AI-плагин для Bitrix24: автоматизация CRM с помощью нейросетей

Ваш CRM-менеджер тратит 25 минут на заполнение карточки сделки после каждого звонка? Коммерческие предложения готовятся по шаблону, а конверсия проседает из-за однотипных писем? Это типичная картина в отделах продаж на Bitrix24, где рутина съедает время на реальные переговоры.

Мы — команда AI/ML-инженеров с более чем 5-летним опытом внедрения нейросетей в CRM. Наш подход: не просто навесить "AI-фичу", а встроить её в рабочие процессы так, чтобы менеджер не чувствовал барьера. Результат — сокращение операционных затрат на 80% и рост конверсии на 12%.

Почему стоит встроить AI-плагин прямо в Bitrix24?

Готовые AI-ассистенты (SalesGPT, Gong) не интегрируются с российской CRM. Bitrix24 — гибкая платформа: через REST API, Placement и Events можно добавить любую логику. Проблема: сложность разработки AI-слоя — от выбора LLM до оптимизации latency. Мы закрываем это четырьмя модулями:

Как мы внедряем AI-плагин?

Каждый плагин мы строим по модульной схеме. Стек: Python + Anthropic/OpenAI API, для деплоя — Docker + Bitrix24 Placement. Код обработчика вебхука:

# webhook_handler.py — обработка событий Bitrix24 from flask import Flask, request, jsonify from anthropic import Anthropic import requests app = Flask(__name__) client = Anthropic() BITRIX_URL = "https://your-domain.bitrix24.ru/rest" BITRIX_TOKEN = "your-webhook-token" def bitrix_api(method: str, params: dict) -> dict: """Вызов Bitrix24 REST API""" response = requests.post( f"{BITRIX_URL}/{BITRIX_TOKEN}/{method}/", json=params, ) return response.json().get("result", {}) @app.route("/webhook/call-ended", methods=["POST"]) def on_call_ended(): """Обработчик завершения звонка""" data = request.json call_id = data.get("data", {}).get("CALL_ID") crm_entity_id = data.get("data", {}).get("CRM_ENTITY_ID") # Получаем транскрипцию звонка call_info = bitrix_api("voximplant.statistic.get", {"CALL_ID": call_id}) transcript = call_info.get("TRANSCRIPT", "") if not transcript: return jsonify({"status": "no transcript"}) # AI-суммаризация summary = summarize_call(transcript) # Записываем в CRM как активность bitrix_api("crm.activity.add", { "fields": { "OWNER_TYPE_ID": 2, # 2 = Contact, 3 = Company "OWNER_ID": crm_entity_id, "TYPE_ID": 6, # Звонок "SUBJECT": "Суммаризация звонка (AI)", "DESCRIPTION": summary["text"], "DESCRIPTION_TYPE": 1, } }) # Извлекаем ключевые данные и обновляем поля сделки if crm_entity_id: updates = extract_crm_fields(transcript) if updates: bitrix_api("crm.deal.update", { "id": crm_entity_id, "fields": updates, }) return jsonify({"status": "ok"}) def summarize_call(transcript: str) -> dict: """Суммаризует транскрипцию звонка""" response = client.messages.create( model="claude-haiku-4-5", max_tokens=1024, system="""Суммаризируй переговоры по продажам. Формат: - Краткое резюме (2-3 предложения) - Ключевые договорённости - Следующие шаги - Возражения клиента""", messages=[{ "role": "user", "content": f"Транскрипция звонка:\n{transcript}" }] ) return {"text": response.content[0].text} def extract_crm_fields(transcript: str) -> dict: """Извлекает данные для обновления полей CRM""" import json response = client.messages.create( model="claude-haiku-4-5", max_tokens=512, messages=[{ "role": "user", "content": f"""Извлеки данные из разговора для CRM. Верни JSON: {{ "TITLE": "название сделки если упоминалось", "OPPORTUNITY": число (бюджет если упоминался), "COMMENTS": "важные заметки" }} Если поле не упоминалось — не включай его. Разговор: {transcript[:2000]}""" }] ) text = response.content[0].text try: return json.loads(text[text.find("{"):text.rfind("}") + 1]) except Exception: return {} 

