ИИ-анализ звонков колл-центра: 95% корректных автооценок по методологии заказчика

Задача

Колл-центр по продаже БАД проверяет разговоры по собственным правилам: как оператор работает с заказом, отвечает на возражения и соблюдает регламент. Мы разработали агентную систему, которая переводит запись звонка в структурированную оценку по этой методологии.

От разговора к оценке

Рабочий процесс включает аудиофайл, локальную транскрипцию, подготовленные данные о звонке из CRM, оценку языковой моделью и отчёт в Google Sheets. Для взаимодействия используется Telegram-бот.

В методологии более 14 критериев. Они охватывают согласие на выкуп и допродажи, работу с отказом, выяснение жалоб, соблюдение скрипта и исключения. Задача модели: применить согласованные правила к разговору, чтобы специалист по качеству получил результаты для проверки.

Шесть итераций с заказчиком

Первые версии появились в марте 2026 года. На проверке версий конца апреля доля корректных оценок составляла 64%. После уточнения методологии и доработки шестая версия от 8 мая показала около 95% корректных оценок. Специалисты клиента подтвердили этот результат при проверке с 13 по 15 мая.

Около 1% случаев оставались пограничными и требовали согласования трактовки правил. Поэтому 95% здесь описывают совпадение автооценки с методологией конкретного заказчика, а не общую точность распознавания речи или показатель продаж.

Результат

Согласован алгоритм оценки звонков и подготовлена выдача отчёта по критериям. Следующий этап включает API-интеграцию с CRM, автоматический запуск на новых звонках и развёртывание на инфраструктуре заказчика. Эти задачи отделены от проверки качества шестой версии.

Для колл-центров с собственной методологией такие сценарии можно развивать на Z-mind в формате заказной разработки ИИ.