Автоматизация входящих звонков с голосовым AI-ботом: 70% без оператора

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

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

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

1. Аналитика — разбор записей звонков, выделение типовых сценариев
2. Проектирование — прототип сценариев на выбранном стеке
3. Разработка — реализация сценариев, интеграция CRM, настройка эскалации
4. Тестирование — A/B тест с пилотной группой, корректировка сценариев
5. 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.