Выделите текст, чтобы комментировать.
Компании подключают ИИ к записям звонков и переписок, чтобы ловить нарушения скрипта и снижать риски. Вот только система, настроенная искать виноватых, обычно упускает единственное, ради чего ее ставили, — почему нарушения повторяются.
«Поставили ИИ слушать все звонки, теперь видим каждое нарушение в моменте, а не постфактум по жалобе клиента».
Так обычно звучит защита проекта на внутренней презентации. Логика понятная: раньше руководитель отдела продаж слушал выборочно десяток звонков в неделю на всю команду, остальное проходило мимо. Теперь модель размечает 100% записей — обязательные фразы, запрещенные формулировки, паузы, перебивания, упоминания конкурентов, обещания, которые менеджер не имеет права давать.
Через месяц после запуска отчеты о нарушениях действительно растут, потому что раньше их никто не считал. РОП начинает вызывать на ковер тех, у кого чаще всего горит красным. Менеджеры узнают, что каждое слово фиксируется, и меняют манеру речи, то есть учатся проговаривать обязательные фразы для галочки и обходить формулировки, которые ловит модель. Хорошие продавцы начинают тратить внимание не на клиента, а на то, как бы не спровоцировать систему.
Нарушения не исчезают, а учатся не попадать в отчет
Иногда через полгода такого режима текучка в отделе продаж заметно растет, а количество реальных жалоб клиентов не падает. Одна и та же технология в одной компании становится инструментом развития процесса, а в другой — поводом для увольнений, и разница не в том, что именно видит модель.
Не что видит модель, а куда идет то, что она нашла
Технология, которая слушает звонок и находит в нем нарушение регламента, устроена одинаково как в компании, где по итогам меняют скрипт, так и там, где по итогам увольняют менеджера. Модель нейтральна к тому, для чего ее используют — это решает не она, а то, куда направлен вывод.
Если отчет идет напрямую руководителю в формате «кто нарушил, сколько раз», система превращается в инструмент персональной ответственности. Если отчет сначала попадает к тому, кто отвечает за скрипт, продукт или обучение, и звучит как «какая формулировка регулярно ломается и почему» — та же самая разметка становится диагностикой процесса.
Компании, которые внедряют ИИ-контроль ради «прозрачности», редко формулируют этот выбор явно. Технология выбирается и настраивается быстро, а вопрос «что мы будем делать с найденным» откладывается на потом. К моменту, когда первые отчеты готовы, ответ на этот вопрос уже дала оргструктура: если единственный получатель данных — линейный руководитель с KPI по дисциплине, система обречена быть про слежку, кто бы ее ни продавал как «умную аналитику».
ИИ чаще находит разрыв в процессе, чем виноватого человека
Плохо: считать, что если менеджер сорвался в двадцати звонках подряд на одной и той же фразе — проблема в менеджере.
Лучше: посмотреть, сколько других менеджеров ломаются в этом же месте разговора.
Если нарушение или потеря клиента концентрируется в одной точке скрипта у большинства сотрудников независимо от их опыта — это не про дисциплину конкретного человека, а про формулировку, которую невозможно произнести естественно, или про этап, для которого у менеджера нет ни повода, ни контекста.
По нашим наблюдениям за несколькими похожими проектами контроля качества — выборка небольшая, обобщать шире не стоит — из сотни зафиксированных за квартал нарушений в среднем 60–70 повторялись в одной и той же точке скрипта у разных менеджеров, и только 10–15 оставались по-настоящему точечными, привязанными к конкретному человеку. В одном отделе продаж, например, ИИ регулярно ловил «менеджер не назвал полное юридическое наименование компании» у восьми сотрудников из десяти, и всегда на одном и том же шаге: сразу после холодного приветствия, еще до того, как клиент понимал, зачем ему вообще это слушать. Проблему закрыли тем, что перенесли этот шаг дальше в разговор, туда, где клиент уже был готов слушать.
Хорошо настроенный контроль соблюдения продаж должен уметь считать не только «сколько раз Иванов нарушил», но и «в какой момент разговора нарушают почти все». Первая метрика годится для отчета об увольнении. Вторая — единственная, которая реально снижает число нарушений в следующем квартале, потому что чинит причину, а не следствие.
Мы в aiWarmUp видим похожий паттерн с другого конца воронки: если менеджеру нечего сказать в первые секунды звонка: ни повода, ни контекста о компании, ни понимания, зачем он звонит именно сейчас, — разговор чаще срывается в то самое место, которое потом ловит ИИ-контроль. Мы этим не занимаемся, но сценарий узнаем с полуслова: формально это нарушение регламента конкретным менеджером, по сути — проблема с подготовкой, которая случилась раньше, чем он снял трубку.
Разница на бумаге выглядит как одна строчка в техническом задании — «агрегировать по этапу скрипта, а не только по сотруднику». На практике это разница между системой, которую отдел продаж саботирует, и системой, которую отдел продаж использует, чтобы самому вытащить проблему наружу.
Прозрачность правил решает больше, чем точность модели
Менеджеры почти всегда узнают, что их слушает ИИ, даже если формально их не уведомляли. Меняется темп речи, появляются оговорки, растет число созвонов, где камера или запись «случайно не сработали». Это рациональная реакция на непрозрачные правила игры, а не саботаж.
Компании, где контроль соблюдения работает без роста тревожности в команде, обычно совпадают в одном: сотрудникам заранее и прямо объясняют, что именно фиксирует система, какие формулировки под контролем и зачем, а какие — не их зона ответственности и модель их не оценивает. Список того, что не мониторится, работает на доверие не хуже списка того, что мониторится.
Там, где правила объявлены только пост-фактум, через первые взыскания, эффект обратный: люди быстро выясняют, каких слов не должно быть в записи, и просто убирают слова, оставляя суть разговора прежней. Формально нарушений становится меньше. По факту риск, ради которого систему ставили, никуда не делся — он просто перестал быть виден модели.
Похожая механика работает и в холодных продажах, которыми мы занимаемся в aiWarmUp: как только человек на другом конце понимает, что с ним говорит скрипт без объяснения правил игры, доверие к каналу падает быстрее, чем к самому факту автоматизации.
Финал: одна и та же запись либо улика, либо диагноз
Компания, которая ставит ИИ слушать звонки ради поимки виноватых, получает именно это — список виноватых, растущую текучку и разговоры, из которых постепенно вымываются живые формулировки.
Компания, которая направляет ту же разметку в процесс — в скрипт, в обучение, в подготовку к звонку, — получает то, ради чего систему стоило ставить с самого начала: меньше нарушений, потому что стало меньше поводов их совершать.
Ставя ИИ слушать разговоры с клиентами, компания на самом деле решает не «следить или помогать», она решает, кому в организации доверяет разбираться в причинах.
