Как ИИ обрабатывает 10 000 звонков в день и помогает операторам колл-центра лучше продавать

Сегодня многие компании, попробовав разные решения для автоматизации холодных звонков, пришли к выводу, что продавать товары по телефону должны люди. Они поняли, что ценность ИИ в усилении оператора, а не в его замене.

Возможность автообзвона с помощью ИИ звучит заманчиво, это позволило бы масштабировать продажи без привязки к количеству операторов, но на практике все не так радужно. В одном из пилотов с немецкой компанией я сделал так, чтобы система в около реальном времени обрабатывала возражения, извлекая ответы из базы знаний (RAG) и не перебивала клиента. Но из-за этого наблюдались задержки, и речь не ощущалась естественной.

Также нужно учитывать европейский AI Act, который требует предупреждать, что клиент говорит с ИИ. Как вы думаете, сколько людей после этого кладут трубку? По оценкам аналитиков, 40% покупателей не готовы обсуждать серьезные покупки с ИИ из-за риска ошибок. Клиенты испытывают дискомфорт, когда разговор выходит за рамки стандартных сценариев. Поэтому важно не заменить оператора, а помочь ему лучше работать.

Далее расскажу о своем кейсе в колл-центре с 10 000+ звонков в день, работающем в разных странах и на разных языках.

Я начал со стратегии: проанализировал все бизнес-процессы — от персонализации офферов до аналитики звонков и обучения операторов. Затем мы определили приоритетные направления для внедрения ИИ с учетом критичности для бизнеса (влияние на продажи) и усилий, необходимых для внедрения, спроектировал архитектуру ИИ-системы и составил план реализации, начиная с модуля аналитики.

Проблема была в том, что менеджерам нужно вручную прослушивать тысячи звонков, классифицировать их статус и выявлять ошибки в обработке возражений. Это плохо масштабировалось, а весь объем обработать было физически невозможно. Моя задача была построить ИИ-систему для ежедневного анализа всех звонков компании, чтобы обучить операторов лучше работать с возражениями для увеличения продаж.

Я помог компании найти опытного ИИ-инженера, с которым мы построили систему ИИ-аналитики со следующими компонентами:

1. Транскрибация с помощью локальной модели Whisper, которая хорошо распознает речь даже на шумных записях. В итоге мы получаем чистый текст диалога оператора с клиентом для дальнейшей обработки. Все данные хранятся на внутренних серверах с соблюдением GDPR.

2. Следующим этапом идет классификация статусов звонков и ошибок при помощи o3-mini. Мы построили многоуровневое дерево классификаторов статусов и возражений, в котором у каждой ветки свой промпт со своим набором правил. На первом уровне промпт определяет общий статус, после чего мы переходим к соответствующей ветке дерева для уточнения категории. Так можно обрабатывать сотни статусов и ошибок со своими правилами, если они не помещаются в одном промпте.

3. Дашборд ежедневно показывает аналитику по регионам и где операторы совершают больше ошибок. Персональные рекомендации отдельных операторов генерируются по кнопке.

4. Главное — мы реализовали замкнутый цикл улучшения системы. Если оператор видит ошибку в статусе звонка, он пишет комментарий, а ИИ-инженер обновляет промпт с дополнительным правилом. Таким образом качество классификации статусов и возражений стало выше 80% и продолжает расти. И за счет этого у операторов всегда обновленный регламент работы с возражениями.

В итоге получился новый формат гибридной работы человека и ИИ. Если раньше операторы вручную разбирали сотни звонков, то теперь ИИ ежедневно анализирует тысячи, а человек подключается только там, где система находит ошибки в обработке возражений, после чего формируются индивидуальные рекомендации.

В перспективе планируется создание симулированного клиента для виртуального обучения, а также системы интерактивных подсказок, аналогичных тем, что используются в компьютерных играх.

По сути, это уже не система контроля качества, а ИИ-наставник, который помогает учиться на собственных звонках. В этом кейсе ИИ делает человека сильнее, а не заменяет его. По крайней мере пока.

#кейсы