ИИ-анализ звонков отдела продаж: где теряются деньги и сделки

Я разбираю такие истории каждую неделю: что вскрывают аудиты, какие ошибки чаще всего стоят денег, что реально работает у собственников МСБ. Если это интересно на постоянной основе - подписывайтесь в Telegram.

Почему выборочная проверка звонков ничего не показывает?

Коротко: руководитель отдела продаж физически не может прослушать больше 5-7 звонков в час. При потоке в 50-100 звонков в день вручную проверяется 10-15% - остальные 85-90% остаются слепой зоной, где чаще всего и решается судьба сделки. Именно эту слепую зону закрывает ИИ-анализ звонков отдела продаж, разбирая каждый разговор без исключений.

Шесть месяцев я оценивал менеджеров по количеству звонков. Когда Уральская Кровельная начала расти, логика казалась простой: больше звонков - больше продаж. Один менеджер делал 80 звонков в день, другой - 30. Пока я не сопоставил активность с конверсией.

Тот, кто звонил 80 раз, закрывал втрое меньше сделок, чем коллега с 30 звонками. Первый имитировал работу. Второй продавал. Вывод стоил мне полугода: активность - это не результат. Без разбора самих разговоров невозможно понять, где именно теряются деньги.

Похожая картина повторяется и в других компаниях. При выборочном прослушивании 20 звонков подряд почти везде находится один и тот же набор провалов:

• в 60%+ случаев менеджер не квалифицирует бюджет на первом звонке - не уточняет сумму, сроки и кто принимает решение;
• в 40%+ звонков нет конкретного следующего шага - разговор заканчивается на «я перезвоню» без даты и договорённости;
• в 30%+ менеджер уступает в цене до того, как клиент вообще произнёс «дорого».

Вы же обычно судите о продажах по итоговой конверсии в CRM - не зная, на каком этапе разговора клиент на самом деле остывает. Прослушать 20 звонков подряд руками способны немногие: это несколько часов подряд, которые физически некуда вставить в неделю руководителя с командой из 10 человек.

Что такое ИИ-анализ звонков простыми словами?

Коротко: ИИ-анализ звонков (или речевая аналитика) - это программа, которая переводит запись разговора в текст. Дальше она разбирает текст по заданным критериям: этапы продажи, возражения, тон голоса, кто и сколько говорил. Технически это связка из четырёх шагов - никакой «магии».

Термин «речевая аналитика» звучит сложнее, чем есть на самом деле. Это четыре последовательных шага:

1. Запись разговора - через АТС или интеграцию с телефонией.
2. Распознавание речи - запись переводится в текст.
3. Анализ текста языковой моделью - система пытается понять намерение собеседника: совпадения по словарю ключевых слов для этого недостаточно, важно, отказался клиент на самом деле или просто взял паузу подумать.
4. Отчёт - разбор по заданным критериям, привязанный к конкретному звонку и менеджеру.

Точность распознавания речи на русском языке за последний год заметно выросла. По независимому бенчмарку на Хабре, модель Whisper large-v3-turbo даёт ошибку распознавания около 7,9%, российская GigaAM от Сбера - около 3,3%. На реальных телефонных записях с шумом и перебиваниями точность обеих моделей заметно ниже, чем в лабораторных тестах. Поэтому вендоры речевой аналитики обычно донастраивают распознавание под отрасль и терминологию клиента.

Дальше в дело вступает вторая часть системы: она пытается понять смысл сказанного: простого совпадения по словарю ключевых слов для этого недостаточно. В одном из аудитов связка amoCRM, модели распознавания речи и языковой модели подняла точность отчётов по сделкам с 80% до 99%. К тому же она добавила 22% к конверсии в закрытые сделки за первый месяц. Причина простая: данные из разговора стали попадать в CRM автоматически, без ручного заполнения после звонка.

Какие параметры ИИ разбирает в разговоре менеджера?

Коротко: система оценивает разговор по десяткам критериев одновременно - от соотношения «менеджер говорит / клиент говорит» до того, назван ли конкретный следующий шаг. В моей методике таких параметров 27. Каждый такой критерий - это конкретный измеримый факт из разговора, не абстрактная оценка «хорошо или плохо».

Хорошая система речевой аналитики не выставляет разговору одну оценку «хорошо/плохо». Она раскладывает его на конкретные, измеримые вещи.

