Нейросеть для отдела продаж: скрипты, письма и разбор звонков по тексту

Нейросеть для отдела продаж не заменяет менеджера на переговорах, зато снимает с него текстовую рутину: черновики писем, разбор звонков, заполнение карточек в CRM, правку скриптов. Это четыре задачи, у которых есть понятный вход (текст) и понятный выход (текст или таблица), поэтому их легко автоматизировать и проверять. Ниже по порядку: как поставить каждую, пример кода для разбора звонков и расчёт стоимости на команду из десяти менеджеров.

Задача 1. Скрипты и возражения

Скрипт продаж — это текст с развилками. Модель помогает в трёх местах:

• Черновик скрипта под продукт. Вы даёте описание продукта, портрет клиента и цель звонка, получаете структуру: приветствие, вопросы, презентация, закрытие.
• Ответы на возражения. Список ваших реальных возражений («дорого», «нам не нужно», «уже работаем с другим») превращается в варианты ответов в вашем тоне.
• Тренировка. Модель играет клиента с заданным характером, менеджер отрабатывает диалог в чате.

Важное ограничение: давайте модели только факты, которые вы готовы подтвердить. Цены, сроки и условия в скрипт вставляйте из проверенных источников, а не просите «придумать выгоды». Выдуманная гарантия в скрипте превращается в претензию клиента.

Задача 2. Follow-up письма

После встречи или звонка менеджеру нужно письмо, которое повторяет договорённости и предлагает следующий шаг. Это почти шаблонная работа, и модель делает её быстро, если дать ей три вещи: конспект разговора, тон (формальный или нет) и обязательные пункты.

Напиши follow-up письмо клиенту после звонка.
Тон: деловой, без канцелярита, до 120 слов.
Обязательно: поблагодарить за время, повторить две договорённости, предложить созвон в четверг или пятницу.
Не обещай скидок и сроков, которых нет в конспекте.
Конспект: ...

Строка «не обещай того, чего нет в конспекте» страхует от самой неприятной ошибки. Менеджер читает черновик, правит и отправляет сам: автоматическую отправку писем клиентам от лица компании без проверки включать не стоит.

Задача 3. Разбор звонков по расшифровке

Языковые модели работают с текстом, поэтому сначала нужна расшифровка разговора. Её даёт ваша телефония или отдельный сервис распознавания речи, а модель анализирует готовый текст. Что можно получить из одной расшифровки:

• краткое резюме разговора на 3–5 строк;
• выявленные потребности и возражения клиента;
• договорённости и дата следующего шага;
• соблюдение скрипта: поздоровался ли менеджер, задал ли ключевые вопросы;
• черновик записи для CRM.

Пример на Python с официальным SDK openai. Адрес — https://api.zukko.pro/v1, параметры описаны в документации по chat completions↗:

import json
from openai import OpenAI

client = OpenAI(base_url="https://api.zukko.pro/v1", api_key="fetch_ваш_ключ")

SYSTEM = """Ты аналитик отдела продаж. Тебе дают расшифровку звонка.
Верни только JSON с полями:
summary (строка, до 300 символов),
needs (список строк),
objections (список строк),
agreements (список строк),
next_step ({"what": строка, "when": строка или null}),
script_followed (объект с булевыми полями greeting, needs_questions, closing),
confidence ("high" | "medium" | "low").

Правило «если нет в тексте, ставь null» нужно, чтобы модель не домысливала договорённости. Проверку ответа на валидность JSON и повтор при сбое сделайте в коде; приёмы собраны в статье про строго структурированный JSON↗.

Задача 4. Подсказки по CRM

Из результата разбора звонка можно собрать запись для CRM: тема, этап воронки (если у вас есть правила перехода между этапами), задача на следующий шаг. Практичная схема: модель предлагает, менеджер подтверждает одним кликом, и только после этого запись уходит в систему. Автоматически создавать сделки и менять этапы по тексту модели без человека рискованно. Про связку с конкретной CRM читайте в статье про интеграцию с amoCRM↗.

Персональные данные

В расшифровках есть имена, телефоны и иногда реквизиты. Перед отправкой текста во внешний сервис проверьте требования законодательства о персональных данных и политику компании. Практичный минимум: маскировать телефоны и номера документов до отправки, не писать расшифровки целиком в журналы приложения, хранить ключ вне репозитория. Приёмы описаны в статье про логирование без утечки персональных данных↗.

Сколько стоит на месяц

Расчёт на 18 октября 2026. Допущения для примера: 10 менеджеров, по 15 звонков в день, 22 рабочих дня: 3 300 расшифровок в месяц. Каждая расшифровка 6 000 токенов плюс промпт 800, итого 6 800 токенов входа и 500 выхода. Дополнительно 2 200 follow-up писем в месяц: 1 500 токенов входа и 300 выхода. Реальные цифры смотрите в usage: русский текст часто занимает больше токенов, чем кажется.

Формула: число запросов × (вход × цена входа + выход × цена выхода).

На десять менеджеров это от десятков центов до пятнадцати долларов в месяц за токены. Для сравнения: час работы менеджера, потраченный на ручной разбор звонков, стоит заметно дороже. Но главное не цена, а проверка. Возьмите 30–50 звонков, которые вы уже разобрали вручную, прогоните две-три модели и сравните выводы. Какая модель лучше поймёт ваш продукт и ваших клиентов, заранее не скажет никто. Актуальные цены и список моделей: GET https://api.zukko.pro/v1/models.

Чтобы ошибка в скрипте не стоила дорого, заведите отдельный ключ для отдела продаж в кабинете↗ с дневным и месячным лимитом в долларах. Пополнение доступно по СБП, картой MasterCard или криптой.

Частые вопросы

Может ли нейросеть сама слушать звонки?

Модели в нашем каталоге работают с текстом (часть принимает и картинки). Звук нужно сначала превратить в текст в телефонии или отдельном сервисе распознавания, а затем отдать расшифровку модели.

Можно ли автоматически отправлять письма клиентам?

Технически можно, но разумнее оставить менеджеру проверку черновика. Модель может исказить договорённость или добавить лишнее обещание, а письмо уйдёт от имени компании.

Какая модель подойдёт для анализа звонков?

Начните с недорогой и проверьте на 30–50 звонках, которые уже разобраны вручную. Если пропускает нюансы, попробуйте модель сильнее и сравните результат и стоимость.

Как оценить качество разбора?

Сравните выводы модели с ручным разбором по тем же звонкам: совпадают ли резюме, возражения и следующий шаг. Отдельно проверьте, не придумывает ли модель то, чего не было в разговоре.