Как ИИ слушает звонки менеджеров за вас: скрипт, возражения, слитые заявки

Я почти пятнадцать лет слушаю, как владельцы бизнеса жалуются на одно и то же: менеджеры вроде продают, а выручка не растёт. Причина обычно лежит в звонках, которые никто никогда не слушал — просто физически руки не дошли. В этой статье расскажу, как мы в ITfresh настраиваем клиентам автоматическую транскрибацию и разбор звонков нейросетью, и что это реально меняет в отделе продаж, а что нет.

Почему прослушка звонков вручную — это театр, а не контроль

У почти каждого второго клиента, который приходит к нам с CRM или телефонией, есть запись разговоров. Функция включена, звонки пишутся, место на диске тратится. А слушает их кто? Обычно никто. Ну, может быть, руководитель отдела продаж раз в месяц выборочно прослушает пять звонков перед планёркой — и то если не забыл.

Возьмём типичную торговую компанию на 15 менеджеров. Это примерно 3000-4000 звонков в месяц. Чтобы прослушать их все, одному человеку нужно потратить примерно 500 часов — то есть три штатные единицы, которые будут заниматься только этим. Экономически это бессмыслица, поэтому никто так и не делает.

В итоге получается странная ситуация: деньги на запись звонков потрачены, а информация из них не извлекается вообще. Руководитель судит о качестве продаж по отчётам самих менеджеров и по факту продаж в конце месяца. А почему сделка сорвалась — потому что клиент передумал или потому что менеджер забыл спросить бюджет и предложить рассрочку — так и остаётся загадкой.

Что технически происходит под капотом

Схема на самом деле простая, я специально не буду её усложнять. Звонок пишется телефонией — не важно, это Mango Office, UIS, Билайн или встроенная запись в амоCRM или Битрикс24. Дальше запись автоматически улетает на распознавание речи — сервис переводит аудио в текст с разбивкой по репликам: где говорит менеджер, где клиент.

Раньше для русского языка приличного качества можно было добиться только у Яндекса — SpeechKit держит планку на телефонных записях с шумом и перебиванием. Сейчас распознавание тянут и модели на базе Whisper, дообученные под русскую разговорную речь и терминологию отрасли — это важно, потому что общая модель путает 'дебиторку' с чем-то посторонним, а специализированная под бухгалтерию или медицину — нет.

Готовая расшифровка (текст с таймкодами и разметкой на говорящих) отправляется уже во вторую нейросеть — языковую модель, условно YandexGPT или что-то из семейства GPT через API. Ей дают инструкцию: вот скрипт компании, вот список типовых возражений, найди отклонения, оцени звонок по чек-листу, вытащи все обещания и договорённости. На выходе — структурированная карточка по каждому звонку, а не просто текст.

Что реально показывает отчёт: три вещи, которые интересны собственнику

Первое — соблюдение скрипта. Не в духе 'сказал ли менеджер здравствуйте', а по сути: представился ли компанией, задал ли квалифицирующие вопросы, назвал ли цену, предложил ли следующий шаг. У одного клиента, юридической фирмы, выяснилось, что из 40 менеджеров треть вообще не проговаривает стоимость услуги на первом звонке — просто уходит от вопроса, боится спугнуть клиента ценой. А клиент потом звонит трём конкурентам и выбирает того, кто цену назвал сразу.

Второе — возражения. Система собирает их в статистику: 'дорого' встретилось в 34% звонков, 'нужно подумать' — в 28%, 'уже работаем с другими' — в 19%. И самое ценное — как менеджер на это отвечал. Читаешь дословную расшифровку и видишь: на 'дорого' в половине случаев человек просто соглашался и сдувался — 'ну да, у нас недёшево' — вместо того чтобы отработать возражение. Это и есть материал для реальной, не выдуманной тренировки отдела.

Третье, и для меня самое денежное — упущенные заявки. Это звонки, где клиент прямым текстом хотел купить или записаться, а менеджер это прослушал: не зафиксировал контакт, не создал сделку в CRM, забыл перезвонить. У медицинской клиники, которая к нам обращалась, за месяц таких звонков набралось 47 — человек звонил записаться на приём, а в CRM карточка просто не появлялась. При среднем чеке 4500 рублей это больше 200 тысяч упущенной выручки только за один месяц, и это без учёта повторных визитов.

Три истории из практики, без прикрас

Торговая компания, продажа станков, 12 менеджеров. Мы подключили транскрибацию через API телефонии Mango и разбор через YandexGPT с промптом под их скрипт. Первый же отчёт вскрыл, что двое менеджеров вообще не задают вопрос про сроки поставки конкурентов — а это ключевой аргумент, почему стоит выбрать именно их (у конкурентов склад в Китае, у клиента — в Подмосковье). После того как это включили в скрипт принудительно и стали проверять по отчётам каждую неделю, конверсия из звонка в счёт выросла с 22% до 31% за два месяца.

Юридическая фирма — там другая история. У них не было проблем с продажами как таковыми, зато обнаружился юридический риск: два юриста на первичной консультации давали клиентам обещания по срокам, которые физически невозможно было выполнить. Без транскрибации это всплыло бы только на разборе жалобы клиента, постфактум. С отчётом руководитель поймал это на второй неделе.

