AI-автообзвон для коллекшн: голосовой бот для взыскания задолженности

Разработка AI-системы автообзвона для взыскания задолженности (коллекшн)

Коллекшн-отделы тратят до 70% времени на дозвон и проверки по 230-ФЗ. AI-автообзвон заменяет операторов на ранних стадиях просрочки (DPD 1–30): голосовой бот сам информирует о долге, предлагает варианты погашения и фиксирует Promise to Pay (PTP). Типичная ситуация: оператор тратит минуту на приветствие и проверку данных, а после 18:00 звонки запрещены. AI-бот обрабатывает 1000 контактов за 2–4 часа без перерывов и ошибок. При этом голосовой бот адаптируется под акцент и интонацию должника, что повышает процент PTP на 15–20% по нашим данным. Наш опыт — более 5 лет в AI-решениях для финтеха, 30+ внедрённых систем. В одном из проектов для МФО с портфелем 30 000 активных должников внедрение AI-обзвона снизило нагрузку на колл-центр на 60% за первый месяц, а процент PTP вырос с 12% до 18%.

Как AI-автообзвон соблюдает 230-ФЗ?

Закон №230-ФЗ строго регулирует частоту и время звонков должникам. Система автоматически проверяет каждое соединение:

from datetime import time CALL_RESTRICTIONS = { "weekdays": (time(8, 0), time(22, 0)), "weekends": (time(9, 0), time(20, 0)), "max_calls_per_day": 1, "max_calls_per_week": 2, "max_calls_per_month": 8, } async def check_call_allowed(debtor_id: str) -> tuple[bool, str]: now = datetime.now() contact_history = await db.get_contact_history(debtor_id) current_time = now.time() window = CALL_RESTRICTIONS["weekdays"] if now.weekday() < 5 else CALL_RESTRICTIONS["weekends"] if not (window[0] <= current_time <= window[1]): return False, "outside_allowed_hours" today_calls = sum(1 for c in contact_history if c["date"].date() == now.date()) if today_calls >= CALL_RESTRICTIONS["max_calls_per_day"]: return False, "daily_limit_exceeded" if await is_in_stoplist(debtor_id): return False, "in_stoplist" return True, "allowed" 

Дополнительно модуль compliance отслеживает изменения в законе и обновляет правила без остановки сервиса. Мы гарантируем, что система всегда соответствует актуальным требованиям 230-ФЗ.

Для распознавания речи используется Whisper, а диалоговый движок построен на GPT-4o-mini с fine-tuning на исторических записях. Латенция p99 не превышает 800 ms благодаря оптимизированному пайплайну и batch-обработке.

Почему AI эффективнее ручных обзвонов?

AI стабильнее обрабатывает однотипные сценарии, не устаёт и не допускает человеческих ошибок вроде пропуска стоп-листа. Дополнительно система логирует каждое взаимодействие для последующего аудита.

Как скрипты адаптируются под DPD-стадию?

COLLECTION_SCRIPTS = { "dpd_1_7": """ Здравствуйте, {name}! Это компания {creditor}. По вашему договору {contract_id} образовалась просроченная задолженность {amount} долларов. Пожалуйста, погасите её до {payment_deadline}. Вы планируете оплатить в ближайшее время? """, "dpd_8_30": """ Здравствуйте, {name}. Вам звонят из {creditor}. Задолженность по договору {contract_id} составляет {amount} долларов, просрочка {dpd} дней. Начисляются пени {penalty_rate}% в день. Мы готовы рассмотреть удобный для вас план погашения. Вы можете оплатить сегодня? """, } 

Адаптация скрипта под конкретный портфель (суммы, тональность, юридические формулировки) занимает 1–2 дня. Мы используем few-shot промпты для быстрой настройки без переобучения модели.

Фиксация PTP и планов рассрочки

@dataclass class PromiseToPay: debtor_id: str contract_id: str promised_amount: float promised_date: date call_id: str confirmed: bool = False async def process_payment_commitment( session: dict, user_response: str ) -> PromiseToPay | None: extraction = await client.chat.completions.create( model="gpt-4o-mini", messages=[{ "role": "system", "content": "Извлеки обещание об оплате из текста. JSON: {'date': 'DD.MM', 'amount': N, 'full': bool}" }, {"role": "user", "content": user_response}], response_format={"type": "json_object"} ) data = json.loads(extraction.choices[0].message.content) if data.get("date"): ptp = PromiseToPay( debtor_id=session["debtor_id"], contract_id=session["contract_id"], promised_amount=data.get("amount", session["total_debt"]), promised_date=parse_date(data["date"]), call_id=session["call_id"] ) await db.save_ptp(ptp) return ptp return None 

Извлечённые PTP автоматически попадают в CRM: менеджер видит обещанную дату и сумму, при неоплате система инициирует повторный звонок. Интеграция с 1С и Bitrix24 — в базовой поставке. Для защиты от hallucination настроена валидация через chain-of-thought промпты.

Что входит в услугу

• Аудит текущего коллекшн-процесса — анализ скриптов, compliance, каналов связи.
• Разработка voice-сценариев — под DPD-стадии, с A/B тестированием.
• Интеграция с CRM и АТС — REST API, webhook, SIP-соединение.
• Обучение модели — fine-tuning GPT-4o-mini на исторических записях звонков.
• Пилотный запуск — 500–1000 должников, 2 недели, отчёт с метриками.
• Документация и поддержка — описание API, инструкция оператора, SLA 8/5.

Процесс работы

1. Аналитика — разбираем ваш портфель просрочки, скрипты и инфраструктуру (1 неделя).
2. Проектирование — архитектура сценариев, compliance-правила, интеграционные схемы (1 неделя).
3. Реализация — разработка голосового бота, настройка NLP-пайплайна, подключение к PBX (2–3 недели).
4. Тестирование — QA на синтетических и реальных звонках, юстировка тональности (1 неделя).
5. Деплой и мониторинг — развертывание на ваших серверах или в облаке, настройка логов и алертов (3 дня).

Сроки

Базовая версия (один сценарий, один DPD-слайс) — 3–4 недели. Полная система с PTP-трекингом, мультислайсами и интеграцией — порядка 2 месяцев. Точный срок определяем после аудита.

Свяжитесь с нами для проведения бесплатного аудита вашего коллекшн-процесса. Закажите пилотный проект — убедитесь в эффективности AI-обзвона на своей базе. Оценим проект в течение 2 рабочих дней.