— Анна, как развивались российские системы речевой аналитики в 2025 году? На какие технические и технологические вызовы отвечали их разработчики? 

— С конца 2024 года и на протяжении 2025-го в области речевой аналитики произошел рывок: от базового распознавания речи и полнотекстового поиска, усиленного ML-моделями, — к пониманию системами смысла и общего контекста диалога. 

Все разработчики искали, во-первых, оптимальный способ сочетания традиционных, доказавших свою эффективность методов (лексических словарей, тегов и ML-моделей) с генеративными нейросетями и большими языковыми моделями (LLM). Для нас такой поиск стал вызовом. Во-вторых, остро стоял вопрос безопасности приватных данных — клиенты спрашивали, как повлияет на сохранность чувствительной информации подключение нейросетей к анализу диалогов.

— Как компания BSS, давно развивающая направление речевой аналитики, ответила на эти вызовы?

— Начну с того, что мы дополнили нашу систему полнофункциональным AI-модулем на базе LLM с двумя режимами работы: AI-сканер и AI-исследователь. Первый режим позволяет с помощью запросов к LLM извлечь максимум информации из каждого диалога, начиная с оценки уровня удовлетворенности клиента и заканчивая формированием персональных рекомендаций операторам или контролерам качества. Вся полученная от LLM информация записывается в каждый диалог как некий признак (число, текстовый фрагмент, короткая рубрикация, бинарный ответ или резюме диалога). Основываясь на этом признаке, мы впоследствии можем строить отчеты, наблюдать динамику (например, эмоционального состояния клиентов в течение дня) или понимать, насколько операторы, использующие свои лучшие практики, успешнее в продажах, чем те, кто опирается исключительно на стандартные скрипты. 

Для обеспечения безопасности приватных данных мы разработали деперсонализатор чувствительных данных — решение, которое гибко настраивается и шифрует всю информацию, заданную пользователем. Оно особенно полезно при использовании внешних больших языковых моделей: YandexGPT, GigaChat и пр.

Второй режим анализирует выборку диалогов, составленную по запросу пользователей. В качестве фильтров в таких запросах могут выступать все мощности системы: и поиск по лексическим словарям, и количественно-временные параметры, и данные от ML-моделей, и данные AI-сканера. В ответ на запрос режим AI-исследователь делает общие выводы, в которых показывает скрытые от аналитика инсайты. А поскольку мы никак не ограничиваем пользователя форматом промптов, у него появляется возможность экспериментировать и регулировать точность, объективность и предиктивность ответа АI-модуля.

Так, мы начинаем говорить о предиктивной аналитике — способности модели на основе анализа выборки диалогов прогнозировать важные изменения таких показателей, как уровень удовлетворенности клиентов или среднее время обслуживания. 

А для обеспечения безопасности приватных данных мы разработали деперсонализатор чувствительных данных — решение, которое гибко настраивается и шифрует всю информацию, заданную пользователем. Оно особенно полезно при использовании внешних больших языковых моделей: YandexGPT, GigaChat и пр. 

— Насколько системы речевой аналитики на основе генеративых нейросетей продвинулись в распознавании эмоций участников диалога?

— Споры о том, как распознавать эмоции, ведутся давно. До появления LLM я была уверена, что наилучший результат дает старый добрый лексический анализ, особенно если мы говорим о голосовом канале. Он позволяет с высокой точностью выявлять негатив клиентов или фразы-конфликтогены в речи операторов. Однако большие языковые модели открывают еще больше возможностей. Приведу пример. Недавно мы с помощью LLM анализировали эмоции клиентов в агрессивных диалогах одного из наших заказчиков. И в ряде записей увидели закономерность: большая языковая модель лучше различает контекст, поэтому точнее определяет негативную коннотацию в диалогах. К примеру, фразу «система будет на это ругаться» лексический запрос отнес к негативу, а LLM — нет, и это было верно, так как клиент не возмущался в этих диалогах, а лишь уточнял, как ему лучше взаимодействовать с системой, чтобы его запрос точно прошел.

Анна Ивлева (BSS). Фото: BSS

— Помогают ли системы речевой аналитики с LLM сегодня предсказывать поведение клиента, опираясь на содержание его диалогов? 

