Нейросети не понимали наших продажников. Как мы с нуля создали ИИ-систему анализа звонков, которая реально работает (и стоит копейки)

В статье опишу, как мы разработали систему анализа звонков для отдела продаж, протестировали доступные нейросетевые инструменты и создали уникальную методику анализа исходящих звонков отдела продаж.

Продюсер онлайн-школы по таргету. Активно интересуюсь тем, как результативно внедрять нейросети в бизнес.

Всё началось с задачи внутри нашей школы: я искал в интернете решение для контроля качества отдела продаж с помощью нейросетей. В теории всё звучало красиво, но на практике я не смог найти специалиста, который бы предложил понятное и рабочее решение.

Пришлось разбираться самому

Я понимал: нейросети — это не просто хайп, а инструмент, который можно использовать по-настоящему эффективно. Уже были идеи, как применить их в работе.

В процессе работы на этой задачей мы собрали систему, которая обрабатывает звонки менеджеров и проводит их анализ. Однако отдел продаж ее не принял, для них результат был неудовлетворительным.

Мы начали разбираться в причинах. Оказалось, что OpenAI плохо справляется с распознаванием русской речи — в первую очередь из-за качества самих записей. Звук часто не очень, и в результате транскрибация выходит неточной.

Например, из 10 звонков только 5 расшифровываются нормально, остальные — «битые», даже визуально не прочитать. Автоматизировать анализ звонков в таком случае не имеет смысла. Это база.

Мы пошли дальше и провели собственное тестирование: подключили API Яндекса и OpenAI, сделали кучу тестов. И в результате вывели свою методику: объединять Яндекс и OpenAI через специальный промпт. У Яндекса отличная точность распознавания деталей русского языка, а OpenAI хорошо понимает структуру фраз и предложений. В связке они дают очень точные транскрибации — в 99% случаев.

Эта же связка оказалась и самой дешевой. Стоимость транскрибации — всего 1,3 цента за минуту транскрибации. При этом мы получаем транкрибацию, которая содержит мелкие детали разговоров (в том числе слова-паразиты).

После этого мы перешли ко второму этапу — обработке полученной информации. Хорошая транскрибация есть, нужно как-то её анализировать. Мы собрали систему анализа на базе Qwen, потому что это дешевле и она хорошо понимает семантику русского языка (используем модель 2.5 max).

Всё это мы объединили в веб-приложении на Flask.

Схема работает так:

Обратная связь включает:

Плюс, система автоматически фиксирует жёсткие отклонения от скриптов (мы загрузили речевые модули в RAG-базу Qwen). Она сравнивает фактический диалог с шаблоном и указывает, например: «не выявлена потребность», «нет точки касания», «слабое завершение диалога» и т.п.

Если в разговоре звучат возражения, система это тоже отслеживает и выдаёт менеджеру два варианта отработки:

Так у нас и появилась система, которую реально можно использовать в работе. Она помогает РОПу держать руку на пульзе, выявлять слабые места у менеджеров, обучать менеджеров в реальном времени (особенно новичков). А менеджерам система помогает продавать, потому что у нее никогда нет проблем с отсутствием идей :)

Один из главных плюсов нейросети — с ней не бывает «плохих» звонков. Даже если менеджер отработал не идеально, она всегда предлагает новые варианты, которые можно доработать или протестировать.

Например, недавно она сгенерировала интересную идею: вместо традиционного звонка с экспертом предложила подключить к разговору куратора или даже другого ученика. Такой собеседник может поделиться личным опытом, ответить на сомнения потенциального клиента и тем самым повысить доверие. Мы уже тестируем эту гипотезу.

Для связи: