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.