ㅤ

Генеративный ИИ в анализе коммуникаций: мода или необходимость?

Генеративный искусственный интеллект сегодня у всех на слуху. Но насколько он полезен в реальных бизнес-задачах, особенно в анализе коммуникаций? В 3iTech мы уже более 19 лет помогаем компаниям повышать эффективность с помощью речевой аналитики, и активно внедряем решения на основе собственной большой языковой модели 3iLLM. В этой статье директор по развитию 3iTech Дмитрий Макаренко рассказывает, как генеративный ИИ работает на практике, какие задачи решает и где его применение оправдано.

Как работает генеративный ИИ в анализе коммуникаций?

Платформа омниканальной речевой аналитики 3i TouchPoint Analytics анализирует звонки, чаты, видеовстречи и даже очные коммуникации. Помимо базового функционала аналитики в неё встроен модуль на основе LLM, но мы не используем модели «как есть». Вместо этого мы создаём персонализированных LLM-ассистентов, дополненных новыми знаниями, модулями обработки данных, тюнингом. Результат работы таких ассистентов проходит определенную трансформацию, нормализацию, прежде чем попадает уже непосредственно в речевую аналитику, что существенно улучшает качество выходных данных.
Это позволяет решать такие задачи, как:

  • Маркирование диалогов — автоматическая оценка по критериям «да/нет».
  • Тематизация — выявление причин обращений клиентов.
  • Саммаризация — краткое содержание диалога с возможностью задать структуру ответа.
  • Рекомендации сотрудникам — анализ лучших практик на основе реальных диалогов.

Как работают LLM, ML и Rule-based в анализе коммуникаций?

В анализе коммуникаций используются три основных подхода: Rule-based (на основе правил), ML (машинное обучение) и LLM (большие языковые модели). Каждый из них решает задачи по-своему, и у каждого есть свои сильные и слабые стороны.
Rule-based — это классический метод, где анализ строится на заранее заданных правилах. Например, если в диалоге встречается слово «жалоба», система помечает его как негативный кейс. Такой подход прозрачен и легко настраивается, но он жестко ограничен заложенными правилами. Если клиент выражает недовольство без явных ключевых слов (например, иронично или намёками), Rule-based система может пропустить важный сигнал.
Машинное обучение (ML) — более гибкий метод. Здесь алгоритм обучается на исторических данных и сам выявляет закономерности, например, связывает определённые фразы с негативными отзывами. ML хорошо справляется с неочевидными паттернами, но требует большого количества размеченных данных для обучения. Кроме того, его решения не всегда интерпретируемы — бывает сложно понять, почему модель отнесла диалог к той или иной категории.
Большие языковые модели (LLM) — это новый уровень анализа. Они понимают контекст, улавливают смысл и даже могут формулировать выводы в свободной форме. Например, LLM способна не просто найти жалобу, но и объяснить, в чём именно проблема клиента. Однако у таких моделей есть свои недостатки: они работают как «чёрный ящик», их сложно верифицировать, а для точных задач (например, подсчёта конкретных слов) они менее эффективны, чем Rule-based.
Идеальный подход — комбинировать эти методы. Rule-based незаменим для чётких формализованных задач, ML — для анализа сложных паттернов, а LLM — для глубокого понимания контекста и генерации осмысленных выводов. В речевой аналитике 3i TouchPoint Analytics мы используем все три подхода, выбирая оптимальный для каждой конкретной задачи.

Практические кейсы: как генеративный ИИ вскрывает то, что скрыто в диалогах

Генеративный ИИ в речевой аналитике — это рентген для бизнес-процессов, который показывает не только очевидные проблемы, но и те, о которых бизнес даже не догадывался. Вот как это работает в реальных кейсах наших клиентов.

40 причин отказа вместо 20

Когда девелоперская компания проанализировала диалоги с помощью ИИ, оказалось, что существует 40 реальных причин отказа от записи на встречу (вместо 20 предполагаемых). Кроме того, причина «нет времени» оказалась лишь верхушкой айсберга. Среди популярных причин отказа были, например, такие как «нужно обсудить с супругом/супругой», «рассматриваю покупку, но не сейчас».
В результате девелопер пересмотрел скрипты менеджеров и провел тренинги по работе с возражениями.

Предлагают ли менеджеры демо

Стартап, продающий сложный софт, был уверен: проблема низкой конверсии — в слабой подготовке менеджеров. ИИ-анализ показал, что в 60% звонков менеджеры вообще не предлагали демо-встречу, потому что боялись технических вопросов и плохо знали преимущества продукта.
Теперь речевая аналитика с LLM генерирует персональные подсказки для менеджеров по продажам прямо во время звонка.

50 новых тем жалоб, о которых банк не знал

Традиционная речевая аналитика уже выявила 20 стандартных тем обращений с жалобами в банк, а LLM-функционал обнаружил 50 скрытых проблем клиентов (например, проблемы с зачислением бонусов в личный кабинет или зависание банковского приложения в момент сканирования QR-кода). Кроме того, ИИ-ассистент выявил дополнительные 20% «тихих» клиентов, недовольство которых выражалось только паузами и интонациями.

Лучшие практики, о которых не знают топ-менеджеры

ИИ не только находит проблемы, но и выявляет идеальные сценарии. Например, для записи на демо-встречу успешные менеджеры предлагали клиенту несколько вариантов времени, объясняли этапы демо и делали акцент на боли клиента («это сэкономит 10 часов вашего специалиста в месяц» и т. п.). Впоследствии эти паттерны стали основой для обучающих корпоративных программ.
Эти кейсы — лишь начало. Генеративный ИИ не просто «ищет проблемы», а предоставляет реальные аналитические данные для принятия стратегических решений. Но важно помнить: он не заменяет людей, а усиливает их. Мы в 3iTech уверены, что самые ценные инсайты рождаются на стыке искусственного интеллекта и человеческой экспертизы.

Поможем внедрить ваш персональный AI

Проведем бесплатную консультацию на ваших реальных задачах с учетом специфики отрасли.
Напишите нам или позвоните!
+7 (495) 645-44-70
Info@3itech.ru
2025-07-28 15:00 Статьи