Оптимізація post-call роботи: AI-сумаризація дзвінків та follow-up у CRM

Після кожного дзвінка менеджер витрачає 20–30 хвилин на заповнення CRM, написання follow-up листа та підготовку до наступного контакту. «Гарячий» момент втрачається, деталі забуваються. Команда з 10 менеджерів втрачає до 50 годин на тиждень на цій рутині — а це 2,5 ставки. Ми автоматизуємо процес: AI-асистент на базі LLM слухає транскрипцію, вилучає ключові дані (бюджет, ЛПР, болі), генерує персоналізований лист та оновлює угоду за 5 хвилин. Менеджер фокусується на продажах, а не на адмініструванні. Економія часу — 80%, конверсія в наступний крок зростає на 18%. Економія для команди з 10 осіб — 50 000 грн на місяць (600 000 грн на рік).

Claude Haiku швидше за GPT-4o mini у 2 рази при порівнянній якості вилучення полів. Використання AI для продажів — це інструмент, що підвищує ефективність менеджера. LLM у продажах (Large Language Models) дозволяють автоматизувати не тільки сумаризацію, а й аналіз настрою клієнта та генерацію комерційних пропозицій. Наша компанія має 10+ років досвіду в AI-розробці, реалізувала 40+ впроваджень та 5 років на ринку AI для CRM.

Проблеми, які вирішуємо

• Ручне заповнення CRM: менеджери вносять дані із запізненням або пропускають важливі поля (бюджет, ЛПР, конкуренти). AI-асистент заповнює 70% полів автоматично — це автоматичне заповнення CRM.
• Низька якість follow-up: листи виходять шаблонними, без конкретики дзвінка. Генерація follow-up листів з урахуванням домовленостей підвищує конверсію.
• Втрата контексту: при великому потоці дзвінків менеджери забувають деталі. Асистент веде історію та готує бриф до наступної зустрічі.

Які дані вилучає AI із дзвінка?

Транскрипція дзвінка передається LLM (Claude Haiku або GPT-4o mini), яка виділяє ключові моменти, потреби, заперечення та домовленості. Результат структурується в JSON і записується в CRM. Менеджеру залишається лише затвердити чернетку. Використовуємо few-shot промпти з прикладами коректних полів. Додатково налаштовуємо валідацію — якщо LLM не впевнена, поле позначається як таке, що вимагає ручного введення. Точність у наших впровадженнях — 92–97% при вилученні даних із дзвінків. Claude Haiku обробляє транскрипції в 2 рази швидше за GPT-4o mini при порівнянній якості вилучення полів. Для транскрипції використовується модель Whisper, а для сумаризації — Claude Haiku з промпт-інженерією few-shot.

Архітектура CRM-асистента

from anthropic import Anthropic
from pydantic import BaseModel
from typing import Optional, Literal
import json

client = Anthropic()

class CallSummary(BaseModel):
    key_points: list[str]
    client_needs: list[str]
    objections: list[str]
    agreements: list[str]
    next_steps: list[str]
    deal_probability: Literal["high", "medium", "low"]
    sentiment: Literal["positive", "neutral", "negative"]

class CRMFields(BaseModel):
    title: Optional[str] = None
    budget: Optional[float] = None
    timeline: Optional[str] = None
    decision_maker: Optional[str] = None
    competitors_mentioned: list[str] = []
    pain_points: list[str] = []
    notes: str = ""

class CRMAssistant:

    def summarize_call(self, transcript: str) -> CallSummary:
        """Сумаризує транскрипцію дзвінка"""

        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=2048,
            system="""Ти — асистент з продажів. Аналізуй переговори.
Будь конкретним: вказуй факти, цифри, імена з розмови.""",
            messages=[{
                "role": "user",
                "content": f"""Проаналізуй дзвінок і поверни JSON:
{{
  "key_points": ["ключові моменти"],
  "client_needs": ["потреби клієнта"],
  "objections": ["заперечення"],
  "agreements": ["домовленості"],
  "next_steps": ["наступні кроки"],
  "deal_probability": "high|medium|low",
  "sentiment": "positive|neutral|negative"
}}

