Голосовий AI в e-commerce: де він реально працює, а де ні — і як його побудувати

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Останні 6 місяців ми в Aceverse будуємо голосових AI-агентів для інтернет-магазинів — і вхідних, і вихідних. За цей час у мене склалася доволі чітка карта: де голос реально знімає навантаження й приносить гроші, а де його впихають «бо модно», і він тільки дратує клієнтів. Нижче — практичний розбір сценаріїв, а далі технічна частина: які realtime-моделі брати, навіщо потрібна оркестрація (LiveKit / Pipecat), що дають готові платформи (Vapi / Retell / Synthflow), і як це інтегрувати з CRM або CMS магазину.

Ключове, що варто засвоїти одразу: цінність не в самій LLM, а в інтеграціях. Агент, який не під’єднаний до CRM і трекінгу, — це дорогий автовідповідач. Агент, під’єднаний до них, — це оператор, який працює 24/7 і не йде на обід.

Вхідні сценарії (агент приймає дзвінки)

1. «Де моє замовлення?» — статус і трекінг

Найчастіший дзвінок у будь-якому e-commerce. Клієнт хоче почути, де посилка. Агент за номером телефону/замовлення тягне статус із CRM і трекінг із API служби доставки (Нова Пошта тощо) і відповідає словами.

— Бенефіт: вони однотипні й добре автоматизуються. Жива людина тут не потрібна.

— Застереження: усе впирається в якість даних. Якщо в CRM статус не оновлюється — агент чесно скаже сміття. Спершу дані, потім голос.

2. Повернення й обмін

Структурований процес: ідентифікувати замовлення → перевірити умови повернення → створити заявку → пояснити наступні кроки. Голос веде клієнта по сценарію й одразу заводить заявку в CRM.

— Бенефіт: розвантажує підтримку від рутинної «паперової» роботи; заявка створюється коректно й одразу.

— Застереження: конфліктні повернення («товар прийшов битий, я лютий») варто одразу ескалювати на людину — про HITL нижче.

3. FAQ, наявність, характеристики, доставка

Питання «чи є розмір L», «коли привезете», «яка вартість доставки в [місто]». Тут працює RAG по каталогу й базі знань: агент відповідає з ваших актуальних даних, а не з голови.

— Бенефіт: миттєва відповідь без черги; знімає прості питання, що з’їдають час операторів.

— Застереження: RAG треба тримати свіжим. Застарілий каталог = впевнено неправильні відповіді.

4. AI-рецепціоніст: прийняти, кваліфікувати, перевести (HITL)

Агент знімає слухавку 24/7, розуміє суть, вирішує сам прості кейси, а складні передає живому оператору з уже зібраним контекстом (human-in-the-loop). Це не «AI замість людей», а правильний розподіл: рутину — машині, складне — людині.

— Бенефіт: жоден дзвінок не губиться, навіть у неробочий час і в пік. За нашими спостереженнями, 50% дзвінків у неробочий час раніше просто втрачались — це прямі недоотримані замовлення.

— Застереження: якість ескалації вирішує все. Поганий перевід («розкажіть усе спочатку») гірший за відсутність агента.

5. Прийом замовлення голосом

Для частини аудиторії (особливо телефонної) — оформлення замовлення в розмові, із занесенням у CRM. Актуально там, де реально дзвонять, щоб замовити.

— Бенефіт: захоплює сегмент, який не любить форми й кошики.

— Застереження: підходить не всім нішам; якщо телефоном замовляють одиниці — не окупить інтеграцію.

Вихідні сценарії (агент дзвонить сам)

6. Повернення кинутих кошиків (cart abandonment)

Класика. Зазвичай це робить email/SMS-ланцюжок. Голосовий дзвінок — інший канал із вищим contact rate: коротко нагадати, відповісти на заперечення, допомогти завершити покупку.

— Бенефіт: голос добиває там, де email ігнорять.

— Застереження: легко перетнути межу нав’язливості. Один дзвінок, ввічливо, з опцією «більше не турбувати» — інакше шкода бренду.

7. Win-back сплячих клієнтів

Дзвінок тим, хто давно не купував: персональна пропозиція, реактивація. Голос персональніший за розсилку.

— Бенефіт: реактивує базу, яка інакше просто старіє.

— Застереження: сегментація важливіша за скрипт. Дзвонити всім підряд — спалювати базу.

8. Підтвердження замовлення

Для українського ринку з його часткою «накладеного платежу» — верифікація замовлення дзвінком знижує відсоток невикупів. Агент підтверджує замовлення, адресу, готовність викупити.

— Бенефіт: менше відправлень «у нікуди»; пряма економія на логістиці та невикупах.

— Застереження: тон має бути сервісним, не «допитом».

9. Нагадування про посилку на пошті

Агент дзвонить і нагадує, що посилка вже на відділенні й лежатиме обмежений час (наприклад, 2 дні), інакше поїде назад до відправника.

— Бенефіт: менше повернень через «забув забрати» — знову ж таки пряма економія на зворотній логістиці.

10. Антифрод

Доволі популярний запит серед американських мерчантів, бо там % високоризикових ордерів значно вищий. Як це працює: зловмисники часто вказують телефонний номер власника кредитної картки, щоб обійти антифрод Shopify або Stripe. Aceverse AI цим користується — моментально телефонує на цей номер і з’ясовує, чи це він робив замовлення. У разі негативної відповіді — миттєвий рефанд і уникнення chargeback’ів та збитків.

— Бенефіт: верифікація за секунди замість ручного ревʼю; менше chargeback’ів і втрат на високоризикових ордерах.

11. NPS, відгуки, повторні продажі

Збір зворотного зв’язку голосом після покупки, прохання про відгук, апсейл супутніх товарів.

