Доклад Воронина Михаила на ContactDays 2025

Стать:

Участником

Спикером

Партнёром

Открытый форум о контакт-центрах — технологиях, процессах и клиентском опыте

Анна Ивлева

Воронин Михаил

Руководитель направления по развитию продуктов на основе ИИ, BSS

Product owner продукта «Речевая аналитика» компании BSS

Использование генеративного ИИ в аналитике: практические примеры и рекомендации

Видео

Видео доклада

Презентация спикера

Генеративный ИИ в аналитике контакт-центров: практические кейсы, выводы и рекомендации

Генеративный искусственный интеллект стал технологией, которая одновременно вдохновляет рынок и вызывает опасения. Год назад он был экзотикой, сегодня — предметом обязательного обсуждения на уровне операционных бюджетов, инвестиций и трансформации процессов. При этом вокруг технологии по-прежнему много мифов, которые мешают компаниям решиться на первые шаги.
Этот материал систематизирует опыт применения генеративного ИИ в аналитике контакт-центров: какие задачи реально решаются, каковы результаты, что учитывать при внедрении, и почему ключевым фактором успеха остаётся не технология, а люди.

Главные мифы о генеративном ИИ в аналитике

Миф 1. «Это слишком дорого — нужны дорогие GPU и специалисты»

Что на самом деле
Да, современные языковые модели исторически требовали мощных GPU. Но сегодня инфраструктура гораздо более доступна, и вариантов несколько:

1) Собственное оборудование

Например, карта Nvidia A100 (рекомендованная для стабильной нагрузки) стоит 1–1,5 млн рублей. Этого достаточно, чтобы анализировать ≈28 тысяч диалогов в сутки.
Когда оправдано: при больших объёмах, строгих требованиях безопасности, высоких SLA.
2) Аренда GPU-серверов в ЦОДах

От 110 тыс. рублей/месяц.
Когда оправдано: если нужен контролируемый, но гибкий инфраструктурный контур.
3) Аренда самих моделей (LLM-as-a-Service)

Стоимость от 1.8 руб. за диалог (модели типа Qwen или Llama).
Когда оправдано: при пилотах, сезонной нагрузке или если инфраструктуру разворачивать нецелесообразно.
4) Массовые сервисы (YandexGPT, GigaChat)

От 0.6 руб. за диалог.
Когда оправдано: быстрый старт, тестирование гипотез, обучение команды.

Вывод
Внедрение ИИ сегодня стоит не дороже, чем запуск среднего BI-проекта.
Главная ошибка новичков — думать, что без собственной фермы из GPU ничего не заработает.

Миф 2. «Понадобятся дорогие дата-саентисты»

Реальность такова:

Современные модели из коробки уже дообучены на огромных корпусах текстов.
Большая часть аналитических задач (классификация, поиски причин, саммари) решается просто грамотным промтом, а не fine-tuning’ом.

Кому достаточно базового обучения:

Аналитики
Специалисты контакт-центра
QA-аналитики

Когда действительно нужны ML-инженеры:
Если модель требуется дообучать под свою предметную область, а не только промтировать.

Миф 3. «Модели галлюцинируют — этому невозможно доверять»

Да, две-три года назад галлюцинации были серьёзной проблемой.
Сегодня:

современные модели проходят RLHF-обучение;
качество их рассуждений выше за счёт архитектуры;
вероятность ошибок снижается при использовании метаданных и грамотного промта.

1

Передача ИИ не только текста, но и метаданных диалога
(статус, теги, смена, сценарий, продукт, флаг завершённости).
2

Расширенные промты с примерами — модели реагируют на них кратно лучше.
3

Использование разных моделей под разные задачи:
одна — для саммари, другая — для классификаций и т. д.
4

Инструменты для интерактивной работы с промтами, а не редактирование в конфигурационных файлах.

Что можно анализировать с помощью генеративного ИИ — реальные кейсы

Кейс 1. Оценка удовлетворённости клиентов (CSI/C-SAT/NPS) без опросов

У клиента была классическая проблема:
опросы охватывали всего 23% диалогов.

ИИ позволил:

оценить 100% коммуникаций, а не только тех, где клиент остался на линии;
снизить влияние случайных факторов («настроение клиента», «спешил»).

Заметки по методологии

Первый промт был простым:
«Оцени удовлетворённость от 1 до 10».

Он дал неточные, «плоские» результаты.

Правильная версия промта включала:
- список критериев,
- требования к объяснению решения,
- примеры позитивных и негативных реакций,
- ссылки на фрагменты базы знаний,
- запрет опираться на интонацию оператора.
Результаты:
- средняя оценка клиентов по опросам — 4.7,
- средняя оценка по ИИ — 4.12 (объективнее из-за охвата).
- прогнозируемый рост CSI после корректирующих мероприятий: +12%.

Практическая рекомендация:

Никогда не используйте простые промты для сложных метрик.
Обязательно требуйте от ИИ объяснять свою оценку — это резко повышает точность.

Кейс 2. Качество обработки обращений: обнаружение ошибок в 11% случаев

Половина обращений контакт-центра — фиксация или уточнение уже созданных заявок.
Ручной контроль качества невозможен.

ИИ на основе промта, в который вошли:

правила обработки обращений,
выдержки из базы знаний,
допустимые и недопустимые формулировки оператора,
чек-лист проверки корректности,

Выявил:

11% обращений обрабатывались некорректно,
40% случаев — клиент сообщает, что «ответ не получен, но обращение закрыто».