Первое и самое простое - кто сколько говорил. По данным Gong Labs, которые проанализировали 326 000 реальных звонков, у закрытых сделок менеджер в среднем говорит 57% времени разговора, у проигранных - 62%. Как только доля речи менеджера превышает 65%, конверсия заметно падает: он не слушает, он презентует в пустоту.

Дальше - этапы разговора: приветствие и установление контакта, квалификация (бюджет, сроки, кто принимает решение), презентация решения, работа с возражениями, закрытие с конкретной договорённостью. В методологии системного аудита, которую я использую, разбор звонков - лишь одно из восьми направлений. Но именно оно чаще всего показывает разрыв между отчётом в CRM и тем, что реально происходит на линии. Я довёл разбор звонка до 27 параметров: от того, назвал ли менеджер цену раньше, чем клиент спросил, до того, зафиксирована ли дата следующего касания.

Отдельно система отмечает эмоциональный фон - паузы дольше 5 секунд, перебивания, срывы в раздражённый тон - и сверяет разговор со скриптом там, где скрипт есть. Смысл не в том, чтобы поймать менеджера на нарушении инструкции. Речь про закономерность. Если 8 из 10 проигранных звонков этого месяца ломаются на одном и том же вопросе про сроки, это указывает на дыру в скрипте или в компетенции конкретного человека.

Слушать 20 звонков вручную, чтобы найти такую закономерность, - реально, но у собственника обычно нет на это нескольких свободных часов в неделю. Разбор звонков - лишь один из восьми блоков диагностики, которую я провожу лично. Запишитесь на диагностический разбор бизнеса - и увидите всю цепочку целиком, от первого клика до денег на счёте.

Сколько денег теряется на звонках, которые никто не услышал?

Коротко: в строительной отрасли до 30% звонков остаются без ответа, и большая часть таких клиентов не перезванивает повторно сама - просто уходит к конкуренту. При обычном для отрасли потоке заявок это выливается в потери свыше миллиона рублей в месяц, и это без учёта того, что говорится на уже принятых звонках.

Один реальный разбор: производственная компания из УрФО с оборотом около 90 млн ₽ в год. За 30 дней аудита нашлось 94 пропущенных звонка, а задача на перезвон была поставлена только по 12 из них. При чеке в 65 тысяч рублей и конверсии 25% это около 15 сделок, которые не случились, за месяц. 94 пропущенных звонка исчезают из поля зрения без системы фиксации - и вместе с ними исчезает часть выручки, которую никто даже не пытался вернуть.

Это не единичная отрасль. По данным УИС за 2019 год, в строительстве и ремонте без ответа оставались 29,89% звонков - почти треть всего входящего потока. Причём большая часть таких клиентов не перезванивает повторно сама - если компания не берёт трубку с первого раза, шанс, что попытаются достучаться снова, невысок.

Здесь работает эффект, который вообще не связан с содержанием разговора - только со скоростью реакции. Ещё в 2007 году Lead Response Management Study - 15 000+ лидов, три года наблюдений - показало: шанс вообще дозвониться до лида падает в 100 раз, если ждать 30 минут вместо 5. Шанс квалифицировать его при дозвоне падает в 21 раз. Это две разные цифры про две разные вещи, и их часто путают друг с другом. Вывод один: скорость реакции решает часть исхода ещё до того, как менеджер открыл рот.

При 40 входящих звонках в день, чеке 65 тыс. ₽ и конверсии 25% одни только пропущенные звонки способны стоить компании до 1,1 млн ₽ в месяц - и это деньги, потерянные на звонках, которые компания вообще не приняла.

Сколько стоит ИИ-анализ звонков и какой сервис выбрать?

Коротко: российские сервисы речевой аналитики стоят от 30 до 150+ тысяч рублей в месяц в зависимости от объёма звонков и глубины разбора. Ниже - сравнение шести работающих в 2026 году инструментов. Выбор конкретного сервиса чаще всего определяется объёмом разговоров в день - бренд решает меньше, чем кажется.

Цены актуальны на момент публикации и могут измениться - перед выбором сверяйтесь с прайсом вендора по ссылке. Выбор чаще всего зависит от объёма звонков в день. При потоке 300+ звонков выгоднее фиксированная абонплата (SalesAI, Dialext), при небольшом и нестабильном потоке дешевле выходит поминутная оплата (Skorozvon, Calltouch, MANGO OFFICE).