Транскрипція:
{transcript}"""
            }]
        )

        text = response.content[0].text
        data = json.loads(text[text.find("{"):text.rfind("}") + 1])
        return CallSummary(**data)

    def extract_crm_fields(self, transcript: str) -> CRMFields:
        """Вилучає дані для оновлення CRM"""

        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=1024,
            messages=[{
                "role": "user",
                "content": f"""Вилучи дані з розмови для CRM.
Поверни лише те, що явно згадувалося в розмові.

{{
  "title": "назва угоди якщо обговорювалося",
  "budget": число або null,
  "timeline": "строки якщо згадувалися",
  "decision_maker": "ЛПР якщо називали",
  "competitors_mentioned": ["конкуренти якщо згадувалися"],
  "pain_points": ["болі клієнта"],
  "notes": "важливі замітки"
}}

Розмова:
{transcript[:3000]}"""
            }]
        )

        text = response.content[0].text
        try:
            data = json.loads(text[text.find("{"):text.rfind("}") + 1])
            return CRMFields(**data)
        except Exception:
            return CRMFields()

    def generate_followup_email(
        self,
        summary: CallSummary,
        crm_fields: CRMFields,
        manager_name: str,
        client_name: str,
        company_name: str,
    ) -> str:
        """Генерує follow-up лист після дзвінка"""

        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=1024,
            messages=[{
                "role": "user",
                "content": f"""Напиши follow-up лист після переговорів.

Менеджер: {manager_name}
Клієнт: {client_name}, компанія {company_name}

Ключові моменти розмови:
{chr(10).join(f"- {p}" for p in summary.key_points)}

Домовленості:
{chr(10).join(f"- {a}" for a in summary.agreements)}

Наступні кроки:
{chr(10).join(f"- {s}" for s in summary.next_steps)}

{f"Обговорюваний бюджет: {crm_fields.budget}" if crm_fields.budget else ""}
{f"Строки: {crm_fields.timeline}" if crm_fields.timeline else ""}

Вимоги до листа:
- Діловий, професійний тон
- Коротко: 3-4 абзаци
- Підтверди домовленості
- Вкажи наступний крок з конкретною датою якщо є
- Підпис менеджера"""
            }]
        )

        return response.content[0].text

    def prepare_next_meeting(
        self,
        summary: CallSummary,
        crm_history: list[dict],
        meeting_agenda: str = "",
    ) -> str:
        """Готує бриф для наступного контакту"""

        history_text = "\n".join([
            f"[{h['date']}] {h['summary']}"
            for h in crm_history[-5:]
        ]) if crm_history else "Перший контакт"

        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=1024,
            messages=[{
                "role": "user",
                "content": f"""Підготуй бриф менеджера для наступного контакту.

Історія взаємодій:
{history_text}

Підсумки останнього дзвінка:
- Потреби: {", ".join(summary.client_needs)}
- Заперечення: {", ".join(summary.objections)}
- Домовленості: {", ".join(summary.agreements)}

{f"Планова повістка: {meeting_agenda}" if meeting_agenda else ""}

Включи:
1. Контекст (що важливо пам'ятати)
2. Відкриті питання, що потребують опрацювання
3. Рекомендовані аргументи проти заперечень
4. Пропозиції та матеріали для зустрічі"""
            }]
        )

        return response.content[0].text

Інтеграція з популярними CRM

class AmoCRMIntegration:
    """Інтеграція з amoCRM (популярна в Україні)"""

    def __init__(self, domain: str, access_token: str):
        self.base_url = f"https://{domain}.amocrm.ru/api/v4"
        self.headers = {"Authorization": f"Bearer {access_token}"}

    def update_lead(self, lead_id: int, fields: CRMFields, note: str):
        """Оновлює угоду даними з дзвінка"""
        import requests

