01 — Контекст и задача
Что нужно было решить
У руководителя отдела продаж сотни лидов и нет времени открыть каждую карточку, прочитать переписку и переслушать звонки. Дашборды CRM показывают цифры — сколько звонков, на какой стадии сделка, — но не отвечают на главный вопрос: качественно ли менеджер отработал конкретного клиента.
Чтобы это понять, нужно вчитываться в контекст — что обещали, что сделали, был ли разговор по делу или клиент просто сбросил трубку. Вручную на потоке в 600+ лидов это физически невозможно.
02 — Решение
Как мы это построили
Сделали не чат-бот, а батчевый фоновый обходчик. Агент проходит по лидам по заданному фильтру, собирает по каждому полный контекст (поля карточки, история активностей, транскрипции звонков, переписка, задачи, открытые линии) и оценивает работу менеджера по настраиваемому чек-листу.
Звонки без текста агент транскрибирует сам — мультимодальной LLM, без отдельного ASR-сервиса. Чтобы 15-секундный гудок не превращался в фантазию про «бюджет 2 млн», модель сначала классифицирует запись и получает её длительность.
Дальше агент действует в CRM: ставит задачи менеджерам, дозаполняет поля (строго по whitelist, с логикой «дополняем, но не перезаписываем» в детерминированном коде), пишет заключение в таймлайн. Возврат к лидам — по расписанию через отдельный планировщик. Для клиентов с требованиями 152-ФЗ агент разворачивается на российском контуре (GigaChat / YandexGPT через LiteLLM).
03 — Результаты
Что получилось
Обработано больше 1000 лидов, затранскрибировано около 3000 звонков силами самого агента. Примерно 25% записей оказались «пустыми» (автоответчик, гудки, сорванный звонок) — агент их отсёк, а не сочинил по ним несуществующие диалоги.
Менеджерам поставлено около 600 задач с конкретным контекстом. Агент активно ведёт порядка 1000 лидов одновременно. Руководитель вместо «открыть 1000 карточек» получает поток коротких сводок с вердиктом по каждому лиду и дашборд по менеджерам — включая контроль расхода на LLM в рублях.