— Бенефіт: вищий response rate, ніж у форм; уся розмова — у транскрипті в CRM для аналітики.

Як це побудувати: моделі, оркестрація, інтеграції

Архітектура: два підходи

Є два способи зібрати голосового агента, і вибір між ними визначає все інше.

1. Realtime / speech-to-speech (S2S) — одна нейромережа слухає, думає й говорить (аудіо → аудіо). Нижча затримка, природніше перебивання (barge-in), але менше контролю й вужчий вибір голосів/мов.

2. Каскад (STT → LLM → TTS) — окремі компоненти: розпізнавання → модель → синтез. Більше хопів (вища затримка), зате кожен шар замінний: можна підібрати найкращий STT/TTS під конкретну мову й тюнити поведінку.

Практичне правило: S2S — коли мова добре підтримана й критична затримка; каскад — коли потрібна якість/контроль або складна логіка. Наприклад, для нашого англомовного агента Anna ми взяли S2S (OpenAI Realtime на LiveKit) заради латентності; для складних контакт-центрів частіше йдемо в каскад це більш детермінований підхід.

Realtime / speech-to-speech (одна модель: аудіо → аудіо)

По стандартному пайплайну Stt/LLM/Tts там ще більше моделей, все писати і порівнювати не бачу сенсу.

Навіщо оркестрація: LiveKit / Pipecat

Між «моделлю» й «дзвінком» є купа реал-тайм-сантехніки: транспорт аудіо (WebRTC/SIP), VAD, детекція кінця репліки, обробка перебивань, склейка STT↔LLM↔TTS (або під’єднання S2S-моделі), масштабування. Писати це руками — місяці. Тому беруть фреймворк:

— LiveKit Agents (Go, open-source) — infrastructure-first: агент заходить у «кімнату» як учасник; нативні WebRTC + SIP, мультиучасник (відео/демо екрана), добре для latency-sensitive прод. Наш основний вибір.

— Pipecat (Python, by Daily) — pipeline-first: покадрова модель із контролем кожного кроку конвеєра, vendor-neutral, зручний для self-hosted/edge і тонкого тюнінгу пайплайну.

Обидва бриджать телефонію: купуєш номер у Twilio / Telnyx / Vonage → SIP-trunk → фреймворк конвертує PSTN→SIP→кімнату, і агент обробляє дзвінок так само, як веб-користувача.

Build vs Buy: готові платформи

Vapi / Retell / Synthflow / Bland — рівень вище: конфігуруєш агента в дашборді, вони беруть на себе оркестрацію + телефонію. Швидкий старт, але per-minute-ціна з націнкою, менше контролю й vendor lock-in. Як інтегратор обираємо за задачею: коробкова платформа для стандартного кейсу під ключ — або LiveKit/Pipecat, коли треба власна логіка, своя економіка хвилини та контроль над якістю української.

Інтеграція з CRM / CMS

Агент сам по собі марний — цінність дають інструменти (function calling), якими модель ходить у ваші системи:

— Tool/function calling: модель викликає `get_order_status(phone)` → ваш бекенд → API CRM/CMS → відповідь озвучується. Для e-commerce це Shopify Admin API, WooCommerce REST, Нова Пошта API (трекінг), CRM (KeyCRM / NetHunt / Pipedrive).

— MCP-сервери — стандартизований шар, через який агент безпечно дістає дані CRM/ERP без купи окремих інтеграцій.

— Вхідні: під час дзвінка — лукап замовлення/трекінгу в реальному часі.

— Вихідні: вебхук на подію (кинутий кошик, «посилка на пошті 2 дні», високоризиковий ордер) → тригер дзвінка через той самий стек.

Саме на цьому шарі живе різниця між «дорогим автовідповідачем» і агентом, який реально закриває звернення.

Бенефіти

1. 24/7 і пікова масштабованість. Агент не спить і не захлинається в чорну п’ятницю — підняти паралельні лінії дешевше, ніж найняти зміну.

2. Не втрачені дзвінки = не втрачені замовлення. Найпряміший грошовий ефект — підняті дзвінки, які раніше йшли в гудки.

3. Нижча вартість за контакт на рутинних типах звернень проти живого оператора.

4. Єдина транскрипція в CRM. Кожна розмова — структурований текст у картці: це аналітика, контроль якості та навчальні дані заразом.

Де голосовий AI НЕ варто ставити (теж із практики)

— Емоційно складні / конфліктні розмови. Розлючений клієнт, нестандартна претензія, торг — потрібна людина. Тут агент має одне завдання: швидко й гідно ескалювати.

— Малий обсяг дзвінків. Якщо у вас кілька дзвінків на день — інтеграція не окупиться. Чесно скажу: не робіть.

— Брудні дані в CRM. Поки статуси, залишки й трекінг не в порядку — голос лише гучніше озвучить ваш безлад.

— Юридично/медично чутливі теми — там, де ціна помилки висока, без людини не можна.

Підсумок

Голосовий AI в e-commerce — не «заміна підтримки», а інструмент під конкретні, переважно рутинні задачі: статуси, повернення, FAQ, прийом і підтвердження замовлень, кошики, win-back, антифрод. Він окупається там, де є обсяг однотипних звернень і чисті дані, і шкодить там, де потрібна людська емпатія або де даних немає. Технічно вибір зводиться до S2S vs каскад, фреймворку оркестрації (LiveKit/Pipecat) чи готової платформи — і, головне, до інтеграцій із вашими CRM/CMS. Починайте з одного сценарію, міряйте, розширюйте за фактом.

Якщо є питання по архітектурі чи інтеграціях під українські реалії (телефонія, Нова Пошта, накладений платіж, антифрод) — пишіть коменти, відповідатиму.