Клиент звонит, называет имя, просит перенести встречу, уточняет адрес. Оператор лихорадочно открывает карточку, переключается между полями, что-то забывает, потом переспрашивает. Знакомая ситуация? Мы решили её — AI автоматически заполняет карточку клиента после звонка, извлекая все структурированные данные из транскрипта. Наша система работает с любыми CRM через REST API и обеспечивает точность извлечения до 95% при уверенности модели. Она разработана на основе 10+ лет опыта в AI и NLP, и более 50 успешных проектов по автоматизации CRM.
Каждый ручной ввод — это 2-3 минуты времени оператора и риск ошибки: забытый email, перепутанный адрес, потерянная договорённость. AI справляется за 2-3 секунды, а оператору остаётся только подтвердить данные. В результате время обработки звонка сокращается на 80%, а ошибки ввода практически исчезают. Система не затирает старые данные при слиянии — умный merge сохраняет существующую информацию, если уверенность в новом значении низкая.
Как AI извлекает данные из звонка?
Система использует NER (Named Entity Recognition) на базе GPT-4o. После звонка транскрипт подаётся в модель, которая возвращает JSON с полями карточки и оценкой уверенности для каждого поля. Пример извлечения:
async def extract_entities_from_call(transcript: str) -> dict:
"""Извлекаем структурированные данные из диалога"""
response = await client.chat.completions.create(
model="gpt-4o",
messages=[{
"role": "system",
"content": """Извлеки из текста звонка следующие данные (если упоминались):
- customer_name: полное имя клиента
- address: адрес доставки/проживания
- email: email адрес
- phone_secondary: дополнительный телефон
- order_details: детали заказа/запроса
- complaint_description: описание проблемы
- preferred_contact_time: удобное время для связи
- product_interest: интересующие продукты/услуги
- next_appointment: дата/время следующего контакта
- notes: важные заметки
Верни JSON. Поля не упоминавшиеся в разговоре — null."""
}, {
"role": "user",
"content": transcript
}],
response_format={"type": "json_object"}
)
return json.loads(response.choices[0].message.content)
Мы используем Named Entity Recognition (NER) для извлечения сущностей, а confidence scoring оценивает надёжность каждого поля. Подробнее о NER читайте в Wikipedia. Пороговые значения настраиваются под специфику бизнеса.
Как настроить пороги уверенности?
Каждое извлечённое значение получает оценку уверенности на основе вероятности, присвоенной моделью. Для полей с уверенностью ниже 60% в UI отображается жёлтый индикатор — оператор обязан проверить значение. Поля с уверенностью выше 85% заполняются автоматически, но всегда доступны для редактирования. Промпты настроены так, чтобы модель возвращала null для отсутствующих данных, исключая ложные заполнения. Эта система confidence scoring позволяет избежать ошибок при неполных или неоднозначных ответах клиента.
Почему AI в 10 раз быстрее ручного ввода?
Оператор в среднем тратит 2–3 минуты на заполнение карточки после звонка. AI делает это за 2–3 секунды, а оператору остаётся только подтвердить данные — это занимает 10–15 секунд. Время обработки звонка сокращается на 80%, а количество ошибок ввода падает практически до нуля. Гарантируем, что система не затирает старые данные при слиянии благодаря smart merge.
| Тип данных | Пример | Уверенность | Цвет в UI |
|---|---|---|---|
| Имя клиента | Иван Петров | 0.95 | зелёный |
| Адрес доставки | ул. Ленина, 10 | 0.80 | жёлтый |
| Желаемая дата | завтра | 0.50 | жёлтый |
| Не упомянуто | null | 0.0 | серый |
| Действие | Время | Ошибки |
|---|---|---|
| Ручной ввод | 2–3 мин | ~5% |
| AI + подтверждение | 10–15 сек | <1% |
Что входит в работу?
- Анализ и проектирование: разбор текущих полей CRM, создание промптов для LLM, определение порогов уверенности.
- Разработка NER-модуля: интеграция с OpenAI GPT-4o или локальными LLM (LLaMA, Mistral), реализация confidence scoring и smart merge.
- Интеграция с CRM: настройка REST API, создание UI-виджета для оператора с цветовой индикацией (зелёный/жёлтый/серый).
- Тестирование и калибровка: проверка на реальных звонках, настройка threshold confidence, A/B тестирование.
- Документация и обучение: инструкции для операторов, описание API, руководство по эксплуатации.
- Поддержка: сопровождение в течение 3 месяцев после запуска, доработка промптов при изменении бизнес-процессов.
Как мы гарантируем качество?
Каждое извлечённое поле содержит цитату из транскрипта — оператор видит, откуда взялось значение. Confidence ниже 60% отправляет поле на обязательную проверку. Мы также проводим fine-tuning на ваших диалогах, чтобы повысить точность на специфической лексике. Закажите пилотный проект на 50 звонках — оцените точность сами.
Сроки ориентировочно
- NER + заполнение одной CRM: 2–3 недели.
- Мультиплатформенная система с UI и поддержкой нескольких CRM: 1,5 месяца.
- Fine-tuning под специфику бизнеса: +1–2 недели.
Стоимость рассчитывается индивидуально в зависимости от числа полей, сложности интеграции и необходимости дообучения. Свяжитесь с нами — оценим ваш проект за 1 день и предложим оптимальное решение.