Речевая аналитика и голосовой ИИ для контакт-центра
Внедряем речевую аналитику, которая разбирает 100% звонков вместо выборочной прослушки, и голосового ИИ-агента, который ведет с клиентом свободный диалог. Встраиваем LLM-слой поверх вашей платформы контакт-центра (например Naumen, BSS, Just AI), телефонии и CRM. На российском стеке, персональные данные обрабатываем на серверах в России, как требует 152-ФЗ.
Мы в БизнесМатике внедряем в контакт-центры два связанных решения на больших языковых моделях (LLM) - речевую аналитику, которая разбирает 100% звонков вместо выборочной прослушки, и голосового ИИ-агента, который ведет с клиентом свободный диалог по входящей линии. Мы не продаем свою платформу контакт-центра и не предлагаем менять ту, что у вас уже работает. Мы встраиваем LLM-слой поверх вашей платформы (например Naumen, BSS, Just AI или другой) и поверх вашей телефонии и CRM. Работаем на GigaChat, YandexGPT и открытых LLM, персональные данные обрабатываем на серверах в России, как требует закон о персональных данных (152-ФЗ). Пилот идет от 8 до 14 недель, и его результат мы измеряем по метрике, которую выбираем на бесплатной диагностике контакт-центра.
На что уходит ресурс контакт-центра
От 60 до 80% обращений в контакт-центр - это повторяющиеся вопросы. «Где посылка», «статус полиса», «как оплатить квитанцию», «статус заказа». Оператор отвечает на них вручную, а в пиковые периоды линия перегружается, и клиент ждет.
Контроль качества при этом обычно держится на выборочной прослушке. Супервизор или отдел качества успевает вручную прослушать от 2 до 5% звонков, и по этой выборке судит обо всей работе линии. Нарушения скрипта, навязывание услуг (mis-selling), сорванные возражения и сигналы недовольства на остальных 95-98% звонков остаются невидимыми, пока не превращаются в жалобу или отток.
Классическая речевая аналитика по ключевым словам эту задачу закрывает лишь отчасти. Она находит заранее заданные слова, но плохо понимает смысл разговора - иронию, подтекст, обход скрипта другими словами. Поэтому отчеты приходится вычитывать вручную, и часть смысла теряется.
Что мы внедряем
Мы собираем ИИ-слой контакт-центра из четырех компонентов на единой инфраструктуре (один провайдер распознавания и синтеза речи, одна интеграция с CRM, одна база знаний). Внедряем их по приоритету окупаемости, начиная с того компонента, который быстрее всего дает измеримый эффект на вашем потоке.
- Речевая аналитика и контроль качества. LLM разбирает 100% звонков вместо выборочных 2-5%. Определяет по смыслу разговора тему обращения, тональность, нарушения скрипта, признаки навязывания услуг и сигналы оттока. Результат - еженедельный отчет без ручной прослушки.
- Голосовой ИИ-агент входящей линии. Принимает входящие звонки по типовым тематикам и ведет свободный диалог вместо сценарного IVR с кнопками. Нестандартный запрос передает оператору вместе с контекстом разговора, чтобы клиенту не пришлось повторять все заново. Голосовой агент держит пиковую нагрузку без найма сезонных операторов.
- ИИ чат-бот первой линии. Закрывает типовые текстовые обращения в мессенджерах, на сайте и в мобильном приложении, разгружая линию еще до звонка.
- ИИ-помощник оператора. В реальном времени подсказывает оператору следующий ответ, ссылку на нужный пункт правил и напоминание о дисклеймере. Новый оператор с первого дня работает как опытный. Этот компонент внедряем последним, потому что ему нужны накопленная база знаний и работа с привыканием операторов.
Чем это отличается от коробочной системы контакт-центра
Коробочные платформы контакт-центра дают телефонию, маршрутизацию, сценарные боты и речевую аналитику по ключевым словам. Мы оставляем вашу платформу на месте и достраиваем поверх нее то, что LLM делает лучше классических подходов.
Первое отличие - понимание смысла. Классическая аналитика ищет ключевые слова. LLM понимает разговор целиком, поэтому ловит нарушения и навязывание услуг, даже когда оператор обходит скрипт другими словами. Второе - свободный диалог вместо дерева команд. Голосовой агент на LLM отвечает на вопрос, заданный любыми словами, тогда как меню понимает только нажатие кнопки. Третье - мы работаем поверх той платформы, телефонии и CRM, которые у вас уже стоят, поэтому вам не нужно менять поставщика контакт-центра и переносить исторические данные.
Что показывают публичные кейсы на российском рынке
Здесь важно различать два слоя. Голосовые боты и речевая аналитика на российском рынке в основном работают на классических технологиях распознавания и классификации намерений, а генеративные языковые модели (LLM) добавляются поверх них новым слоем в 2024-2025 годах. Публичных кейсов именно с LLM-слоем пока немного, и мы приводим их отдельно от кейсов классической автоматизации.