Модельный расчёт для ориентира, не кейс конкретного клиента. При 10 менеджерах, чеке 100 000 ₽ и 300 звонках в день рост конверсии всего на 2% с лихвой окупает любой из перечисленных тарифов уже в первый месяц. Это иллюстрация экономики - не обещание результата для вашей компании - реальная окупаемость зависит от того, что именно вы будете делать с находками.

Что показывают реальные кейсы речевой аналитики?

Коротко: разбор звонков сначала показывает масштаб проблемы - сколько сделок теряется на конкретном этапе. После того как на находки начинают реагировать, конверсия ощутимо растёт: в одном случае - с 3% до 18%, в другом - допродажи выросли с 3% до 20%.

Здесь стоит различать два разных типа результата.

Первый тип - то, что вскрывает сам разбор ещё до всяких изменений. В аудите одной B2B-компании, которая занимается проектированием (4 менеджера), анализ 80 звонков показал: в 61% случаев менеджер вообще не квалифицировал клиента. Из-за этого конверсия из лида в коммерческое предложение держалась на уровне 14% вместо ожидаемых по отрасли 35%. Это диагноз, не улучшение: разбор звонков просто показал, где именно теряется большая часть потенциальных сделок.

Второй тип - результат, который получают после того, как на находки реагируют. Интернет-магазин через анализ пяти критических точек в диалоге поднял конверсию с 3% до 18% - в шесть раз. Автодилер «Форвард-Авто» после внедрения речевой аналитики увеличил долю допродаж с 3% до 20%, что дало +5% к общей выручке.

Разница между «вскрыли проблему» и «решили проблему» - это разница между тем, зачем вообще слушать звонки, и тем, что происходит, если на находки потом реагируют. Само по себе прослушивание не продаёт. Продают конкретные правки в скрипте, разбор с конкретным менеджером на реальном примере и контроль за тем, чтобы находка дошла до человека - не осталась строкой в отчёте.

Больше похожих разборов и то, как это выглядит на конкретных записях, - в материале про оценку звонков и ИИ-агентов.

Как внедрить речевую аналитику за 5 шагов?

Коротко: внедрение чаще проваливается из-за порядка запуска - не из-за самой технологии распознавания. Сервис включают и забывают смотреть отчёты или сразу пытаются оценивать 30+ параметров вместо пяти-семи базовых. Порядок ниже снимает большинство сопротивления команды при внедрении ИИ-анализа звонков и экономит первые недели пилота.

Разбор типичных ошибок чужих внедрений в основном сводится к порядку запуска. Вот пять шагов, которые снимают большинство сопротивления команды.

1. Начните с 5-7 критериев - не с тридцати. Слишком сложный чек-лист с первого дня обычно означает, что через месяц в него никто не заглядывает.
2. Стройте критерии на реальных выигранных сделках, а не на личном мнении руководителя о том, как «должен» звучать хороший звонок. На Хабре это прямо назвали проблемой: «подгон критериев под мнение РОПа» вместо анализа того, что реально приводит к продаже.
3. Объясните команде цель до запуска. Инструмент, внедрённый молча или как повод для штрафов, воспринимается как слежка - и вызывает споры с каждой оценкой вместо улучшения звонков.
4. Свяжите находки с конкретным действием - не оставляйте их только в отчёте. Каждая найденная закономерность должна превращаться в правку скрипта или разбор с менеджером, иначе цифры просто копятся в дашборде.
5. Не автоматизируйте всё сразу. Полная автоматизация с первого дня на практике превращается в долгострой на несколько месяцев - начните с одного направления и расширяйте набор параметров, когда первое прижилось.

ИИ заменяет РОПа или дополняет?

Коротко: ни один из разобранных источников не утверждает, что ИИ полностью заменяет руководителя отдела продаж. Речь о другом - на 100% выборки человек физически не может быть одинаково объективным, у алгоритма с этим проблем нет. Спор идёт о том, кто задаёт критерии оценки разговора - готовый алгоритм на реальных сделках или личное мнение руководителя.

Вопрос звучит провокационно в заголовках, но в реальных обсуждениях спор идёт не об этом.

«Речевая аналитика не равна транскрибации»

• Семён Суслин, менеджер продукта по речевой аналитике CoMagic, vc.ru

Суслин указывает и на конкретную цифру: до 90% звонков, которые остаются без внимания при ручном контроле, - это серая зона, потерянные данные. Не из-за того, что РОП плохо работает - 5-10% выборки физически не может быть репрезентативной для целой команды.