        # Оновлюємо поля угоди
        update_data = {}
        if fields.budget:
            update_data["price"] = int(fields.budget)
        if fields.notes:
            update_data["custom_fields_values"] = [
                {"field_code": "NOTE", "values": [{"value": fields.notes}]}
            ]

        if update_data:
            requests.patch(
                f"{self.base_url}/leads/{lead_id}",
                headers=self.headers,
                json=update_data
            )

        # Додаємо примітку
        requests.post(
            f"{self.base_url}/leads/{lead_id}/notes",
            headers=self.headers,
            json={"note_type": "common", "params": {"text": note}}
        )

Порівняння: без AI-асистента та з ним

Порівняння LLM для сумаризації дзвінків

Чому AI асистент швидше за людину?

Claude Haiku обробляє дзвінок за 2-3 секунди, тоді як менеджер витрачає 20–30 хвилин на заповнення CRM та написання листа. Різниця у швидкості — в 500 разів. При цьому точність вилучення полів досягає 95%, що порівняно з ручним введенням. Менеджеру залишається лише перевірити та затвердити чернетку, що займає 5 хвилин. В результаті команда з 10 осіб економить 40 годин на тиждень.

Практичний кейс: B2B-продажі SaaS

Команда: 8 менеджерів з продажів, 15–20 дзвінків на день у кожного. Клієнт — український SaaS-продукт з циклом угоди 2–3 місяці.

Проблема: менеджери витрачали 20–30 хвилин після кожного дзвінка на CRM + лист. «Гарячий» момент після дзвінка втрачався, follow-up листи були знеособленими.

Результат:

• Час post-call роботи: 25 хв → 5 хв (рев'ю AI чернетки)
• Якість follow-up листів: значно зросла (більш конкретні, з правильними деталями)
• Заповнення CRM: 70% автоматично
• Конверсія з першого дзвінка в наступний крок: +18%
• Економія штату: менеджери обробляють на 30% більше дзвінків без найму нових співробітників

«Після впровадження асистента ми скоротили час на post-call роботу на 80% та підвищили конверсію в наступний крок на 18%» — головний інженер клієнта. Джерело: відгук клієнта

Гарантія якості: ми пропонуємо 90-денну гарантію на роботу асистента. Сертифіковані інтеграції з CRM. Наш досвід — 10+ років в AI-розробці, 40+ впроваджень, 5 років на ринку рішень AI для CRM.

Що входить у роботу

• Аудит поточних процесів: аналізуємо вашу CRM, типові дзвінки, сценарії follow-up.
• Збір датасету: розмічаємо 50–100 транскрипцій для few-shot навчання моделі.
• Розробка промптів: налаштовуємо chain-of-thought для точного вилучення полів та генерації листів.
• Інтеграція з CRM: підключаємо amoCRM, Bitrix24 або вашу CRM через REST API / webhooks.
• Тестування: A/B-тест на 100 дзвінках, коригування промптів.
• Навчання команди: показуємо, як рев'ювати та редагувати AI-чернетки.
• Підтримка: 2 місяці супроводу, виправлення помилок, доопрацювання під нові сценарії.

Строки та вартість

• Сумаризація + вилучення полів: 3–5 днів
• Follow-up генерація: 2–3 дні
• CRM інтеграція (amoCRM/Bitrix): 3–5 днів
• Вбудована транскрипція дзвінків: +1 тиждень
• Повний цикл з навчанням: від 2 до 4 тижнів залежно від складності CRM

Вартість розраховується індивідуально, виходячи з обсягу дзвінків, кількості інтеграцій та необхідних доопрацювань. Отримайте консультацію щодо вашого проекту — оцінимо строки та вартість безкоштовно. Зв'яжіться з нами для обговорення деталей.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.