Генеративный ИИ-бот для заказов: как сделать, чтобы он не разговаривал, а работал

Почему ваш бот должен быть глупее, чем вы думаете

Открою секрет: 90% бизнес-ботов с ИИ проваливаются не из-за слабых моделей, а из-за слишком умных архитекторов. Вы ставите GPT-4.5 Turbo, даете доступ ко всей базе знаний компании, а через месяц получаете бота, который философствует о смысле бытия вместо того, чтобы принимать заказ на пиццу.

Проблема в неправильной постановке задачи. Бизнесу нужен не собеседник, а сотрудник. Не генератор текста, а исполнитель скрипта. Разница принципиальная.

Архитектура, которая работает: конфигурируемый скрипт + гибкая генерация

Забудьте про fine-tuning под вашу бизнес-задачу. Это дорого, сложно и, как я писал в статье про провалы fine-tuning, чаще всего не оправдывает себя. Вместо этого используем комбинацию:

• Жесткий сценарий диалога — определяет этапы заказа
• Конфигурационный файл — содержит все варианты товаров, цен, условий
• Генеративный ИИ — только для понимания естественного языка и вариативных ответов

Бот не «думает», что сказать. Он знает, на каком этапе диалога находится пользователь, и использует ИИ для двух вещей: понять, что хочет клиент, и сгенерировать человеческий ответ в рамках скрипта.

1 Подготовка: что нужно до первой строчки кода

Первая ошибка — начинать с установки библиотек. Правильный порядок:

1. Определите конечный результат: что должен сделать клиент? Заказать товар? Записаться на услугу? Конкретика важнее всего.
2. Напишите идеальный диалог: разговор с идеальным сотрудником. Какие вопросы он задает? В каком порядке? Где нужна гибкость, а где строгий выбор?
3. Создайте конфиг: JSON или YAML файл с товарами, ценами, вариантами доставки. Это ваша «база знаний», которую бот будет использовать.

Пример конфига для пиццерии:

{
  "business_name": "PizzaBot",
  "products": [
    {
      "id": "pizza_margarita",
      "name": "Маргарита",
      "description": "Классическая пицца с томатным соусом, моцареллой и базиликом",
      "price": 450,
      "options": {
        "size": ["25см", "30см", "35см"],
        "dough": ["тонкое", "традиционное"]
      }
    }
  ],
  "delivery_options": [
    {"type": "pickup", "price": 0, "time": "15-20 мин"},
    {"type": "delivery", "price": 150, "time": "30-45 мин"}
  ],
  "payment_methods": ["карта онлайн", "наличные при получении"],
  "script_steps": ["greeting", "product_selection", "options", "delivery", "confirmation"]
}

2 Сердце системы: state machine вместо свободного диалога

Здесь большинство разработчиков наступают на грабли. Они дают ИИ полную свободу, а потом удивляются, почему бот начинает обсуждать политику вместо пиццы.

Решение — конечный автомат (state machine). У пользователя есть состояние: «выбирает пиццу», «указывает адрес», «подтверждает заказ». Бот знает, в каком состоянии находится клиент, и ограничивает ответы ИИ контекстом этого состояния.

Вот упрощенная реализация на Python:

from enum import Enum
from typing import Dict, Any

class BotState(Enum):
    WAITING_START = "waiting_start"
    SELECTING_PRODUCT = "selecting_product"
    CHOOSING_OPTIONS = "choosing_options"
    ENTERING_ADDRESS = "entering_address"
    CONFIRMING_ORDER = "confirming_order"
    COMPLETED = "completed"

class OrderBot:
    def __init__(self, config: Dict[str, Any]):
        self.config = config
        self.state = BotState.WAITING_START
        self.current_order = {}
        
    def process_message(self, user_message: str) -> str:
        """Обрабатывает сообщение пользователя в зависимости от состояния"""
        
        if self.state == BotState.WAITING_START:
            return self._generate_greeting()
            
        elif self.state == BotState.SELECTING_PRODUCT:
            # Используем ИИ только для понимания, какую пиццу хочет пользователь
            product_id = self._extract_product_from_message(user_message)
            if product_id:
                self.current_order["product"] = product_id
                self.state = BotState.CHOOSING_OPTIONS
                return self._ask_for_options()
            else:
                return self._clarify_product_choice()
        