И медклиника, которую я уже упоминал. Там оказалось, что администраторы на ресепшене (по сути те же продавцы услуг) плохо доносят информацию про подготовку к анализам — а это прямая причина, почему пациенты приходят не натощак и приём приходится переносить. ИИ такие вещи прекрасно ловит, потому что ему всё равно, продажа это или медицинская консультация — он просто сверяет разговор с чек-листом, который вы сами задаёте.

Сколько это стоит и что нужно, чтобы запустить

Считаем на пальцах. Распознавание речи стоит примерно 1,5-3 рубля за минуту звонка в зависимости от сервиса. Средний звонок в продажах — 3-4 минуты. Разбор через LLM — ещё примерно рубль-полтора на звонок, если не гонять текст через дорогую модель по кругу. При 3000 звонках в месяц итоговая сумма выходит в районе 15-25 тысяч рублей — сопоставимо с половиной ставки контролёра качества, только этот 'контролёр' не болеет и не забывает.

Из технических условий — нужна телефония с API, откуда можно забирать аудиозаписи автоматически (подходит почти всё современное: Mango, UIS, Билайн Бизнес, Zadarma, встроенная телефония в амоCRM). Дальше — либо готовый сервис речевой аналитики вроде CoMagic или Calltouch с уже встроенным ИИ-разбором, либо своя связка на API распознавания плюс LLM, если хочется гибкий чек-лист под свою специфику. Мы обычно делаем второй вариант — из коробки чек-листы под медицину или юрфирмы никто толком не заточил.

На внедрение у нас уходит от одной до трёх недель — зависит от того, есть ли уже интеграция телефонии с CRM. Отдельно закладываем неделю на настройку самого чек-листа: садимся с руководителем отдела продаж, выписываем реальный скрипт и реальные типовые возражения, а не то, что написано в старой методичке 2019 года и давно не соответствует действительности.

Подводные камни, о которых лучше знать заранее

Первое и главное — персональные данные. Звонки клиентов — это персональные данные по 152-ФЗ, и если вы отправляете аудио на распознавание в облачный сервис, нужно, чтобы это было прописано в вашей политике обработки персональных данных, а сам сервис хранил данные на серверах в РФ. С зарубежными облачными API (условно OpenAI Whisper напрямую) в лоб для звонков российских клиентов лучше не работать — юридически это серая зона.

Второе — качество звука. Если у вас связь на старых VoIP-шлюзах с постоянными обрывами или сотрудники звонят с личных мобильных через динамик в машине, распознавание будет сыпаться, и ИИ станет находить несуществующие нарушения скрипта просто потому, что не расслышал реплику. Перед внедрением стоит один раз прогнать десяток звонков вручную и сверить расшифровку — если ошибок больше 10-15%, сначала чините связь, а потом уже аналитику.

Третье — не превращайте это в инструмент травли. Видел компании, где после внедрения такой системы руководитель начинал каждую пятницу зачитывать провинившихся на планёрке по фамилиям. Люди либо увольняются, либо начинают придумывать, как обмануть систему — говорить скриптовые фразы формально, без смысла, лишь бы ИИ поставил галочку. Работает нормально только когда отчёт используют для тренировки и разбора конкретных кейсов, а не как повод для штрафов.

С чего начать, если решили попробовать

Не пытайтесь сразу внедрить идеальную систему с двадцатью пунктами чек-листа. Начните с трёх вещей: соблюдение обязательных пунктов скрипта, отработка топ-5 возражений и детекция упущенных заявок. Этого достаточно, чтобы за первый месяц увидеть конкретные деньги и решить, стоит ли углубляться дальше.

И ещё один совет из практики — запустите систему сначала в тестовом режиме, без объявления сотрудникам, на 2-3 недели. Не для того, чтобы кого-то поймать втихую, а чтобы самим увидеть реальную картину без эффекта 'все резко стали работать по скрипту, потому что знают про проверку'. А дальше уже открыто объявляйте команде, показывайте, что это инструмент для их же премий и обучения, а не скрытая слежка.

Частые вопросы

Насколько точно ИИ распознаёт русскую речь по телефону, если запись плохая?
На чистой связи точность распознавания сейчас 92-97%, этого достаточно для анализа смысла разговора. На плохой линии с шумами и перебиванием точность падает до 70-80%, и часть нюансов теряется. Поэтому перед внедрением мы всегда советуем сначала проверить качество самой телефонной связи, а не сразу вкладываться в аналитику.

Можно ли подключить это к своей CRM, если она самописная или редкая?
Да, если из неё можно выгружать аудиозаписи звонков через API или хотя бы забирать файлы из общей папки на сервере. Мы делали такие интеграции и с самописными системами на 1С, и с нестандартной телефонией — важно только, чтобы записи были доступны программно, а не только через веб-интерфейс вручную.

Заменяет ли это руководителя отдела продаж?
Нет, и не должно. ИИ хорошо находит закономерности и конкретные нарушения в тексте, но не заменяет живую обратную связь и разбор сложных кейсов. Это скорее фильтр, который экономит РОПу часы на прослушку и указывает, на какие именно звонки стоит потратить своё время.

Законно ли анализировать звонки нейросетью с точки зрения 152-ФЗ?
Законно, если у вас уже есть согласие клиентов на запись разговора (обычно это стандартное информирование в начале звонка) и вы используете сервисы распознавания с хранением данных на территории РФ. Мы всегда рекомендуем клиентам сверить формулировки в политике обработки персональных данных перед запуском такой системы.