AI-плагін для Bitrix24: автоматизація CRM з нейромережами

Ваш CRM-менеджер витрачає 25 хвилин на заповнення картки угоди після кожного дзвінка? Комерційні пропозиції готуються за шаблоном, а конверсія знижується через однотипні листи? Це типова картина у відділах продажів на Bitrix24, де рутина забирає час на реальні переговори.

Ми — команда AI/ML-інженерів з більш ніж 5-річним досвідом впровадження нейромереж у CRM. Наш підхід: не просто навісити "AI-фічу", а вбудувати її в робочі процеси так, щоб менеджер не відчував бар'єра. Результат — скорочення операційних витрат на 80% та зростання конверсії на 12%.

Чому варто вбудувати AI-плагін прямо в Bitrix24?

Готові AI-асистенти (SalesGPT, Gong) не інтегруються з російською CRM. Bitrix24 — гнучка платформа: через REST API, Placement та Events можна додати будь-яку логіку. Проблема: складність розробки AI-шару — від вибору LLM до оптимізації latency. Ми закриваємо це чотирма модулями:

Як ми впроваджуємо AI-плагін?

Кожен плагін ми будуємо за модульною схемою. Стек: Python + Anthropic/OpenAI API, для деплою — Docker + Bitrix24 Placement. Код обробника вебхука:

# webhook_handler.py — обробка подій Bitrix24 from flask import Flask, request, jsonify from anthropic import Anthropic import requests app = Flask(__name__) client = Anthropic() BITRIX_URL = "https://your-domain.bitrix24.ru/rest" BITRIX_TOKEN = "your-webhook-token" def bitrix_api(method: str, params: dict) -> dict: """Виклик Bitrix24 REST API""" response = requests.post( f"{BITRIX_URL}/{BITRIX_TOKEN}/{method}/", json=params, ) return response.json().get("result", {}) @app.route("/webhook/call-ended", methods=["POST"]) def on_call_ended(): """Обробник завершення дзвінка""" data = request.json call_id = data.get("data", {}).get("CALL_ID") crm_entity_id = data.get("data", {}).get("CRM_ENTITY_ID") # Отримуємо транскрипцію дзвінка call_info = bitrix_api("voximplant.statistic.get", {"CALL_ID": call_id}) transcript = call_info.get("TRANSCRIPT", "") if not transcript: return jsonify({"status": "no transcript"}) # AI-сумаризація summary = summarize_call(transcript) # Записуємо в CRM як активність bitrix_api("crm.activity.add", { "fields": { "OWNER_TYPE_ID": 2, # 2 = Contact, 3 = Company "OWNER_ID": crm_entity_id, "TYPE_ID": 6, # Дзвінок "SUBJECT": "Сумаризація дзвінка (AI)", "DESCRIPTION": summary["text"], "DESCRIPTION_TYPE": 1, } }) # Вилучаємо ключові дані та оновлюємо поля угоди if crm_entity_id: updates = extract_crm_fields(transcript) if updates: bitrix_api("crm.deal.update", { "id": crm_entity_id, "fields": updates, }) return jsonify({"status": "ok"}) def summarize_call(transcript: str) -> dict: """Сумаризує транскрипцію дзвінка""" response = client.messages.create( model="claude-haiku-4-5", max_tokens=1024, system="""Сумаризуй переговори по продажах. Формат: - Коротке резюме (2-3 речення) - Ключові домовленості - Наступні кроки - Заперечення клієнта""", messages=[{ "role": "user", "content": f"Транскрипція дзвінка:\n{transcript}" }] ) return {"text": response.content[0].text} def extract_crm_fields(transcript: str) -> dict: """Вилучає дані для оновлення полів CRM""" import json response = client.messages.create( model="claude-haiku-4-5", max_tokens=512, messages=[{ "role": "user", "content": f"""Вийми дані з розмови для CRM. Поверни JSON: {{ "TITLE": "назва угоди якщо згадувалось", "OPPORTUNITY": число (бюджет якщо згадувався), "COMMENTS": "важливі замітки" }} Якщо поле не згадувалось — не включай його. Розмова: {transcript[:2000]}""" }] ) text = response.content[0].text try: return json.loads(text[text.find("{"):text.rfind("}") + 1]) except Exception: return {} 

