Меня зовут Василий Ферапонтов, я отвечаю за SaaS-направление в Аспро. Мы развиваем облачную систему управления бизнесом, и ключевой этап продаж у нас — демовстречи с клиентами.

Обычно это онлайн-встречи на 30–45 минут, где мы показываем продукт и разбираем задачи клиента. Именно на этом этапе принимается решение о покупке, поэтому качество проведения встреч напрямую влияет на выручку.

При этом контроль быстро становится узким местом. Даже в небольшой команде накапливается несколько часов записей в день, и отсматривать их вручную в полном объеме невозможно. В какой-то момент часть встреч просто выпадает из контроля, а обратная связь менеджерам дается выборочно.

С такой ситуацией сталкиваются не только отделы продаж. В целом в компаниях любая задача, связанная с ручным анализом — звонков, переписок, документов — плохо масштабируется вместе с ростом объема.

Мы пришли к этому не из интереса к технологии, а из практической задачи — упростить контроль встреч и перестать тратить на это рабочий день руководителя.

Как мы формулировали задачу

В какой-то момент стало понятно, что увеличивать объем ручной проверки бессмысленно. Даже если тратить на это больше времени, мы все равно видим только часть встреч и расходуем ресурсы непропорционально результату.

Поэтому мы начали с другого — разложили задачу и определили, какой результат нам действительно нужен от контроля.

Нам не нужен был просто разбор встречи. Нам важно понимать, как менеджер провел диалог: где усилил продажу, где упустил возможность, какие договоренности зафиксированы и какую обратную связь нужно дать. У нас уже был чеклист с понятными критериями — от структуры диалога до работы с потребностями. Задача была сохранить эту логику, но убрать ручную нагрузку.

В итоге требования сформировались достаточно четко. Система должна работать автоматически и на выходе давать структурированный результат: оценку по чеклисту, ключевые выводы и рекомендации. Плюс — накапливать данные, чтобы можно было анализировать не отдельные встречи, а работу отдела в целом.

Только после этого мы начали думать, как это реализовать технически.

Как мы собрали решение

На старте у нас уже была важная часть — записи встреч. Мы проводим демо в Zoom, и сервис автоматически делает транскрибацию, поэтому на входе сразу есть текст разговора.

Дальше мы отталкивались именно от него. Транскрибация передается в языковую модель, у которой заранее есть чеклист оценки. По нему она разбирает встречу и формирует результат: насколько менеджер соблюдал структуру, как работал с потребностями и зафиксировал ли договоренности. 

Настроенная интеграция выглядит так. 

Для восприятия эта схема будет проще.

Мы не просили модель оценивать встречу в целом. У нее есть конкретные критерии, и она проходит по ним последовательно. Это позволяет сравнивать встр между собой и видеть разницу в качестве.

На выходе получаются структурированные данные: оценки по каждому параметру, общий результат и короткий разбор — что было сделано хорошо и где есть просадки.

Данные сохраняются в таблице: дата, менеджер, оценки по критериям. За счет этого можно смотреть не отдельные встречи, а динамику по сотрудникам и отделу в целом.

Параллельно результат уходит в CRM в виде комментария к сделке — с рекомендациями, кратким резюме и зафиксированными договоренностями.

Это позволяет использовать разбор сразу, без переключения между инструментами. Параллельно с этим настроили отчеты по выставленным счетам в телеграм для исполнительного директора и руководителей отделов.

В итоге схема получилась простой: на входе запись встречи, на выходе — готовый разбор и данные для анализа без ручной обработки.

Но на этом этапе возникла важная проблема, которую мы сначала недооценили.

Почему нельзя просто доверить это ИИ

Когда мы получили первые результаты, возникло ощущение, что задача решена. Модель анализирует встречи, выставляет оценки, формирует рекомендации — все работает.

Но довольно быстро стало понятно, что без проверки такую систему использовать нельзя. Проблема оказалась в том, что модель сглаживает оценки: там, где руководитель поставил бы низкий балл, она часто давала средний или высокий. В логике ошибок не было, но результат не отражал реальную картину.

Поэтому на первом этапе мы пошли простым путем и начали параллельно вести две системы оценки. Руководитель продолжал вручную проверять часть встреч, а ИИ анализировал все. Сравнение быстро показало расхождения: в одних случаях модель не учитывала контекст разговора, в других — неправильно интерпретировала критерии чеклиста.

Дальше началась донастройка. Мы уточняли формулировки критериев, добавляли пояснения, усиливали требования к оценке и убирали двусмысленность. Через несколько итераций результаты стали сходиться — не идеально, но уже на уровне, при котором систему можно использовать в работе.

В итоге для себя зафиксировали простой вывод: ИИ в таких задачах — это не готовое решение, а инструмент, который нужно обучать под свою логику. И даже после настройки полностью отказываться от контроля не стоит — мы до сих пор периодически проверяем выборочные встречи, чтобы убедиться, что качество оценки не проседает.

После этого система начала работать так, как мы и планировали.

Что изменилось в работе отдела

После внедрения система быстро встроилась в процессы. Основной эффект — руководитель перестал тратить время на ручной просмотр встреч и переключился на анализ результатов.

Обратная связь для менеджеров стала быстрее: рекомендации приходят сразу после встречи, пока сохраняется контекст. Это упростило обучение и снизило количество повторяющихся ошибок.

Параллельно появилась нормальная аналитика. Видно, по каким критериям команда проседает, как меняется качество встреч и где есть точки роста. Контроль перестал быть выборочным — данные собираются по всем встречам.

На этом фоне выросло качество работы менеджеров, что отразилось на конверсии. В итоге это дало +28% к выручке за месяц.

При этом важнее не сам рост, а управляемость. Появилось понимание, где именно теряются деньги и что с этим делать.

Что можно улучшить дальше

Текущая версия системы — это первая итерация. Она закрывает основную задачу, но по ходу работы стало видно, куда можно двигаться дальше.

Во-первых, не хватает удобного интерфейса внутри рабочей системы. Сейчас аналитика собирается в таблицах, и это не всегда удобно для быстрого просмотра. Логичный следующий шаг — вынести ключевые показатели в интерфейс CRM, чтобы руководитель видел ситуацию сразу, без переключения между инструментами.

Во-вторых, есть потенциал в доработке самой модели. Мы уже тестировали разные формулировки и подходы к оценке, но качество рекомендаций напрямую зависит от модели и промпта. Есть гипотеза, что другие LLM могут давать более точные или полезные выводы, особенно в части рекомендаций.

Третье направление — развитие чеклиста. Сейчас он фиксирует базовые стандарты проведения встречи, но со временем требования меняются. Появляются новые акценты в продажах, меняются продукты, сценарии общения. Это значит, что чеклист нужно регулярно пересобирать, иначе система начнет оценивать не то, что реально влияет на результат.

И еще один момент — точность оценки. Сейчас шаг оценки ограничен, и в ряде случаев это дает погрешность. Мы уже думаем над тем, чтобы сделать шкалу более гибкой, чтобы различия между менеджерами были видны точнее.

Все это не критичные проблемы, а скорее точки роста. Базовая задача уже решена, дальше — вопрос удобства и точности.