        # ... остальные состояния
        
    def _extract_product_from_message(self, message: str) -> str:
        """Используем LLM для извлечения информации из естественной речи"""
        # Здесь вызываем API GPT-4.5 Turbo или другой модели
        # Но ВАЖНО: ограничиваем промпт только задачей распознавания продукта
        prompt = f"""
        Пользователь сказал: "{message}"
        
        Доступные продукты: {[p['name'] for p in self.config['products']]}
        
        Определи, какой продукт хочет пользователь. Верни только ID продукта или null.
        """
        
        # Вызов API к модели
        # ...
        
        return extracted_product_id

3 Интеграция с Telegram: минимализм против over-engineering

Telegram Bot API в 2026 году стал еще мощнее, но это не значит, что нужно использовать все функции. Главное правило: чем проще интерфейс, тем выше конверсия.

Что действительно работает:

• Inline-кнопки для выбора — когда вариантов мало
• Текстовый ввод — когда нужно что-то сложное (адрес, особые пожелания)
• Медиа только по необходимости — картинки товаров дают +15% к конверсии, но увеличивают время ответа

Подключаем нашего бота к Telegram:

import os
from telegram import Update, InlineKeyboardButton, InlineKeyboardMarkup
from telegram.ext import Application, CommandHandler, MessageHandler, filters, CallbackContext
from order_bot import OrderBot  # наш класс из предыдущего шага
import json

# Загружаем конфиг
with open('config.json', 'r', encoding='utf-8') as f:
    config = json.load(f)

# Создаем экземпляр бота
order_bot = OrderBot(config)

async def handle_message(update: Update, context: CallbackContext):
    user_id = update.effective_user.id
    user_message = update.message.text
    
    # Получаем ответ от нашего бота
    bot_response = order_bot.process_message(user_message)
    
    # Если бот перешел в состояние выбора продукта, показываем кнопки
    if order_bot.state == BotState.SELECTING_PRODUCT:
        keyboard = []
        for product in config['products']:
            keyboard.append([InlineKeyboardButton(
                f"{product['name']} - {product['price']} руб.", 
                callback_data=f"product_{product['id']}"
            )])
        
        reply_markup = InlineKeyboardMarkup(keyboard)
        await update.message.reply_text(bot_response, reply_markup=reply_markup)
    else:
        await update.message.reply_text(bot_response)

async def handle_callback(update: Update, context: CallbackContext):
    query = update.callback_query
    await query.answer()
    
    # Обрабатываем выбор из inline-кнопок
    callback_data = query.data
    
    if callback_data.startswith('product_'):
        product_id = callback_data.replace('product_', '')
        order_bot.current_order['product'] = product_id
        order_bot.state = BotState.CHOOSING_OPTIONS
        
        await query.edit_message_text(
            text=f"Отлично! Теперь выберите размер пиццы:",
            reply_markup=size_keyboard()
        )

# Запуск бота
def main():
    # Получаем токен из переменных окружения
    token = os.getenv('TELEGRAM_BOT_TOKEN')
    
    application = Application.builder().token(token).build()
    
    application.add_handler(MessageHandler(filters.TEXT & ~filters.COMMAND, handle_message))
    application.add_handler(CallbackQueryHandler(handle_callback))
    
    application.run_polling(allowed_updates=Update.ALL_TYPES)

if __name__ == '__main__':
    main()

4 Выбор модели ИИ: не гонитесь за самой умной

В феврале 2026 года выбор огромен: OpenAI GPT-4.5 Turbo, Anthropic Claude 3.7 Sonnet, Google Gemini 2.0 Pro, открытые модели вроде Llama 3.2 70B. Но для бизнес-бота с четким скриптом вам не нужна модель, которая пишет стихи.

