Публикация Школы траблшутеров

Байки автоматизации, или как анализировать звонки с ИИ

Время чтения: 7 мин 25 сек
12 ноября 2026 Просмотров: 12

Из 500 звонков менеджера только 131 разговор длился не менее 30 секунд. Автоматизация помогла увидеть разрыв между количеством попыток и содержательным общением, но ещё не доказала возможность сократить команду. Основатель «Школы траблшутеров» Олег Брагинский и ученица Марина Строева разбирают, почему работающий сервис не гарантирует управленческих изменений.

Байки автоматизации, или как анализировать звонки с ИИ

Рис. 1. Между записью звонка и решением владельца лежит больше одного шага

Что обещает автоматизация

Автоматизация бизнеса набирает популярность. Подключение ИИ к CRM-системе выглядит доступнее, чем перестройка процессов, поэтому рынок наполняется предложениями быстрых внедрений. Компании рассчитывают поручить алгоритмам несколько привычных задач:

  • аналитика поведения пользователей – определять этапы, на которых клиенты перестают пользоваться продуктом;
  • помощь руководителю – собирать сведения из CRM, задач, проектов и переписок, показывать проблемы;
  • автоматические звонки – вести диалог по скрипту, передавать менеджеру клиента, готового обсуждать заказ;
  • создание документов – готовить коммерческие предложения, презентации и технические материалы;
  • анализ коммуникаций команды – находить задержки и узкие места во взаимодействии;
  • анализ звонков – выявлять причины отказов, ошибки менеджеров и факторы успеха.

С появлением ИИ-агентов прототип действительно можно собрать быстро: поставить задачу и получить отчёт из CRM, проект договора или яркую панель показателей. Однако скорость сборки ещё не говорит о достоверности анализа и пользе для бизнеса.

На простом примере разберём, что требуется для анализа звонков и почему автоматизация может разочаровать даже при исправно работающей программе. Проблемы начинаются там, где техническая готовность подменяет понимание управленческой задачи.

Whisper от OpenAI переводит запись в текст. Сервер подбирают под версию модели, объём звонков и допустимую задержку. Универсальной конфигурации нет.

Следующий этап – анализ расшифровки языковой моделью. Можно развернуть подходящую локальную LLM, например Llama или Qwen, либо обращаться к внешней модели по API. Первый вариант требует собственных вычислительных ресурсов, второй – согласованного порядка передачи данных.

image html

Рис. 2. Whisper превращает речь в текст, а выводы требуют отдельной модели

Для просмотра результатов нужен интерфейс. Поставщики анализа звонков порой уделяют экрану руководителя меньше внимания, чем подключению модели. Между тем полезный сервис должен позволять проверить оценку по конкретному разговору, а не только показывать красивые цифры.

После настройки программы и интерфейса подключаем источник записей. Интеграция с CRM через API получает звонки и сведения о сделках с необходимыми правами доступа. Секретный ключ хранится в настройках сервиса, а не в тексте задания агенту.

Технический прототип при готовых компонентах иногда собирают за десятки минут. Но настройка критериев, проверка качества и запуск в рабочем потоке требуют отдельного времени. Разработка соединений здесь оказывается далеко не самой сложной частью.

Главное – определить, что искать в разговоре. Что считается презентацией, закрытием сделки или согласованным следующим шагом? Какой скрипт применяет менеджер? За что выставляется оценка? Пока ответы расплывчаты, модель лишь придаёт неопределённости числовой вид.

На этом этапе начинается самое интересное. В одной компании пытались измерять «энергию менеджера», и более половины оценок оказались нулевыми. Сотрудник будто сгорел на работе, хотя показатель мог отражать не состояние человека, а плохо заданный критерий.

Дело не в техническом складе ума заказчика: участникам проекта нужны общие определения и проверяемые признаки. Для «презентации» и «закрытия» задают правила, примеры и исключения, а затем сопоставляют ответы модели с ручной разметкой нескольких разговоров.

image html

Рис. 3. Повторные контакты и оценка закрытия меняются в разном ритме

Даже согласованных критериев недостаточно для полной картины. Оценку содержания разговора связывают с данными CRM: исход звонка, состояние сделки и покупка относятся к разным событиям. Для управленческого анализа дополнительно понадобятся:

  • общее число попыток связи и состоявшихся разговоров;
  • статус сделки и подтверждённый результат в системе;
  • клиенты, которым требуется повторное обращение;
  • показатели прошлых периодов для сравнения;
  • число повторных звонков одному клиенту;
  • рекомендации по следующему контакту;
  • сводные показатели по менеджерам.

image html

Рис. 4. Число звонков ещё не раскрывает качество работы отдела

В рассматриваемом сервисе для подробного разбора отбирали разговоры длительностью не менее 30 секунд. Это фильтр записей, а не критерий успешной продажи. Короткий контакт может закончиться заказом, а длинный диалог – отказом; результат проверяют отдельно по CRM.

image html

Рис. 5. Один клиент может возвращаться в журнал снова и снова

На снимке 30,2% звонков длились от 30 секунд. Остальные 69,8% – короткие контакты, не обязательно недозвоны. Перед подключением бота проверяют реальные исходы обращений.

В туристическом агентстве сравнили четырёх основных менеджеров и примерно полторы тысячи звонков за месяц. Итоговый экран содержит 1’656 записей по семи строкам: первые четыре дают 1’527, остальные три – 129. Поэтому общие итоги и результаты выбранных сотрудников рассматриваем раздельно.

  • у менеджера с наибольшим числом попыток – 500 звонков;
  • у другого сотрудника – 265 звонков;
  • доля разговоров от 30 секунд – соответственно 26,2% и 37,4%;
  • в CRM отмечены 6 и 7 успешных сделок соответственно.

У первого менеджера 131 разговор достиг порога длительности: 500 × 26,2%. Остальные 369 записей короче 30 секунд. При условных 20 рабочих днях – 25 попыток и около 6–7 длительных бесед в день. Переписка и сопровождение заявок этим счётчиком не измеряются.

У сотрудника с 265 звонками порог преодолели примерно 99 разговоров, а в CRM отмечено семь успешных сделок против шести у коллеги. Большее число попыток здесь не дало лучшего результата. Но до оценки эффективности следует проверить различия в лидах, задачах и периодах.

image html

Рис. 6. Попытки связи, длительные разговоры и сделки дают разные итоги

Почему цифры ещё не меняют компанию

Анализ помогает проверить рассказы о перегрузке. Однако ни 25 звонков в день, ни полторы продажи в неделю не доказывают избытка персонала. Для решения нужны затраты времени, сложность заявок, качество базы и обязанности сотрудников.

После демонстрации результатов собственник не сократил двух из четырёх менеджеров, не подключил колл-центр и не включил бота. Вместо этого нанял ещё двоих. Ожидаемого решения не последовало: показатели не сняли опасений владельца.

Автоматизация делает процесс наблюдаемым, но изменения требуют решения. Нужно договориться, какие факты станут основанием для действий, кто проверит объяснения и оценит последствия. Иначе система контроля останется панелью, на которую смотрят, ничего не меняя.

«Блажен тот, кто не ведает!» Но после появления проверяемых данных незнание уже становится выбором.

OpenAI. Whisper: модели распознавания речи, требования к памяти и ограничения скорости. Техническая документация.