Контроль качества отдела продаж с помощью ИИ: опыт АКЪЮЛ

АКЪЮЛ — дистрибуционная компания технологически сложных продуктов строительной химии: герметиков, монтажных пен, клеев. У нас более 500 клиентов, работаем по всей стране и все коммуникации ведем по телефону.

Менеджеры звонят магазинам, принимают заказы, консультируют по ассортименту, отрабатывают рекламации. В день у нас сотни таких звонков.

Долгое время качество этих разговоров мы контролировали вручную: отдел контроля качества прослушивал звонки и проверял, как менеджеры работают по скриптам. Но с ростом компании стало понятно: ручной контроль больше не справляется. Мы видим только часть звонков, поздно замечаем ошибки и теряем клиентов там, где могли бы быстро вмешаться.

В конце 2025 года мы решили перестроить систему контроля качества с помощью ИИ. За четыре месяца собрали свою платформу, которая проверяет 100% звонков, оценивает работу менеджеров по чек‑листам и сразу дает рекомендации. Это позволило сократить ежемесячные расходы на отдел контроля качества на 300 000 ₽, а затраты на внедрение окупились за три месяца.

Расскажу подробнее, как мы это сделали.

Проблема: ручной контроль качества перестал справляться с ростом продаж

У нас были скрипты для разных сценариев общения: прием заказа, работа с жалобами, допродажа, информирование об акциях. Они были нужны, чтобы менеджеры одинаково отвечали на типовые вопросы, корректно отрабатывали возражения и не нарушали корпоративную этику.

Пока звонков было мало, ручной контроль работал приемлемо. Отдел контроля качества, ОКК, прослушивал разговоры трех отделов продаж и отдела сопровождения клиентов, выставлял оценки, передавал обратную связь руководителям и менеджерам.

Но со временем система перестала справляться. Мы покрывали только 30—50% звонков. Остальные звонки контролировать не могли. Менеджер мог регулярно нарушать скрипт, не предлагать сопутствующие товары или неправильно консультировать клиентов — а мы замечали это только через месяц, два или три. Обратная связь приходила слишком поздно. На разбор звонка уходила неделя. За это время клиент, которому неправильно подобрали товар или не предложили индивидуальные условия, уже мог уйти к конкуренту.

Отдел контроля качества нужно было постоянно расширять. Продажи росли — звонков становилось больше. Чтобы сохранить даже прежний уровень контроля, нам пришлось бы увеличить ОКК в два раза. Нам не хватало аналитики. При покрытии 50% звонков видели не все возражения и проблемы клиентов и точно не знали, как часто они возникают.

В итоге ручной контроль стал узким местом. Он помогал находить ошибки, но слишком поздно и не во всех звонках. Нам нужна была система, которая проверяет разговоры сразу, одинаково оценивает всех менеджеров и дает руководителям понятную аналитику.

Новости

Что сделали: отказались от подрядчиков и собрали свою ИИ‑систему

Сначала мы изучили готовые решения на рынке. Часть из них подходила нам по базовой логике: подрядчик забирает записи разговоров, расшифровывает их, прогоняет через ИИ и выдает оценку. Но было три критичных проблемы:

Качество обучения. Мы не верили, что подрядчик сможет обучить ИИ классифицировать именно наши сценарии, а это самый важный параметр.
Зависимость от подрядчика. Наши скрипты и чек‑листы постоянно меняются: появляются новые продукты, процессы. Если для каждого изменения нужно идти к подрядчику и ждать доработки модели — будет долго.
Цена. Самое доступное решение стоило 100 000 ₽ в месяц. Но его эффективность по результатам теста была 60—70%. Более сложные и точные решения стоили дороже.

Поэтому мы решили делать систему внутри компании. У нас уже была небольшая команда разработчиков, которая взяла эту задачу. Для внедрения выбрали языковую модель Haiku от Anthropic, которая входит в семейство Claude. У ИИ активное англоязычное сообщество, в котором можно найти способы решения разных проблем и похожие кейсы внедрения.

За четыре месяца мы собрали систему из нескольких ИИ‑агентов, каждый для отдельной задачи. Они работают последовательно, как конвейер: один агент получает результат предыдущего, обрабатывает его и передает следующему.

Как работает наша платформа контроля качества

Система оценивает звонок в четыре этапа.

Транскрибирует звонок. Первый ИИ‑агент переводит аудиозапись разговора в текст и разделяет реплики по ролям: клиент и менеджер.