Мой совет: начните с Claude 3.5 Haiku через OpenRouter (агрегатор моделей). Дешево (в 20 раз дешевле GPT-4), быстро, а для понимания «хочу пиццу с пепперони и побольше сыра» хватит с головой.

import openai  # OpenRouter использует OpenAI-совместимый API

class LLMClient:
    def __init__(self, model: str = "anthropic/claude-3.5-haiku"):
        self.client = openai.OpenAI(
            base_url="https://openrouter.ai/api/v1",
            api_key=os.getenv("OPENROUTER_API_KEY")
        )
        self.model = model
    
    def extract_product(self, user_message: str, available_products: list) -> str:
        """Используем LLM только для извлечения сущностей"""
        
        prompt = f"""
        Ты — ассистент пиццерии. Пользователь сказал: "{user_message}"
        
        Доступные пиццы: {', '.join(available_products)}
        
        Определи, какую пиццу хочет пользователь. Если не уверен — верни "unknown".
        Верни только название пиццы из списка или "unknown".
        """
        
        response = self.client.chat.completions.create(
            model=self.model,
            messages=[{"role": "user", "content": prompt}],
            max_tokens=50,
            temperature=0.1  # Низкая температура для детерминированности
        )
        
        return response.choices[0].message.content.strip()

Ошибки, которые съедят ваш бюджет и репутацию

Я видел десятки провальных внедрений. Вот топ-3 ошибки, которые совершают все:

От бота к агенту: следующий уровень

Когда ваш конфигурируемый бот работает стабильно (а это 2-3 месяца отладки), можно думать о превращении его в полноценного ИИ-агента. Как я писал в статье про ИИ-агентов, разница фундаментальная: бот реагирует, агент действует.

Что может делать агент, но не может бот:

• Сам связываться с клиентом, если заказ «завис» на этапе подтверждения
• Анализировать историю заказов и предлагать «обычное» без напоминания
• Интегрироваться с CRM и системой доставки, отслеживая статус
• Запускать цепочки действий: заказ → оплата → кухня → доставка → отзыв

Но это уже следующий шаг. Сначала научите бота надежно принимать заказы. Потом добавляйте автономность.

Сколько это стоит на самом деле

Давайте посчитаем реальные затраты на февраль 2026 для пиццерии с 50 заказами в день:

1. Разработка: 40-80 часов (если делать самому или нанять фрилансера). Курс по созданию Telegram-бота и продвижению в мессенджерах сэкономит время, если начинаете с нуля.
2. Хостинг: $10-20/месяц (VPS или serverless функции)
3. ИИ-модель: $5-15/месяц (при использовании Haiku и оптимизированных промптов)
4. Telegram Bot API: бесплатно до 30 сообщений в секунду

Итого: $20-40 в месяц + единовременная разработка. Один сотрудник колл-центра стоит в 50-100 раз дороже.

Что будет, если не делать этого сейчас

Через год ваш конкурент будет иметь бота, который обрабатывает 80% заказов без участия человека. Вы будете платить операторам, которые ошибаются, устают и увольняются. Разница в маржинальности составит 15-25%.

Но главное не экономия. Главное — масштабирование. Бот не просит повышения, не болеет, не спорит с клиентами. Он просто работает. 24/7. На любом языке. С любым количеством клиентов одновременно.

Начните с простого скрипта. Добавьте конфиг. Подключите дешевую модель. Запустите на 10 друзьях. Убедитесь, что работает. Потом масштабируйте. Как говорится в статье про production-ready агентов: «Идеальный бот — это не тот, который умеет все, а тот, который делает одно дело безупречно».

Сделайте так, чтобы ваша пиццерия работала, пока вы спите. Это и есть настоящая автоматизация.