Пример выстраивания архитектуры для внедрения ИИ в бизнес - Урок №4

В прошлом уроке мы разобрали базовую архитектуру внедрения искусственного интеллекта: от API до нейросетей, которые обрабатывают данные, и до автоматических действий, которые выполняются на основе результатов.

Сегодня настало время пройти путь целиком на конкретном примере. И не просто примере из фантазий — мы разберём реальный кейс из компании «Триада», где внедрение ИИ позволило автоматизировать работу отдела продаж, снизить ручной труд, повысить прозрачность процессов и улучшить качество коммуникации с клиентами.

Этот урок нужен, чтобы вы на примере поняли как работает архитектура внедрения искусственного интеллекта в малом и среднем бизнесе.

Как и в большинстве B2B-компаний, в «Триаде» каждый день проводятся десятки звонков менеджеров с клиентами.

У кого-то из менеджеров получается лучше, у кого-то — хуже. Но в чём именно ошибка? Почему один конвертирует 3 из 10 заявок, а другой — только 1? Руководителю отдела продаж нужно это знать, чтобы помогать сотрудникам расти, исправлять ошибки, повышать конверсию. Тем более лиды в промышленной безопасности дико дорогие (по 5 тысяч за лид) и потеря каждого лида из-за действий менеджера - очень больно бьет по кошельку.

Но вот проблема: чтобы это понять, нужно каждый день слушать по 30–40 звонков.
Один звонок — 5–10 минут. А теперь умножьте на количество… Плюс — анализ, фиксация ошибок, передача обратной связи. Это отнимает у руководителя 3–4 часа в день. Каждый день. Вечный аврал и субъективные выводы. Так продолжаться не могло.


Руководитель отдела продаж потребовал следующее:

• чтобы звонки автоматически превращались в текст,
• чтобы система сама ставила оценки и выделяла ошибки,
• чтобы результат каждый день появлялся в Google Таблице,
• чтобы он открывал её и видел чёткую картину: кто справился, кто нет, и почему. А уж после вызывал менеджеров, которые "совершили ошибку" на ковер и разбирал с ними их ошибку, чтобы менеджеры улучшили качество своей работы.

Вот вам конкретная бизнес-цель. Идеальная почва для внедрения ИИ.

Сначала был установлен N8N - система автоматизации, которая берет данные из системы телефонии, шифрует и передает нейросетям для расшифровки звонка и оценки.

О том как установить такие системы - мы поговорим в будущих уроках, а пока скажем - ее разместили на сервере компании.
Так можно делать, для безопасности данных вы можете всю "кухню" внедрения искусственного интеллекта развернуть не на облачных серверах, а непосредственно на физическом сервере вашей компании.

Итак, далее в бизнес процессе расшифровки звонков и их анализа - в n8n был сначала установлен модуль (функция), которая запускает бизнес процесс.

В нашем случае расшифровка звонков происходит каждый день в 18.00
Почему так - руководитель так захотел, чтобы к утру был результат работы за прошлый день.

На следующем этапе - в процессе подключен API.
API сначала вытягивает из Битрикс24 список всех входящих и исходящих звонков отдела продаж (только этого отдела).

После - звонки фильтруются. Мы не слушаем звонки короче 30 секунд и звонки, которые менеджер посчитал спамными (например, в Триаду позвонили с предложением услуг по доставке писем) - такие звонки мы отметаем, чтобы не тратить самый ценный ресурс - время.

Для этого в разделе filter мы указываем параметры, например, на следующий этап попадают только звонки длительностью от 30 секунд и выше.

После - происходит еще один отсев.
Система убирает все звонки со статусом спам/дубли/ не наши клиенты (например, иногда в Триаду звонят странные люди, бывают даже рассказывают менеджерам анекдоты или пытаются заняться сексом по телефону).

Для отсеивания таких "уникумов" настроен еще один фильтр, и если звонок (лид) отмеченный менеджером как "целевой" (true), то тогда такой лид "вынимается" из Api и загружается как аудио для расшифровки.

Дальше n8n:

• Принимает файл целевого звонка (аудиозаписи) и сохраняет его локально.
• Отправляет запись в Whisper — open-source модель от OpenAI для расшифровки аудио в текст.
• Полученный текст очищается от мусора (вроде фонов, эхов, повторов).

После расшифровки звонка - подключается еще один модуль Chatgtp, который обозначает в записи роли менеджер и клиент.
Делает он это через специальный промпт (команду). Как писать такие промпты - будем разбираться на будущих занятиях.

После расшифровки и разбивания ее на роли - текст записи передается сразу в два модуля ИИ, один из которых

• оценивает качество работы менеджера по баллам;

А другой:

• выписывает основные ошибки менеджера при разговоре с клиентом;

После - оба модуля соединяют свою оценку и передают ее в Google Таблицу.

В Гугл таблице соединяется вся информация:

• ссылка на сделку;
• название компании (с которой вели переговоры);
• имя менеджера;
• его оценка по тому, как менеджер проработал клиента

И затем все передается руководителю, который каждое утро разбирает с менеджерами проблемные сделки и лиды.

Вначале мы запустили MVP (минимально жизнеспособный прототип): один звонок вручную загрузили в n8n, провели через все модули и посмотрели, что получится.


На первых порах GPT завышал оценки — пришлось уточнить промпт:
«Оцени строго. 3 — допустимо, 4 — хорошо, 5 — идеально».

Потом выяснилось, что нейросеть плохо разбирается в экологии. Например, СЗЗ (санитарно-защитную зону) она называла СЭЭЗ, а ПДК (список предельно допустимых концентраций выбросов предприятий) — СДК.

Это исправили поменяли промпты (команды) и обучив нейросеть. Для этого в модули загрузили краткий пересказ экологического законодательства и обновили промпт (команду).

Теперь руководитель каждый день заходит в таблицу и видит:

• фамилии менеджеров,
• оценки по звонкам,
• примеры ошибок,
• рекомендации по улучшению.

Вместо 3 часов — 10 минут. И никаких «а я думал, он нормально общался».

Как итог, продажи за квартал выросли на 30%, ни одного менеджера не уволили. Они хоть и первое время обижались на нейросеть (на низкие оценки), но потом поняли - лучше на тестировании получить 3 бала, и хорошо подготовиться к экзамену, чем затем провалиться.

И это лишь один из 1000 возможностей применения ИИ в бизнесе.
Надеюсь, на этом примере вы поняли как устроена автоматизация внедрения искусственного интеллекта и мы можем перейти к следующему занятию - проектированию вашего первого бизнес процесса с применением нейросил!