<b>Саппорт через LLM ломается не в модели, а в логике передачи сложных кейсов</b>

<b>Саппорт через LLM ломается не в модели, а в логике передачи сложных кейсов</b>

Если бот отвечает быстро, но потом отправляет юзера в тупик — проблема обычно не в «умности» ответа, а в маршрутизации. Для affiliate-саппорта это критично: человек приходит не за справкой, а за решением по офферу, трекингу, выплате или статусу лида.

Что нужно закладывать в поток сразу:
— <b>Классификация намерения</b>: вопрос про оффер, технику, оплату, доступы, жалобу, эскалацию.
— <b>Порог уверенности</b>: если LLM не уверена, она не импровизирует, а переводит в уточнение или в саппорт.
— <b>Контекст диалога</b>: бот должен помнить, что уже проверили, чтобы не задавать один и тот же вопрос по кругу.
— <b>Границы ответственности</b>: где бот помогает, а где сразу нужен человек.

Есть наблюдение которое стоит проверить: большинство плохих саппорт-ботов не умеют признавать неопределённость. Они звучат уверенно и ведут пользователя в неверный сценарий, а это дороже любого эскалационного чата.

Лучший паттерн — короткий ответ + следующий шаг. Не «всё объяснил», а «сверил триггер, не хватает одного параметра, вот что отправить дальше». Так LLM остаётся не заменой саппорта, а его фильтром и ускорителем.