный помощник опирается на каталог, точный поиск по идентификаторам, аккуратное объединение смысловой выдачи и проверяемую интеграцию с реальным следующим шагом покупателя.