Как мы внедряем ИИ в продажах B2B прямо в AmoCRM

Как устроена расшифровка звонков

WhisperX — открытая надстройка над моделью Whisper от OpenAI. Она добавляет точные таймкоды на уровне слов и разделение по спикерам через pyannote, поэтому в расшифровке видно, где говорит менеджер, а где клиент.

Запуск на своём сервере решает две задачи. Записи звонков не уходят во внешний сервис, а стоимость не растёт с каждой минутой разговора. Нужна видеокарта: на GPU модель работает в десятки раз быстрее реального времени.

Для разделения по спикерам pyannote требует токен Hugging Face и согласие с условиями модели. Это лучше учесть до начала работ.

WhisperX и персональные данные

Запись разговора с клиентом содержит персональные данные. По 152-ФЗ для их обработки нужно правовое основание и меры защиты. Хранение на своём сервере в России упрощает выполнение требования о локализации из части 5 статьи 18 закона. Клиента стоит предупреждать о записи в начале разговора.

Какие факты извлекать из переписки

Извлечение фактов работает, только если заранее решить, что считать фактом. Список у меня короткий.

• бюджет и порядок цифр;
• сроки и жёсткие даты запуска;
• кто принимает решение и кто влияет;
• текущие системы и технологии клиента;
• опасения и возражения;
• пожелания, которые клиент упомянул вскользь.

Почему важны мелкие пожелания

Последний пункт самый ценный. Такие детали теряются между звонками и всплывают в момент сдачи проекта, когда переделка стоит дороже. Каждый факт стоит хранить с датой и источником: через месяц бюджет может поменяться, и менеджер должен видеть обе версии.

Какие модели под какие задачи

Я разделил задачи по цене и сложности. Дешёвая быстрая модель работает на каждом сообщении, дорогая — только там, где ошибка стоит денег.

ИИ для отдела продаж: с чего начать

Если повторять такую систему, я бы не начинал с чата. Сначала данные, потом ответы по ним. Без полной истории общения модель отвечает общими словами.

Пошаговый план автоматизации продаж

• Собрать все разговоры в CRM: звонки через телефонию, встречи через Телемост или Zoom, переписку из почты и мессенджеров.
• Включить расшифровку и складывать текст в заметки сделки.
• Добавить извлечение фактов: бюджет, сроки, кто принимает решение, технологии.
• Дать менеджеру чат по сделке с этим контекстом.
• Только потом подключать оценки и подсказки следующего шага.

Ошибки при внедрении

Так каждый шаг даёт пользу сам по себе. Если на третьем всё остановится, первые два уже работают.

Главная ошибка — менять рабочую среду. Менеджеры живут в AmoCRM, и отдельное окно с ИИ они откроют пару раз из любопытства. Поэтому у нас всё в правой колонке карточки сделки.

Вторая — верить ответам без проверки. Модель может уверенно ошибиться в сумме или сроке. Факты лучше записывать со ссылкой на источник: звонок, письмо, сообщение.

Третья — подключить всё сразу на весь отдел. Лучше начать с двух-трёх менеджеров, собрать их замечания за пару недель и только потом раскатывать на остальных.

Как проверить, что оценки попадают

У нас попадание ±5% к нашим же сметам. Проверить это можно без сложной математики: берёте закрытые проекты, прогоняете их требования через модель и сравниваете с фактом.

Автотюнинг промпта работает по той же схеме. Модель видит, где ошиблась, правит инструкцию и пробует снова. Останавливаться стоит, когда точность перестала расти на отложенной выборке, а не на тех сметах, на которых учили.

Следующий шаг — векторный поиск похожих задач. Для этого подходят pgvector в PostgreSQL или отдельные базы вроде Qdrant. При новой оценке система находит прошлые похожие работы и показывает их рядом.

Смета при этом всё равно проходит через человека. Модель ускоряет оценку, а ответственность остаётся за менеджером и техническим специалистом.