Есть и обратная сторона. Психолог Милана Орехова предупреждает: постоянное наблюдение может снижать вовлечённость, если сотрудник чувствует, что автономию у него забрали, а контроль ощущается как слежка, не как инструмент. Это довод в пользу того, как именно внедрять речевую аналитику - см. пункт 3 из пяти шагов выше.

«ИИ в таких задачах - это не готовое решение, а инструмент, который нужно обучать под свою логику»

• Василий Ферапонтов, директор SaaS-направления, Аспро, Хабр

Ни в одном из разобранных материалов не нашлось всерьёз развёрнутого утверждения «ИИ полностью заменит РОПа». Реальный спор идёт про то, кто задаёт критерии оценки: система, обученная на реальных выигранных сделках, или личные предпочтения конкретного руководителя, выданные за объективность.

Какие ошибки убивают эффект от внедрения?

Коротко: чаще всего эффект гасят управленческие решения - не технические сбои. Эффект убивают оценка формы вместо результата, слишком широкий охват параметров сразу и попытка использовать инструмент только для наказания. При внедрении ИИ-анализа звонков это происходит заметно чаще, чем сбой распознавания речи или ошибка алгоритма.

Даже при правильном запуске эффект можно потерять на ровном месте.

Первая ошибка - оценивать форму вместо результата. В одном из разборов на Хабре автор обнаружил, что 40% звонков, отмеченных как «почти идеальные» по скрипту, всё равно заканчивались ничем. Формальное соответствие чек-листу не гарантирует продажу, если система не сверяется с тем, что реально приводит к деньгам.

Вторая ошибка - оценивать слишком много сразу. Не все параметры имеют минимальную бизнес-ценность - фокус на следствии вместо причины размывает картину вместо того, чтобы её прояснить.

Третья ошибка - отдать контроль внешнему вендору и перестать проверять логику самому. Один из практиков резюмировал это жёстко: «отдаёте данные внешней платформе - отдаёте сердце отдела продаж» (Хабр). Инструмент по-прежнему стоит использовать - но финальное решение о критериях лучше оставить за собой, не отдавая его вендору целиком.

Четвёртая ошибка - тишина вместо диалога с командой. Внедрение без объяснения цели обычно превращается в саботаж: сотрудники либо игнорируют систему, либо начинают спорить с каждой её оценкой, потому что не понимают, зачем она вообще появилась.

Что делать в первую неделю после внедрения

Коротко: не пытайтесь включить сразу все 27 параметров чек-листа. Возьмите один - например, фиксацию даты следующего шага - и проверьте всю цепочку целиком: нашли проблему, показали менеджеру, менеджер изменил разговор, изменилась цифра. Если цепочка не работает даже на одном параметре, остальные её не спасут.

Первую неделю я обычно рекомендую не трогать весь чек-лист сразу. Протестируйте эту цепочку на одном параметре - том, что критичнее всего именно для вашей воронки. Если находка доходит до менеджера и меняет разговор, а разговор меняет цифру в отчёте - расширяйте набор параметров дальше. Если не доходит - дело в процессе передачи находок, не в наборе критериев.

Речевая аналитика - это постоянный способ видеть то, что раньше было слепой зоной. Разовым проектом с финальной точкой она не становится. Управленческое решение она тоже не заменяет - она даёт данные, на основе которых это решение перестаёт быть догадкой. Как устроена диагностика целиком - в разделе «как мы работаем».

Источники

• Lead Response Management Study (2007) - leadresponsemanagement.org
• Harvard Business Review, «The Short Life of Online Sales Leads», март 2011 - hbr.org
• УИС, «Как бизнес сам упускает клиентов», данные за 2019 год - uiscom.ru
• Gong Labs, talk-to-listen ratio на 326 000 звонков - gong.io
• Habr, бенчмарк точности распознавания речи на русском языке - habr.com
• vc.ru, Семён Суслин (CoMagic), «Три заблуждения о речевой аналитике» - vc.ru
• Хабр, «ИИ вместо РОПа?» и обсуждение в комментариях - habr.com
• Актуальные цены на дату публикации: SalesAI, Rechka.AI, Dialext

Полная картина по системному росту выручки - за один разговор. Диагностический разбор бизнеса: коротко и по делу, с выводами, которые остаются у вас, даже если дальше вы не продолжите работу со мной.