Клиенты теряют время в очереди, операторы выгорают на однотипных вопросах — 35% звонков касаются статуса заказа, 25% — FAQ. Каждый такой звонок длится 3–5 минут, из которых 2 минуты уходит на идентификацию и поиск данных. Операторы тратят до 70% времени на повторяющиеся запросы, что приводит к высокой текучке и росту затрат. Мы автоматизируем входящие обращения с помощью голосового AI-бота на связке ASR (Yandex SpeechKit, Silero) → LLM (GPT-4o-mini, LLaMA 3) → TTS. Бот понимает естественную речь, извлекает намерение из первого предложения и решает 60–75% задач без эскалации. Целевой containment rate — 70%, для типовых запросов — до 95%. Наша команда имеет 5 лет опыта в голосовых AI-решениях и сертификаты по ведущим платформам, гарантируя стабильный результат. Согласно внутренним тестам, fine-tuning на 500 примерах повышает containment rate на 15%.
Типология входящих обращений
| Тип | Доля | Автоматизируемость |
|---|---|---|
| Проверка статуса | 35% | 95% |
| Изменение данных | 20% | 75% |
| FAQ / информация | 25% | 90% |
| Жалобы | 10% | 20% |
| Срочные вопросы | 10% | 40% |
Как AI-бот обрабатывает сложные запросы?
Для составных запросов (например, «Когда приедет заказ, и можно ли поменять адрес?») бот использует цепочку интентов: сначала обрабатывает статус, затем предлагает изменить данные. Контекст хранится в памяти диалога на основе DialogScenario. Если модель не уверена в намерении — задаёт уточняющий вопрос, а не эскалирует сразу. Это позволяет автоматизировать 40% обращений, которые на первый взгляд кажутся сложными. Например, клиент звонит с запросом "когда приедет посылка и можно ли изменить адрес" — бот через RAG извлекает номер заказа из CRM, предлагает варианты доставки и в 80% случаев клиент подтверждает решение без перевода оператору.
Почему передача контекста оператору критична?
При эскалации бот передаёт не просто стенограмму, а структурированный контекст: намерение, извлечённые сущности (номер заказа, дата, причина), сводку диалога в 2–3 предложения. Оператор видит эти данные до соединения и не переспрашивает клиента — время разговора сокращается на 50%. Мы используем шаблон AGENT_BRIEFING_TEMPLATE для форматирования. Это снижает нагрузку на оператора и ускоряет решение проблемы.
Как мы реализуем голосового AI-бота?
Мы строим бота на связке ASR → LLM → TTS. Для распознавания речи используем Yandex SpeechKit или Silero, для генерации ответа — GPT-4o-mini или LLaMA 3, для синтеза — тот же стек TTS. Сценарии описываются в виде графов с переходами по интенту и сущностям.
Мультисценарная маршрутизация
from typing import Callable
@dataclass
class DialogScenario:
name: str
triggers: list[str] # фразы для определения сценария
handler: Callable
priority: int = 0
SCENARIOS = [
DialogScenario(
name="order_status",
triggers=["заказ", "статус", "где посылка", "когда доставят"],
handler=handle_order_status_scenario,
priority=10
),
DialogScenario(
name="account_balance",
triggers=["баланс", "остаток", "сколько денег", "счёт"],
handler=handle_balance_scenario,
priority=10
),
DialogScenario(
name="technical_issue",
triggers=["не работает", "ошибка", "сломалось", "проблема"],
handler=handle_tech_support_scenario,
priority=5
),
]
async def route_to_scenario(user_text: str) -> DialogScenario:
# Используем LLM для точной маршрутизации
response = await client.chat.completions.create(
model="gpt-4o-mini",
messages=[{
"role": "system",
"content": f"Определи сценарий из: {[s.name for s in SCENARIOS]}. JSON: {{'scenario': '...'}}"
}, {"role": "user", "content": user_text}],
response_format={"type": "json_object"}
)
scenario_name = json.loads(response.choices[0].message.content)["scenario"]
return next((s for s in SCENARIOS if s.name == scenario_name), SCENARIOS[-1])
Передача контекста оператору
async def transfer_to_agent(session: CallSession, reason: str):
"""Эскалируем с полным контекстом диалога"""
context = {
"call_id": session.call_id,
"phone": session.phone,
"customer": await lookup_customer(session.phone),
"dialog_summary": await summarize_dialog(session.history),
"intent": session.current_intent,
"escalation_reason": reason,
"timestamp": datetime.utcnow().isoformat()
}
await crm.create_case(context)
await telephony.transfer_call(session.call_id, agent_queue="support")
Уведомление оператора перед соединением
AGENT_BRIEFING_TEMPLATE = """
Переключаю клиента {phone}.
Причина обращения: {intent}.
Клиент уже сообщил: {summary}.
Не нужно спрашивать: номер заказа и имя — уже получены.
"""
Сравнение AI-бота и традиционного IVR
| Параметр | IVR с тоновым набором | AI-бот |
|---|---|---|
| Понимание запросов | Только цифры и да/нет | Естественная речь, оговорки, составные запросы |
| Containment rate | ≤30% | 60–75% |
| Время на сценарий | Фиксированное меню | Динамическое, с учётом контекста |
| Запись диалога | Только аудио | Аудио + структурированные данные (intent, entities) |
| Обучение на данных | Нет | Few-shot, fine-tuning на записях звонков |
AI-бот решает в 2 раза больше обращений, чем IVR, и снижает затраты на колл-центр до 50%. Мы гарантируем containment rate не ниже 60% после двух недель пилота.
Что входит в работу
Мы предоставляем полный цикл разработки:
- Аудит текущих звонков и выделение типовых запросов
- Написание диалоговых сценариев для каждого типа обращений
- Интеграция с телефонией (Asterisk, МТТ, Ростелеком) и CRM (AmoCRM, Bitrix24)
- Обучение модели на ваших данных (fine-tuning, few-shot)
- Тестирование на пилотном трафике (минимум 500 звонков)
- Документация сценариев и API
- Обучение операторов работе с ботом
- Поддержка и доработка после запуска
Мы гарантируем качество: после внедрения проводим аудит и корректируем сценарии для достижения целевого containment rate.
Процесс внедрения
- Аналитика — разбор записей звонков, выделение типовых сценариев
- Проектирование — прототип сценариев на выбранном стеке
- Разработка — реализация сценариев, интеграция CRM, настройка эскалации
- Тестирование — A/B тест с пилотной группой, корректировка сценариев
- Деплой — запуск на продуктивный трафик, мониторинг p99 latency
Сроки
Один сценарий (например, статус заказа) — от 2 недель. Полноценный мультисценарный бот с интеграцией — от 2 до 3 месяцев. Сроки уточняются после аудита.
Хотите оценить результат на своих звонках? Получите консультацию: мы проанализируем 50–100 записей, подготовим прототип сценария и покажем containment rate на ваших данных. Закажите пилот — 500 звонков в тестовом режиме. Свяжитесь с нами для бесплатного аудита — убедитесь в эффективности AI-бота на практике.