Доучить операторов по проблемным сценариям
Актуализировать статьи базы знаний
Настроить тренажёры: симуляторы диалогов (агент-тренер)
Выводить операторам подсказки в реальном времени (суфлёр)

Ожидаемое улучшение:

Сокращение повторных обращений — до −7%,
Рост CSI и NPS — ощутимый, хотя и косвенный.

Кейс 3. Выявление истинных причин негатива (ИИ точнее лексических словарей)

Задача — понять, почему клиент недоволен:

Традиционный подход: лексические словари

Он ошибочно относил нейтральные фразы к негативу.
Пример:
«Система будет ругаться, если я введу здесь значение?»
Слово «ругаться» срабатывало как маркер негатива.

ИИ-подход

Генеративная модель поняла контекст и отнесла диалог к нейтральным.

Вывод:
Генеративный ИИ превосходит лексические словари там, где важен контекст, а не просто ключевые слова.

Кейс 4. Прогнозирование показателей и точек роста

Модели могут:

1

Указывать на причины «узких мест» в процессах
2

Предлагать меры для снижения нагрузки
3

Прогнозировать влияние изменений на KPI

Кейс 5. Внутренний эксперимент: стресс и выгорание команд.

Компания провела эксперимент: две группы проходили ежедневные стендапы, записи анализировались ИИ.

Выводы:

уровень стресса действительно отличался,
ИИ подтвердил наблюдения руководителей

Стаж оператора
Тип смены
Нагрузка
Количество сложных кейсов
Время суток

ЕСЛИ анализировать только текст, то выводы будут погрешными.

Как выбрать решение для генеративной аналитики

Возможность работать с несколькими LLM одновременно
Разные модели лучше справляются с разными задачами:
- одна делает лучшую саммари,
- другая — лучшую классификацию,
- третья — точнее ищет причины.
Гибридность: LLM + классическая аналитика

Генеративный ИИ — это фонарик, который подсвечивает проблемные зоны.
А основной разбор делают аналитики: SQL, лексика, тональность, фильтры, BI-дашборды.
Защита данных и деперсонализация

Если используете облачные сервисы:
обязательна деперсонализация (ФИО, адреса, телефоны, номера карт, паспортные данные).
Инструменты для промт-инжиниринга
Промт должен редактироваться:
- в удобном интерфейсе,
- с историей версий,
- с мгновенной проверкой.
Промты, спрятанные в конфигурационных файлах — путь к деградации качества.
Поддержка RAG (генерация на основе дополнительной выборки)
Позволяет:
- загружать регламенты,
- сравнивать диалог с официальными документами,
- гарантировать корректность ответов.
Это фактически устраняет галлюцинации в задачах «соответствует/не соответствует».

Секрет успешного внедрения: что важнее — люди, культура или технологии?

Ответ: всё вместе, но приоритеты такие:

1. Чётко сформулированные бизнес-цели
Не «внедрить ИИ», а:
- сократить повторные обращения,
- улучшить CSI на 10%,
- автоматизировать 100% оценки качества.
2.Интерес и вовлечённость команды
Промты не появляются сами — ими увлечённо занимается команда.
Конкурентное преимущество получают те компании, где:
- аналитикам интересно экспериментировать,
- нет страха ошибаться,
- результаты сравнивают и обсуждают.
3.Осознанный выбор инструмента под задачу

Если нужно просто классифицировать — иногда лучше ML-модели.
Если требуется анализ контекста, прогнозирование, выделение инсайтов — LLM незаменимы.

Практические рекомендации для компаний, которые только начинают

1

Начните с малого — подключите облачный сервис (YandexGPT, GigaChat).

2

Выберите одну-две узкие гипотезы, например:

– «верно ли закрываются обращения?»

– «каков реальный CSI по всем диалогам?»

3

Создайте расширенный промт, включающий:

– критерии,

– примеры,

– ссылки на регламенты,

– требование объяснять решение.

4

Сравните выводы ИИ с ручной проверкой — вы увидите разницу.

5

Внедряйте корректирующие действия и измеряйте эффект.

6

Лишь потом переходите к собственной инфраструктуре и RAG-механикам.

Заключение

Генеративный ИИ перестал быть экспериментальной игрушкой. Он стал инструментом, который:

охватывает 100% диалогов,
видит скрытые тренды,
объясняет причины,
даёт прогнозы,
снижает издержки и улучшает клиентские метрики.

Большие языковые модели не заменяют человека — они делают аналитика сильнее, а контакт-центр — прозрачнее и эффективнее.

Если у вас есть:

интересная тема
честный кейс
спорный вопрос
нестандартный подход — поделитесь им

ContactDays — это не витрина, а пространство обмена.
Мы собираем форум, где выступают не «звёзды», а практики: люди, которые внедряют, ошибаются, учатся и растут.

ContactDays

Главное — опыт, которым стоит поделиться. Мы вас подготовим!

Вы не обязаны быть идеальным спикером.

Поделитесь своим опытом на

Стать спикером

Формат построен для вовлечённости и полезного обмена.

ContactDays — это однодневный онлайн-форум, где мы собираем практиков и экспертов, чтобы поговорить о контакт-центрах без воды и маркетинговых докладов.

Стать участником