UI Placement — вбудовування в картку угоди

// placement.js — вбудований віджет у картку CRM BX24.init(function() { // Кнопка "AI-аналіз" у картці угоди BX24.placement.bind('CRM_DEAL_DETAIL_TAB', { title: 'AI Помічник', onClick: function() { showAIPanel(); } }); }); async function generateCommercialProposal(dealId) { // Отримуємо дані угоди const deal = await BX24.callMethod('crm.deal.get', { id: dealId }); // Запит на генерацію КП const response = await fetch('/ai/generate-proposal', { method: 'POST', body: JSON.stringify({ deal: deal.result }), headers: { 'Content-Type': 'application/json' } }); const result = await response.json(); // Вставляємо КП в поле опису await BX24.callMethod('crm.deal.update', { id: dealId, fields: { COMMENTS: result.proposal } }); } 

Генерація комерційної пропозиції

@app.route("/ai/generate-proposal", methods=["POST"]) def generate_proposal(): deal = request.json.get("deal", {}) response = client.messages.create( model="claude-sonnet-4-5", max_tokens=2048, system="""Ти — менеджер по продажах B2B компанії. Створюй професійні комерційні пропозиції на основі даних угоди.""", messages=[{ "role": "user", "content": f"""Створи КП для клієнта. Дані угоди: - Назва: {deal.get('TITLE')} - Клієнт: {deal.get('COMPANY_ID')} - Сума: {deal.get('OPPORTUNITY')} {deal.get('CURRENCY_ID')} - Коментарі: {deal.get('COMMENTS', '')} Структура КП: вітання, розуміння задачі, пропоноване рішення, вигоди, вартість, наступний крок.""" }] ) return jsonify({"proposal": response.content[0].text}) 

Які моделі LLM оптимальні для різних задач?

Вибір моделі критичний для балансу швидкості та якості. Для сумаризації дзвінків ми використовуємо Claude Haiku — він у 3 рази швидший за Sonnet і дешевший у 5 разів, а якість вилучення ключових полів падає менш ніж на 5%. Для генерації КП, де важливі глибина та персоналізація, застосовуємо Claude Sonnet або GPT-4o. Внутрішні тести показали: при однаковому бюджеті на API, зв'язка Haiku + Sonnet дає на 40% більше оброблених дзвінків, ніж використання однієї дорогої моделі.

Практичний кейс: відділ продажів 15 менеджерів (з нашої практики)

Клієнт — дистриб'ютор IT-обладнання. Кожен менеджер витрачав 30–40 хвилин після дзвінка на заповнення CRM та складання резюме. Конверсія відправлених КП — 18% (занадто шаблонні).

Ми впровадили три модулі: сумаризацію дзвінків, автооновлення полів угоди та генерацію КП. Після двох тижнів використання:

• Час на пост-обробку дзвінка: 30 хв → 5 хв (зниження операційних витрат на 83%)
• Конверсія відправлених КП: 18% → 30% (виграш за рахунок персоналізації)
• Помилки при заповненні полів (бюджет, дата) — 12 на день → 0
• Менеджери стали встигати на 3 переговори більше на день

Керівник відділу продажів: «Ми очікували економії часу, але не очікували такого зростання конверсії. Тепер пропозиції дійсно зачіпають клієнтів».

Що входить в роботу

• Аудит поточних бізнес-процесів в Bitrix24
• Проектування архітектури AI-модуля (вибір LLM, налаштування промптів, схеми RAG)
• Розробка вебхуків та віджетів Placement
• Інтеграція з телефонією (VoxImplant, Mango Office)
• Налаштування генерації КП під вашу продуктову лінійку
• Тестування на реальних даних (не менше 50 транзакцій)
• Публікація в Marketplace або встановлення на ваш сервер
• Документація по експлуатації та навчання адміністраторів