LLM-бот вместо опросника: 34% отказников дают интервью о платных моделях подписки

Русскоязычный разработчик Антон (автор проекта онлайн-игры «Лила» с ИИ-ведущим) опубликовал подробный разбор механики: когда пользователь закрывает окно оплаты, вместо стандартного опросника с ним заговаривает отдельный LLM-бот (языковая модель, которая ведёт диалог по заданным правилам). Бот проводит короткое интервью по методологии книги Роба Фитцпатрика «Спроси маму» (The Mom Test). Автор выложил промпты, схему базы данных и код, чтобы любой мог перенести механику на свой продукт.

Источник: авторский пост на Хабре.

Что бот делает и какие результаты показал?

• 59 сессий за две недели, 20 человек ответили. Конверсия в ответ составила 34%. Для канала с нулевой стоимостью привлечения респондента это высокий показатель: стандартные email-опросы после отказа от покупки, по словам автора, давали почти ноль ответов.

• Бот запускается в момент, когда причина отказа ещё «горячая». Пользователь закрыл окно оплаты (событие paywall_dismissed в аналитике), и тут же видит отдельный чат. Не игровой, а исследовательский, с другим визуальным стилем и ролью.

• Диалог ограничен пятью репликами. Лимит зашит в транзакцию базы данных: счётчик реплик и запись сообщения обновляются атомарно (то есть либо оба действия выполняются, либо ни одно), чтобы бот не «проскакивал» потолок при параллельных запросах.

• Главная находка автора: заметная часть пользователей приходила из поиска по запросу со словом «бесплатно», которое стояло в заголовке страницы самого автора. Люди изначально не собирались платить. Это не баг продукта, а ошибка позиционирования, и без живого интервью она оставалась невидимой.

• Канарейка техпроблем. Бот-аналитик выделяет поле payment_tech_issue. Один такой алерт уже окупил фичу: пользователь хотел заплатить в рублях, но не смог, потому что выбор валюты был незаметен. Автор починил интерфейс за 20 минут.

Пять правил из «Спроси маму» прямо в системном промпте

Автор перенёс в системный промпт (начальную инструкцию для языковой модели) пять принципов книги Фитцпатрика:

1. Спрашивать о том, что уже случилось, а не о будущем. «Что произошло, когда открылось окно оплаты?» полезно. «Купили бы вы, если бы цена была ниже?» бесполезно: о будущем люди врут, не со зла.
2. «Не сейчас» читать как вежливое «нет», а не как тёплый лид.
3. За ответом «нет денег» искать контекст жизни: платил ли человек психологу, покупал ли курсы. Это данные о рынке, а не повод защищать цену.
4. Комплимент считать формой отказа. «Всё понравилось» означает одно тёплое слово и возврат к фактам.
5. Не перефразировать ответы «правильными словами». Догадка разработчика не равна факту.

Автор добавил шестое правило, выведенное на практике: убрал из первой реплики бота фразу «я ничего не продаю и не уговариваю». По его наблюдению, такая фраза звучит ровно наоборот. После правки доля ответивших не изменилась, зато тон ответов стал спокойнее.

Финальный вопрос каждого интервью, тоже из книги: «О чём мне стоило спросить, но я не спросил?» Одна из пользователей ответила: «Вы рано спрашиваете про оплату. Технически можно позже, когда человек уже много расскажет о себе». По словам автора, это готовая продуктовая гипотеза.

Как попробовать на своём проекте?

1. Определите точку отказа. В вашем продукте это может быть закрытие корзины, отмена подписки, уход со страницы тарифов. Главное: пользователь ещё на сайте.

2. Создайте отдельный чат с отдельной ролью. Автор подчёркивает: исследовательский диалог не должен писаться в основной корпус сообщений продукта и не должен касаться платёжного шлюза. Отдельные таблицы, отдельный эндпоинт (адрес, на который приложение отправляет запрос к серверу).

3. Перенесите промпт из статьи и адаптируйте. Автор выложил структуру системного промпта с пятью правилами Фитцпатрика. Замените контекст игры на контекст вашего продукта. Подойдут платные LLM-модели с поддержкой стриминга: GPT-4o, Claude, Gemini.

4. Настройте доставку заметок. По завершении сессии транскрипт прогоняется через второй LLM-вызов (промпт-аналитик). На выходе JSON с полями: краткое содержание, сигнал (причина отказа одним словом), эмоция, дословные цитаты, инсайт. Автор пересылает заметки в Telegram с атомарным клеймом (forwarded_at), чтобы не было дублей.

Сравнение с тем, что доступно в России

Для запуска такого бота нужна LLM-модель с хорошим пониманием русского языка и возможностью задать системный промпт. Из платных LLM-моделей, доступных в РФ без VPN:

• YandexGPT (через Yandex Cloud) поддерживает системные промпты и стриминг, подходит для задачи.
• GigaChat (Сбер) тоже работает с системными промптами, есть API.

Обе модели позволяют воспроизвести описанную архитектуру. Автор использовал стек TypeScript + Postgres + LLM с фоллбэком (запасной моделью на случай отказа основной), но конкретную модель в качестве основной не называл. Код каркаса на TypeScript и SQL-схему автор выложил в открытом доступе.

Частые вопросы

Нужны ли платные LLM-модели или подойдут бесплатные?

Автор использовал платные LLM-модели с поддержкой стриминга (потоковой выдачи ответа). Бесплатные модели с открытыми весами (open weights), например Llama или Mistral, тоже подойдут технически, но потребуют собственного сервера для запуска. Для быстрого старта проще взять API платной модели.

Не раздражает ли пользователей чат после отказа от оплаты?

По данным автора, из 59 сессий 20 человек ответили добровольно. Никто не обязан вступать в диалог: чат появляется, но не блокирует страницу. Автор отмечает, что после удаления фразы «я ничего не продаю» тон ответов стал спокойнее, то есть рамку задаёт первый вопрос, а не дисклеймер.

Можно ли использовать эту схему не в играх, а в обычном интернет-магазине?

Да. Автор прямо указывает: вместо игрового пейволла (экрана оплаты) подставьте корзину, тариф или подписку. Схема базы данных привязана к абстрактному subject_id, который может быть идентификатором заказа, корзины или чего угодно.

Если у вас есть точка отказа и хотя бы десяток отказов в день, через неделю у вас будет больше живых причин «почему не купили», чем за месяц любых опросников.