Классифицирует сценарий. Второй агент анализирует разговор и определяет, по какому сценарию идет общение: прием заказа, работа с рекламацией, допродажа или информирование.

Это самый важный этап, от точности зависит вся последующая оценка. Если ИИ неверно классифицирует разговор, следующий агент применит к нему неправильные критерии. Обучение этого агента оказалось самым сложным, описать критерии, по которым нейросеть сделает точную классификацию, было непросто. Нет каких‑то слов или фраз, по которым можно однозначно отличить первичную продажу и допродажу. Обучали ИИ на нашей базе записанных звонков.

Оценивает по чек‑листу. Третий агент проверяет разговор по чек‑листу конкретного сценария. Он фиксирует, поздоровался ли менеджер, как представился, уточнил ли потребность клиента, отработал ли отказ и возражения, сообщил ли об акции, поблагодарил ли в конце разговора. Каждый пункт чек‑листа оценивается, на выходе получаем итоговый балл работы менеджера.

Анализирует и дает рекомендации. Последний агент генерирует текстовую обратную связь для менеджера: что сделано хорошо, где есть зоны роста, что конкретно стоит улучшить. Например, клиент сказал, что продукт дорогой, а менеджер не предложил товар из бюджетной линейки.

Результат работы всех агентов через минуту появляется в карточке звонка: текстовая расшифровка, сценарий, баллы по критериям, итоговая оценка и персональные рекомендации. CRM‑система объединяет данные, можно смотреть статистику по конкретному сотруднику, отделу или всей компании, чтобы видеть проблемы и зоны роста.

Руководитель отдела продаж в реальном времени видит проблемные звонки с низкой оценкой или критическими замечаниями. В конце дня формируется отчет по общей эффективности отдела. Если есть проблемы, их видно сразу, а не через несколько дней или недель.

ИИ не только сэкономил деньги, но и дал инструмент для управления качеством

Внедряли ИИ четыре месяца. Потратили на это примерно 1 млн рублей — доплата разработчикам за часы, потраченные на задачу. Нейросеть развернули на своем сервере, платить за него ежемесячно не нужно.

После внедрения улучшились такие метрики:

покрытие звонков выросло до 100% — теперь каждый разговор проходит через систему оценки. У нас больше нет слепых зон;
скорость обратной связи изменилась — раньше между звонком и разбором проходило до пяти дней. Теперь менеджер видит оценку и рекомендации сразу после того, как положил трубку, а руководитель получает сигнал сразу после проблемного звонка или в конце дня, если план не выполнен;
фонд оплаты труда отдела контроля качества снизился на 300 000 ₽ в месяц. Асессоры в штате больше не нужны, а руководитель ОКК стал проджект‑менеджером: он внедрил ИИ, а сейчас дорабатывает и развивает решение.

Затраты на внедрение ИИ окупились за три месяца. Но для нас важнее то, что мы получили доступ к качественным метрикам, которые раньше были недоступны.

Прозрачность проведения акций. Например, мы запускаем акцию на новую линейку товаров и через неделю хотим понять, как команда ее продвигает. Раньше это было нерешаемой задачей, приходилось слушать сотни звонков и считать упоминания. Теперь ИИ делает это за минуту.

Оказалось, что менеджеры почти не говорили об акции: упоминали в 12% звонков вместо ожидаемых 60% из‑за халатности. Мы скорректировали скрипт, провели точечное обучение, и через неделю показатель вырос до 58%. Без полного покрытия звонков мы бы этого не увидели.

Контроль активности отдельных сотрудников. Платформа подсветила менеджеров, которые сильно не дотягивали до нормы, в тот же день, когда это случилось. В ручном режиме такое могли заметить только через месяц.

Big Data по возражениям и рекламациям. Мы накапливаем статистику по всем типовым возражениям клиентов. Можем видеть не отдельные случаи, а статистически значимые паттерны. Например, выяснилось, что в Сибири клиенты чаще всего возражают из‑за сроков доставки, а в центральных регионах — из‑за цены. Это позволило скорректировать региональные скрипты и обучить команду точечно под специфику своих территорий. Например, предлагать несколько вариантов доставки, которые дороже, но быстрее или готовить несколько предложений клиентам с более доступными товарами‑аналогами.

Дашборды и рейтинги в реальном времени. Руководители отделов видят динамику по своим командам онлайн: средний балл за день, за неделю или месяц. Можно увидеть проблемы каждого сотрудника — и отправить их на целевое обучение именно по этому блоку.