ИИ в продажах: голосовые агенты, речевая аналитика и опыт лучшего продавца

Самая трезвая цифра секции об облачных коммуникациях Alibaba - воронка одного зарубежного клиента, которую показал Лу Бинбинь. Её полезно держать перед глазами каждому, кто собирается «поставить робота на обзвон».

Из миллиона звонков вышло около 1,3% целевых лидов. Это не провал: робот звонит почти бесплатно, а дорогие люди подключаются только на последнем шаге. Эксперты-люди при этом ведут 200+ диалогов в день. Схема у Лу простая: «голос открывает, мессенджер растапливает, человек закрывает». Касания во всех каналах считаются по одной шкале доверия клиента от S1 до S5 и упираются в общий лимит частоты, чтобы клиента не задёргали.

Деталь, которую я бы подчеркнул карандашом: режим полной автоматизации у них включают только после трёх месяцев стабильной работы. Пороги и веса шкалы спикер сам назвал примерными.

Ещё один доклад, из Чжэцзянского университета, был про то, как бот разговаривает. Голосовые боты на больших моделях, по словам Сюй Цыхуа, «спорят сами с собой, звучат деревянно и теряют нить». Его модель пропускает каждую реплику через четыре фильтра: права и комплаенс, факты, допустимость аргумента, эффективность. Пример из доклада: клиент говорит «у меня сейчас нет денег». Обычный бот начинает сочувствовать, и это звучит как намёк на бедность. Правильный ход - переформулировать цель звонка и снизить давление.

Голосовой робот звучит эффектнее, но первые деньги в большинстве отделов продаж, по-моему, лежат в речевой аналитике. Когда ИИ слушает все разговоры, руководитель перестаёт гадать по трём прослушанным звонкам в неделю.

Молочная компания Bright Dairy показала, как поддержка становится точкой сбора сигналов о клиенте. Контроль качества у них дошёл до 160 тыс.+ звонков, а каждый разговор размечается по «голосу клиента»: 5 основных тегов и 70 вложенных. Попутно три системы операторов свели в одну, а базу знаний расширили со 187 до почти 1300 пунктов. Среднее время разговора сократилось с 6,2 до 5,2 минуты.

Служба поддержки Alibaba Cloud назвала цифру, знакомую почти любому отделу продаж: вручную разбирается меньше 5% обращений, а поиск первопричины занимает дни. Новая цепочка, по их словам, находит первопричину за 30 минут. И ещё одна мысль из того доклада: частота жалобы не равна её ценности. Единичный звонок о блокирующей ошибке важнее сотни мелких.

• Распознавание речи Qwen Audio 3.1, по данным Alibaba, понимает 30 языков и размечает, кто что сказал в разговоре. Есть ли среди языков русский, из материалов конференции понять нельзя.
• Модели анализа диалогов VoicePica стоят около 17% от универсальной Qwen Flash, и это довод в пользу узких моделей для массовой разметки звонков.

Похожую задачу я решал для «Камчатка Серф»: каждое утро руководитель получает отчёт о том, как менеджеры отработали в CRM накануне. Как это устроено, описано в статье про ИИ-контроль продаж в amoCRM.

Доступ российских компаний к продуктам Alibaba Cloud не подтверждён, поэтому переносить стоит схемы, а не сервисы. Цифры выше - заявления спикеров, независимо их никто не проверял. Сами схемы от этого хуже не становятся.

• Начинать с речевой аналитики и контроля CRM, а не с голосового робота. Она ничего не ломает в продажах и сразу показывает, где теряются деньги.
• Делить работу по шагам воронки. ИИ делает массовый первый контакт и квалификацию, менеджер закрывает сделку.
• Записать «красные линии» до запуска: что агент не говорит никогда. На Apsara их проверяют в 100% тестов.
• Отдельно проверить качество распознавания русской речи на своих звонках. Заявленные проценты получены на других языках.
• Помнить, что записи звонков содержат персональные данные клиентов. Про это есть отдельная статья: 152-ФЗ и нейросети.

Я бы начал так: взять месяц записей звонков и переписок, разметить их по причинам отказов и сравнить лучшего менеджера со средним. Обычно уже здесь видно, какие два-три приёма стоит передать остальным. Внедрение такого агента у меня стоит от 250 000 ₽, окупаемость можно прикинуть в калькуляторе.