AI-аналитика звонков и автоматизация операционной рутины

Как устроена AI-оценка звонков отдела продаж и автоматизация роутинга/скоринга заявок — механика и ограничения, на реальных кейсах.

TL;DR. Руководитель отдела продаж успевал вручную разобрать 5-10% звонков. Остальное никто не слушал. Входящие заявки тем временем распределялись по кругу или отсеивались по ключевым словам — с промахами в обе стороны. AI закрывает оба процесса по-разному: звонок транскрибируется, разбирается по спикерам и оценивается по чек-листу отдела продаж; заявка или лот фильтруется правилами и скорится языковой моделью по смыслу технического задания, а не по совпадению слов. Итог — не выборка, а полное покрытие потока. Не диспетчер вручную, а сервис, который распределяет и оценивает сам.

Что это такое и зачем бизнесу

За этой формулировкой скрываются две смежные, но разные задачи. Первая — оценить то, что уже произошло: разговор менеджера с клиентом, который иначе никто не переслушает. Вторая — обработать то, что приходит прямо сейчас: заявку, лид, тендерный лот. Здесь решение о приоритете и исполнителе нужно принять за секунды, а не после того, как человек долистает список публикаций до конца. В обоих случаях модель берёт на себя то, на что раньше не хватало человеческих часов, — и делает это по каждой единице потока, а не по выборке.

Разница видна в цифрах. Руководитель отдела продаж физически успевал разобрать 5-10% звонков — пятнадцать-двадцать минут ручной работы на один разговор: прослушать, сопоставить со стадией сделки, сформулировать обратную связь. Систему это ограничение не касается. Она оценивает 100% разговоров, а результат появляется в карточке сделки Bitrix24 за секунды машинного времени вместо минут человеческого.

Как это устроено технически

Здесь два родственных, но разных пайплайна — один разбирает уже состоявшийся разговор, второй решает, что делать с новым обращением.

Оценка звонка: транскрибация → диаризация → скоринг

Транскрибация. Запись разговора переводится в текст. Точность этого шага — фундамент для всего, что дальше: на фоновом шуме, наложении голосов или плохой связи расшифровка теряет точность, и это стоит проверять отдельным прогоном против эталонных транскриптов, а не считать данностью.
Диаризация. Текст разделяется по спикерам — где говорит менеджер, где клиент. Без этого шага скоринг не может определить, кто именно нарушил сценарий или не зафиксировал следующий шаг по сделке.
Скоринг по чек-листу. Расшифровка вместе с контекстом сделки — например, стадией воронки — уходит в языковую модель, которая оценивает разговор против рубрики, разработанной самим отделом продаж. Итоговый балл не стоит брать из самоотчёта модели напрямую: он привязывается к диапазону, который модель назвала, и подтверждается цитатами из расшифровки — иначе оценка одного и того же неизменного звонка плывёт от прогона к прогону.

Обработка заявок: правила + LLM-оценка

Сбор. Заявки, лоты или обращения стекаются из разных источников — форма на сайте, мессенджер, тендерная площадка, — и каждый источник обычно требует своего адаптера под формат данных.
Правила и веса. Часть решения принимается без модели вообще: лимит одновременной нагрузки отсекает недоступных операторов, таблица весов компетентности по парам «оператор — источник» определяет, кому конкретное обращение подходит больше.
LLM-оценка по смыслу. Там, где фильтр по ключевым словам промахивается — «модернизация» может означать что угодно, от замены оборудования до внедрения компьютерного зрения, — языковая модель читает техническое задание целиком и оценивает его против профиля работ, а не против списка терминов.

Где применимо

100% покрытие звонков вместо выборочного прослушивания — обратная связь менеджеру по каждому разговору, а не по случайной выборке из 5-10%.
Автораспределение входящих обращений по компетенциям операторов и текущей загрузке — без диспетчера и без очереди к одному сильному специалисту, пока остальные свободны.
Скоринг лидов и тендерных заявок по смыслу технического задания — вместо ежедневного ручного просмотра десятков публикаций в поисках трёх-пяти подходящих.

Общий признак задачи, где это подходит: поток входящих единиц — звонков, заявок, лотов — регулярный и однообразный, а критерий оценки можно сформулировать явно, в виде чек-листа, рубрики или профиля работ.

Ограничения

Чёрного ящика здесь нет. Ни оценка звонков, ни автоматический скоринг заявок не работают без настройки под конкретный процесс — вот что стоит понимать заранее.

Точность расшифровки и диаризации зависит от качества записи. Фоновый шум, наложение голосов, плохая связь — расшифровка теряет точность, а скоринг наследует эту ошибку. Точность транскрибации стоит измерять отдельно от точности оценки, а не сваливать в одну цифру.
Методология должна быть формализована заранее. Модель оценивает звонок или заявку против чек-листа, рубрики или профиля работ. Если критериев нет в явном виде, по нашему опыту их формализация становится отдельным этапом перед запуском, а не побочным продуктом внедрения.
Самооценка модели ненадёжна без дополнительной проверки. Спросите модель напрямую «оцени от 0 до 10» — и разброс между прогонами одного и того же неизменного звонка будет заметным. Итоговый балл нужно привязывать к диапазону и подтверждать цитатами из текста, а не принимать число, которое модель назвала первым.
LLM-оценка снижает число промахов, но не гарантирует их отсутствие. На нетипичной формулировке технического задания или редком сценарии обращения модель может ошибиться так же, как ошибся бы невнимательный человек. Калибровка на реальных примерах перед запуском в прод — способ увидеть эти случаи заранее, а не формальность для отчёта.

Как мы это реализовали

Аналитика звонков в Bitrix24: AI-оценка 100% разговоров — транскрибация WhisperX, диаризация pyannote, скоринг локальной LLM по 7 стадиям воронки с жёсткими ограничителями за пропущенный следующий шаг. Инференс на GPU заказчика, записи не покидают контур компании.
Автораспределение обращений: mini-CRM с весами компетентности — взвешенное случайное распределение по парам «оператор — источник» с лимитом одновременной нагрузки, без диспетчера. Исходный код открыт.
AI-скоринг тендеров и заявок — из 80-120 публикаций в день до 3-5 релевантных в Telegram, оценка технического задания языковой моделью по 10-балльной шкале с кэшированием промпта для контроля стоимости ежедневного прогона.

Что это будет стоить и сколько времени

Пилот аналитики звонков или автоматизации обработки заявок под конкретный процесс — от 200 000 ₽, 1–2 месяца. В эту стоимость входит формализация методики оценки, если её ещё нет, настройка пайплайна и интеграция в систему, где уже работает команда, — Bitrix24, Telegram или отдельный интерфейс. Точная оценка зависит от объёма потока и сложности критериев — обсуждается на этапе аудита.