Самый показательный публичный кейс LLM-голосового агента - ассистент контакт-центра ПМЭФ-2025, который компания Just AI сделала для Фонда Росконгресс. По данным кейса Just AI, голосовой агент обработал 50% звонков без оператора, решал типовые запросы в 10 раз быстрее, сократил среднее время ожидания в 4,4 раза и снизил нагрузку на операторов на 26%, а доля звонков без ответа опустилась ниже 5%. Агент собран на платформе JAICP, работает на языковой модели YandexGPT 5 Pro и отвечает по данным заказчика через подход RAG. Это генеративный LLM-агент со свободным диалогом.
LLM-слой в речевой аналитике на рынке тоже появляется. MTS AI объединила речевую аналитику WordPulse с собственной языковой моделью Cotype - оператор получает подсказки в реальном времени, по коммуникациям работает семантический поиск на естественном языке и автозаполнение резюме звонка (по данным CNews за 2024 год). Yandex SpeechSense разбирает транскрипты звонков языковой моделью YandexGPT, определяет тональность, готовит суммаризацию и проверяет скрипты. Это примеры LLM-аналитики, но публичных цифр эффекта по ним на рынке пока нет.
Классической автоматизации на распознавании намерений публичных кейсов много, и они показывают масштаб рынка. Купер (бывший СберМаркет) на платформе Naumen довел бота до 50% звонков и 55% чатов при индексе удовлетворенности контакт-центра выше 90% (по данным Naumen за 2025 год). Консультационный центр ДОМ.РФ с речевой аналитикой Naumen автоматизировал 11% входящих звонков по статусу заявки (по данным Naumen за 2023 год). Генеративных языковых моделей в этих кейсах нет, и мы приводим их как масштаб автоматизации контакт-центров.
Этот разрыв между распространенной классической автоматизацией и редким пока LLM-слоем и есть наша работа. Мы приносим в контакт-центр смысловую речевую аналитику и генеративного голосового агента поверх той платформы, которая у вас уже стоит.
Отраслевую специфику контакт-центра с ее регуляторикой и публичными кейсами разбираем на страницах вертикалей - страхование, банки, логистика и девелопмент.
Как проходит пилот в БизнесМатике и что мы измеряем
Любой проект идет через пилот, в котором мы сначала замеряем исходное значение выбранной метрики, а затем фиксируем ее целевое значение. Путь состоит из следующих шагов:
- Диагностика. Бесплатно. Разбираем поток обращений контакт-центра, записи звонков и переписок, вашу платформу и интеграции. Выбираем компонент и тематику обращений, на которых внедрение окупится быстрее всего на вашем объеме.
- Аудит потока перед пилотом. Оценку, которую диагностика дала на выборке, проверяем уже на полном потоке обращений - долю типовых обращений, качество записей, покрытие тематик базой знаний.
- Пилот. От 8 до 14 недель на одном компоненте и одной тематике - тех, что выбраны на диагностике. Собираем работающий контур и замеряем результат, сравнивая его с исходным значением метрики.
- Внедрение и сопровождение. Выводим в продакшен, подключаем остальные компоненты и тематики.
Метрику пилота выбираем на диагностике из следующего набора:
- Доля обращений, закрытых без оператора.
- Доля звонков под автоматическим контролем качества (цель - 100% вместо выборочных 2-5%).
- Среднее время обработки обращения.
- Доля переводов на оператора и время ожидания в очереди.
Планку по выбранной метрике ставим на диагностике по вашему потоку. Чужие рекордные проценты автоматизации мы за обещание не берем. Доля обращений, которые реально можно закрыть без оператора, зависит от того, насколько типовые у вас обращения, и это мы оцениваем на вашем реальном потоке.
Когда автоматизация контакт-центра не окупится
Вот условия, при которых мы не рекомендуем начинать проект:
- Поток обращений маленький и нестабильный. Интеграция с платформой, телефонией и CRM стоит примерно одинаково при любом потоке, поэтому на малом потоке она не окупается.
- Доля типовых обращений низкая, почти каждое обращение уникально. Тогда голосовому агенту и боту нечего закрывать без оператора, и экономия не набирается.
- Нет базы знаний и регламентов, на которых обучать бота и помощника оператора. Без них качество ответов падает, а поддерживать их актуальность некому.
Если вы не уверены, выполняются ли эти условия в вашем случае, это и есть предмет бесплатной диагностики. По ее итогам мы говорим, окупится проект или нет, в том числе когда ответ отрицательный.
Применений языковых моделей в российском бизнесе
Полный каталог юзкейсов с описанием проблемы, устройства решения, ожидаемого результата и примеров внедрений в России — по запросу.