Клієнт телефонує, називає ім'я, просить перенести зустріч, уточнює адресу. Оператор гарячково відкриває картку, перемикається між полями, щось забуває, потім перепитує. Знайома ситуація? Ми її вирішили — AI автоматично заповнює картку клієнта після дзвінка, витягуючи всі структуровані дані з транскрипту. Наша система працює з будь-якими CRM через REST API та забезпечує точність витягнення до 95% при впевненості моделі. Вона розроблена на основі 10+ років досвіду в AI та NLP, і більш ніж 50 успішних проєктів з автоматизації CRM.
Кожне ручне введення — це 2-3 хвилини часу оператора та ризик помилки: забутий email, переплутана адреса, втрачена домовленість. AI справляється за 2-3 секунди, а оператору залишається лише підтвердити дані. У результаті час обробки дзвінка скорочується на 80%, а помилки введення практично зникають. Система не затирає старі дані під час злиття — розумний merge зберігає існуючу інформацію, якщо впевненість у новому значенні низька.
Як AI витягує дані з дзвінка?
Система використовує NER (Named Entity Recognition) на базі GPT-4o. Після дзвінка транскрипт подається в модель, яка повертає JSON з полями картки та оцінкою впевненості для кожного поля. Приклад витягнення:
async def extract_entities_from_call(transcript: str) -> dict: """Витягуємо структуровані дані з діалогу""" response = await client.chat.completions.create( model="gpt-4o", messages=[{ "role": "system", "content": """Витягни з тексту дзвінка наступні дані (якщо згадувалися): - customer_name: повне ім'я клієнта - address: адреса доставки/проживання - email: email адреса - phone_secondary: додатковий телефон - order_details: деталі замовлення/запиту - complaint_description: опис проблеми - preferred_contact_time: зручний час для зв'язку - product_interest: цікаві продукти/послуги - next_appointment: дата/час наступного контакту - notes: важливі нотатки Поверни JSON. Поля, що не згадувалися в розмові — null.""" }, { "role": "user", "content": transcript }], response_format={"type": "json_object"} ) return json.loads(response.choices[0].message.content) Ми використовуємо Named Entity Recognition (NER) для витягнення сутностей, а confidence scoring оцінює надійність кожного поля. Детальніше про NER читайте в Wikipedia. Порогові значення налаштовуються під специфіку бізнесу.
Як налаштувати пороги впевненості?
Кожне витягнуте значення отримує оцінку впевненості на основі ймовірності, присвоєної моделлю. Для полів з впевненістю нижче 60% в UI відображається жовтий індикатор — оператор зобов'язаний перевірити значення. Поля з впевненістю вище 85% заповнюються автоматично, але завжди доступні для редагування. Промпти налаштовані так, щоб модель повертала null для відсутніх даних, виключаючи хибні заповнення. Ця система confidence scoring дозволяє уникнути помилок при неповних або неоднозначних відповідях клієнта.
Чому AI в 10 разів швидший за ручне введення?
Оператор в середньому витрачає 2–3 хвилини на заповнення картки після дзвінка. AI робить це за 2–3 секунди, а оператору залишається лише підтвердити дані — це займає 10–15 секунд. Час обробки дзвінка скорочується на 80%, а кількість помилок введення падає практично до нуля. Гарантуємо, що система не затирає старі дані під час злиття завдяки smart merge.
| Тип даних | Приклад | Впевненість | Колір в UI |
|---|---|---|---|
| Ім'я клієнта | Іван Петров | 0.95 | зелений |
| Адреса доставки | вул. Леніна, 10 | 0.80 | жовтий |
| Бажана дата | завтра | 0.50 | жовтий |
| Не згадано | null | 0.0 | сірий |
| Дія | Час | Помилки |
|---|---|---|
| Ручне введення | 2–3 хв | ~5% |
| AI + підтвердження | 10–15 сек | <1% |
Що входить в роботу?
- Аналіз та проєктування: розбір поточних полів CRM, створення промптів для LLM, визначення порогів впевненості.
- Розробка NER-модуля: інтеграція з OpenAI GPT-4o або локальними LLM (LLaMA, Mistral), реалізація confidence scoring та smart merge.
- Інтеграція з CRM: налаштування REST API, створення UI-віджета для оператора з кольоровою індикацією (зелений/жовтий/сірий).
- Тестування та калібрування: перевірка на реальних дзвінках, налаштування threshold confidence, A/B тестування.
- Документація та навчання: інструкції для операторів, опис API, керівництво з експлуатації.
- Підтримка: супровід протягом 3 місяців після запуску, доопрацювання промптів при зміні бізнес-процесів.
Як ми гарантуємо якість?
Кожне витягнуте поле містить цитату з транскрипту — оператор бачить, звідки взялося значення. Confidence нижче 60% відправляє поле на обов'язкову перевірку. Ми також проводимо fine-tuning на ваших діалогах, щоб підвищити точність на специфічній лексиці. Замовте пілотний проєкт на 50 дзвінках — оцініть точність самі.
Терміни орієнтовно
- NER + заповнення однієї CRM: 2–3 тижні.
- Мультиплатформенна система з UI та підтримкою кількох CRM: 1,5 місяця.
- Fine-tuning під специфіку бізнесу: +1–2 тижні.
Вартість розраховується індивідуально залежно від кількості полів, складності інтеграції та необхідності донавчання. Зв'яжіться з нами — оцінимо ваш проєкт за 1 день і запропонуємо оптимальне рішення.