Речевая аналитика и голосовой ИИ для контакт-центра

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.

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.

1. 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.
2. 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.
3. ИИ чат-бот первой линии. Закрывает типовые текстовые обращения в мессенджерах, на сайте и в мобильном приложении, разгружая линию еще до звонка.
4. 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.

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.

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.

Чем речевая аналитика на LLM отличается от классической?

Классическая речевая аналитика для колл-центра, как правило, ищет в расшифровках звонков заданные слова по словарям, и пополнять словари вручную обычно приходится вашим сотрудникам. Речевая аналитика на LLM (больших языковых моделях) читает разговор целиком и оценивает смысл, поэтому она способна отличить жалобу от уточняющего вопроса клиента и тогда, когда слово «жалоба» в разговоре не звучало. Разница для руководителя контакт-центра в том, что в отчет аналитики на LLM попадает и недовольство, высказанное клиентом своими словами, а по классической аналитике такой звонок обычно виден только после того, как сотрудник добавит в словарь новые слова. Разбирать 100% звонков умеет и классическая аналитика, и аналитика на LLM, при условии что в контакт-центре записываются все звонки. Поэтому полный разбор отличает обе эти технологии от ручной прослушки, где супервизор обычно успевает проверить только выборку звонков.

Подойдет ли речевая аналитика колл-центру на 10-20 операторов?

По нашему опыту внедрений, окупаемость речевой аналитики определяет не число операторов, а свойства потока звонков. Штат в 10-20 операторов обрабатывает очень разный поток, потому что на коротких типовых обращениях оператор принимает за смену больше звонков, чем на длинных консультациях. Поэтому окупаемость мы считаем по таким свойствам потока:

• Объем. Сколько звонков в месяц принимает колл-центр.
• Постоянство. Держится ли этот объем из месяца в месяц или проваливается вне сезона.
• Доля типовых звонков. Какая часть потока идет по повторяющемуся сценарию (например, вопрос о статусе заказа или об условиях обслуживания).

Если поток мал, скачет от месяца к месяцу или почти целиком состоит из уникальных обращений, мы не рекомендуем начинать внедрение речевой аналитики. Достаточен ли поток звонков в вашем колл-центре для окупаемости, мы разбираем на бесплатной диагностике.

Нужно ли менять АТС или платформу контакт-центра ради внедрения?

Как правило, нет. Речевая аналитика встает LLM-слоем над действующей инфраструктурой контакт-центра. Записи звонков мы берем из действующей АТС через ее API или из папки, куда АТС складывает записи. Если ваша АТС умеет записывать звонки, запись включаем в ее настройках мы или ваш подрядчик по телефонии. Если не умеет или не отдает файлы наружу, рядом с ней ставим отдельную систему записи разговоров. Отдельная система записи разговоров не заменяет АТС, а дополняет ее. Платформа контакт-центра и CRM тоже остаются прежними. Голосовой ИИ-агент, который разобран выше на этой странице, принимает звонок, распознает речь клиента и отвечает голосом. Он подключается к действующей телефонии, поэтому замены АТС тоже не требует.

Что происходит с персональными данными клиентов при разборе звонков?

Записи звонков мы не выносим ни к себе, ни во внешнее облако. Если ваша АТС стоит внутри вашей сети, записи не покидают эту сеть. Если телефония облачная, LLM-слой забирает записи из нее в периметр вашей компании, то есть в ту сеть и на те серверы, которые компания контролирует. Дальше записи звонков этот периметр не покидают, потому что сам LLM-слой мы ставим там же. Внутри периметра LLM-слой распознает запись звонка в текст расшифровки и маскирует в тексте персональные данные (например, имена, телефоны и номера договоров). За периметр, в облачную LLM, уходит уже замаскированный текст расшифровки, и саму облачную LLM мы берем с размещением в России (например, GigaChat или YandexGPT). Если же вместо облачной LLM внутри периметра развернута своя, за периметр не уходит и текст расшифровки. При этом маскирование не снимает с вашей компании обязанностей по 152-ФЗ (закону о персональных данных). Вам все равно нужно законное основание для обработки персональных данных (по нашему опыту внедрений, в контакт-центрах это чаще всего согласие клиента или исполнение договора с ним), а базы, в которые собираются персональные данные граждан России, закон требует держать на серверах в России.