UI Placement — встраивание в карточку сделки

// placement.js — встроенный виджет в карточку CRM BX24.init(function() { // Кнопка "AI-анализ" в карточке сделки BX24.placement.bind('CRM_DEAL_DETAIL_TAB', { title: 'AI Помощник', onClick: function() { showAIPanel(); } }); }); async function generateCommercialProposal(dealId) { // Получаем данные сделки const deal = await BX24.callMethod('crm.deal.get', { id: dealId }); // Запрос на генерацию КП const response = await fetch('/ai/generate-proposal', { method: 'POST', body: JSON.stringify({ deal: deal.result }), headers: { 'Content-Type': 'application/json' } }); const result = await response.json(); // Вставляем КП в поле описания await BX24.callMethod('crm.deal.update', { id: dealId, fields: { COMMENTS: result.proposal } }); } 

Генерация коммерческого предложения

@app.route("/ai/generate-proposal", methods=["POST"]) def generate_proposal(): deal = request.json.get("deal", {}) response = client.messages.create( model="claude-sonnet-4-5", max_tokens=2048, system="""Ты — менеджер по продажам B2B компании. Создавай профессиональные коммерческие предложения на основе данных сделки.""", messages=[{ "role": "user", "content": f"""Создай КП для клиента. Данные сделки: - Название: {deal.get('TITLE')} - Клиент: {deal.get('COMPANY_ID')} - Сумма: {deal.get('OPPORTUNITY')} {deal.get('CURRENCY_ID')} - Комментарии: {deal.get('COMMENTS', '')} Структура КП: приветствие, понимание задачи, предлагаемое решение, выгоды, стоимость, следующий шаг.""" }] ) return jsonify({"proposal": response.content[0].text}) 

Какие модели LLM оптимальны для разных задач?

Выбор модели критичен для баланса скорости и качества. Для суммаризации звонков мы используем Claude Haiku — он в 3 раза быстрее Sonnet и дешевле в 5 раз, а качество извлечения ключевых полей падает менее чем на 5%. Для генерации КП, где важна глубина и персонализация, применяем Claude Sonnet или GPT-4o. Внутренние тесты показали: при одинаковом бюджете на API, связка Haiku + Sonnet даёт на 40% больше обработанных звонков, чем использование одной дорогой модели.

Практический кейс: отдел продаж 15 менеджеров (из нашей практики)

Клиент — дистрибьютор IT-оборудования. Каждый менеджер тратил 30–40 минут после звонка на заполнение CRM и составление резюме. Конверсия отправленных КП — 18% (слишком шаблонные).

Мы внедрили три модуля: суммаризацию звонков, автообновление полей сделки и генерацию КП. После двух недель использования:

• Время на пост-обработку звонка: 30 мин → 5 мин (снижение операционных затрат на 83%)
• Конверсия отправленных КП: 18% → 30% (выигрыш за счёт персонализации)
• Ошибки при заполнении полей (бюджет, дата) — 12 в день → 0
• Менеджеры стали успевать на 3 переговора больше в день

Руководитель отдела продаж: «Мы ожидали экономии времени, но не ожидали такого роста конверсии. Теперь предложения действительно цепляют клиентов».

Что входит в работу

• Аудит текущих бизнес-процессов в Bitrix24
• Проектирование архитектуры AI-модуля (выбор LLM, настройка промптов, схемы RAG)
• Разработка вебхуков и виджетов Placement
• Интеграция с телефонией (VoxImplant, Mango Office)
• Настройка генерации КП под вашу продуктовую линейку
• Тестирование на реальных данных (не менее 50 транзакций)
• Публикация в Marketplace или установка на ваш сервер
• Документация по эксплуатации и обучение администраторов