— Наш агент-исследователь уже позволяет прогнозировать действия клиента. На основании анализа выборки диалогов модель может сформулировать инсайты или закономерности. А на следующем этапе развития систем этого класса генеративная нейросеть будет анализировать не только текстовые расшифровки диалогов, но и информацию из внешних источников, к примеру систем WFM и CRM. В этом случае ее прогнозы клиентского пути будут более точными. 

— Какие сценарии речевой аналитики востребованы сегодня финансовым сектором?

— Финансовый сектор делает ставку на речевую аналитику нового поколения. В фокусе — отслеживание драйверов повторных обращения для создания бесшовного клиентского опыта, когда вопрос решается сразу же. Мы видим запрос на AI-решения, которые 1) анализируют полную историю взаимодействий, чтобы точно определять, что провоцирует повторные контакты по одним и тем же вопросам; 2) автоматически обнаруживают скрытые проблемы клиентов или внезапные, стихийно возникшие новые тематики, не улавливаемые стандартными классификаторами; 3) обеспечивают стопроцентный анализ обратной связи, превращая массив жалоб в конкретный план по снижению рисков и улучшению сервиса. 

— Можете поделиться с нашими читателями результатами внедрений системы речевой аналитики с ИИ в банках?

— Как показывает наш опыт, в среднем в течение первых месяцев после внедрения рост удовлетворенности клиентов качеством обслуживания (метрики CSA, NPS и т.д.) составляет 10–15%. В пилотных и полноценных проектах мы также наблюдали увеличение конверсии на 22%. Оказалось, что анализ диалогов клиентов с применением LLM способствует снижению операционных затрат как минимум на 19%. Кроме того, заметно ускоряются решение вопросов клиентов и выявление причин их повторных обращений. А наши замеры на проектах внедрения речевой аналитики с AI-модулем говорят о сокращении временных затрат на выявление инсайтов с 5–14 дней при традиционном анализе до трех дней, а в некоторых случаях — до нескольких часов.

— Какие подходы к оценке эффективности систем речевой аналитики с ИИ вы используете?

— У нас максимально прикладной подход, он позволяет банку видеть реальные результаты. При внедрении системы речевой аналитики совместно с заказчиком мы выделяем ключевые показатели, которые ему важно улучшить, и цели, которых нужно достичь. Например, повысить долю обращений, решенных в ходе первого контакта, улучшить показатель CSAT или выявить причины затянутых диалогов. Мы фиксируем эти параметры до старта внедрения системы речевой аналитики с AI-модулем, после чего система внедряется, а наши аналитики-эксперты дают заказчику рекомендации.

У нас максимально прикладной подход, он позволяет банку видеть реальные результаты. При внедрении системы речевой аналитики совместно с заказчиком мы выделяем ключевые показатели, которые ему важно улучшить, и цели, которых нужно достичь

Они могут порекомендовать провести дообучение операторов, модернизировать скрипты, внедрить новые алгоритмы обслуживания и т.д. После внесения заказчиком этих изменений в процессы производится повторный замер показателей. Разница между «до» и «после» и есть эффект от внедрения системы. 

Другой способ, который мы используем, — AB-тестирование. В этом случае заказчик внедряет наши рекомендации не на весь контакт-центр, а на какую-то пилотную группу и потом измеряет, поменялось ли что-то после внедрения наших рекомендаций на этой группе испытуемых по сравнению с группой В, работавшей как обычно.

— В каком направлении будут развиваться все системы речевой аналитики с ИИ и решения компании BSS этого класса в будущем?

— Будущее — за интеллектуальными агентами-исследователями на базе больших языковых моделей, которые могут самостоятельно находить различные закономерности в массивах диалогов, проверять гипотезы, отправлять отчеты заинтересованным лицам по итогам этой проверки, предлагать решения и бизнес-метрики для подсчета экономического эффекта. Речевая аналитика становится полноценным AI-помощником в управлении клиентским опытом и прогнозировании поведения клиентов. 

В свою очередь, наша компания продолжает развивать модульную AI-платформу, разрабатывать и тестировать новые корпоративные сценарии совместно с заказчиками, готовыми к экспериментам для проработки ряда гипотез. Мы получили интересную обратную связь от клиентов, протестировавших наши АI-инструменты. В целом, она совпадает с нашим видением перспектив. Так что мы продолжим двигаться в этом направлении, опираясь на пожелания наших клиентов, разрабатывать решение, в которое они не смогут не влюбиться, — дружелюбное и удобное в работе.