ИИ для бизнеса: как внедрить речевую аналитику в колл-центре и распределить задачи между машиной и людьми.

Коллеги, вы, как и сотни других компаний, думаете о внедрении ИИ в свои бизнес-процессы, в том числе для оценки качества звонков. Этот материал поможет взглянуть на задачу по-новому.

Не пытаясь охватить необъятное, мы намеренно взяли одно конкретное направление и одну конкретную компанию с её вводными данными, "средними" показателями по отрасли и нашими видением ситуации. Компания из финансового сектора, с большим колл-центром. Это показательный кейс, потому что здесь сошлись самые болезненные условия: высокие репутационные риски, строгое законодательство, тысячи звонков в день и физическая невозможность прослушать такой объём вручную.

1. Исходные данные.

1. Контакт-центр обрабатывает порядка 140 000 звонков в месяц.
2. Служба контроля качества при ручном прослушивании физически покрывает до 5% звонков. Это не локальная особенность: мировая норма ручного контроля качества — 1–5% объёма [1][2]; федеральное российское агентство взыскания в опубликованном кейсе называет ту же цифру — до 5% до внедрения речевой аналитики [3].
3. Речевая аналитика транскрибирует и оценивает 100% загруженных в неё звонков по чек-листу из 17 параметров, формирует рейтинги операторов и сводную отчётность.

Из этих фактов следует закономерный управленческий вопрос: если машина оценивает каждый звонок — зачем служба контроля качества?
Вопрос правильный, и отвечать на него следует не эмоциями, а инвентаризацией.

Ниже перечислены все функции контроля качества контакт-центра взыскания, и по каждой указано: что выполняет машина, что — человек, и почему именно так. Часть привычной работы машина действительно забирает — это признаётся прямо (раздел 7). Часть работы машина не может выполнять по своей природе (раздел 3), а часть — не имеет права выполнять по закону (раздел 4).

2. Что машина делает лучше человека

Машина превосходит человека там, где решают объём и однообразие:
• Охват. 100% загруженного объёма против 5% у ручного контроля. При ручном контроле 95 из каждых 100 звонков не слышит никто. Любые «тихие» проблемы — систематическая ошибка в скрипте, выгорание оператора, потерянные обещания оплаты — месяцами живут именно в этих 95%.
• Консистентность. Один чек-лист, применённый одинаково к каждому звонку, без усталости, настроения и личных симпатий. Человеческие оценщики объективно расходятся между собой: индустриальный норматив согласованности оценок между людьми — лишь 80–85% [4].
• Скорость агрегации. Оценка каждого оператора по каждому параметру, динамика месяц к месяцу, сводный отчёт — за часы, а не за недели.

Вывод из этого раздела неудобный, но необходимый: выборочное прослушивание случайных звонков как основная функция человека устарело. Держать квалифицированных специалистов на задаче «слушать всё подряд в надежде поймать проблему» после внедрения аналитики нерационально — эту работу забрала машина.

3. Чего машина не может — по своей природе

3.1. Машина ошибается в распознавании — и не знает об этом. На телефонном аудио (сжатие, шумы, перебивания) доля ошибок распознавания речи — порядка 18% слов против ~11% на чистых записях [5]. Хуже того: рецензируемое исследование 2024 года зафиксировало, что около 1% машинных транскрипций содержит целиком выдуманные фразы, которых в аудио нет, и 38% таких «галлюцинаций» приписывают говорящему вредоносное содержание — угрозы, грубость [6]. Отдельно документирована склонность языковых моделей приписывать разговору несказанное при анализе транскриптов колл-центров [7].

Практическое следствие: оценка машины — это сигнал для проверки, а не вердикт. Флаг «оператор допустил запрещённую формулировку» обязан проверить человек прослушиванием оригинала записи. Иначе организация рискует наказать невиновного — или пропустить виновного.

3.2. Машина не создаёт методику — она её исполняет. Чек-лист из 17 параметров — это оцифрованный профессиональный опыт службы качества: что считать корректным выставлением требования, какая рассрочка допустима, где заканчивается настойчивость и начинается давление. Машина применяет эти правила, но не порождает их. Изменился регламент, появилась новая услуга, изменилась практика — методику правит человек, машина применяет её со следующего цикла. У методики должен быть владелец, и это не алгоритм.

3.3. Машина не меняет поведение людей. Отчёт сам по себе не учит. Между «оценка 62 из 100» и «оператор стал работать лучше» лежит человеческая работа: разбор конкретных звонков с оператором, тренировка формулировок, контроль прогресса. Аналитика делает эту работу адресной — известно, кого, чему и на каких примерах учить, — но не выполняет её.

3.4. Машина не контролирует саму себя. Ложные срабатывания, пропуски, искажения при распознавании чисел и сумм, изменение точности при обновлении моделей — всё это выявляется только регулярной человеческой сверкой выборки машинных оценок с оригиналами записей (калибровкой). Это новая функция, которой до внедрения ИИ не существовало, и выполнять её, кроме службы качества, некому.

4. Чего машина не имеет права — по закону

Этот раздел описывает обязанности компании, которые существуют независимо от любой аналитики.

4.1. Решения о людях. Статья 16 закона 152-ФЗ прямо запрещает принимать решения, порождающие юридические последствия для человека, на основании исключительно автоматизированной обработки его данных [10]. Норма распространяется и на должников, и на собственных сотрудников. Дисциплинарные меры к оператору дополнительно связаны процедурой Трудового кодекса (ст. 192–193): письменное объяснение работника, надлежащая фиксация проступка, соразмерность взыскания, сроки; при трудовом споре бремя доказывания лежит на работодателе [11]. Оценка ИИ в этой процедуре может быть только поводом для человеческой проверки — не доказательством.

4.2. Внешний контур. Ответы на обращения должников (10 рабочих дней, ст. 10 230-ФЗ [12]), ответы на запросы ФССП, сопровождение проверок, взаимодействие с СРО — юридически значимые действия от имени организации; их выполняют и подписывают люди. Масштаб этого контура в отрасли: с сентября 2025 по февраль 2026 ФССП провела внеплановые проверки 108 организаций, выявила более 762 тысяч нарушений и наложила штрафы примерно на 50 млн рублей [8]; доля обоснованных жалоб должников достигла рекордных за пять лет 29% [9].

5. Схема: путь звонка

Ключевое свойство схемы: у машины нет ни одного выхода, ведущего к результату мимо человека. Скоринг без верификации — ложные обвинения операторов; отчёт без коучинга — макулатура; статистика без владельца методики — деградирующий чек-лист; правовой контур в машину не заходит вовсе.

6. Матрица распределения функций

7. Ключевые изменения

Устарело: прослушивание случайных звонков «всё подряд». Эту работу машина забрала полностью и безвозвратно.
Осталось за людьми: всё, где требуется суждение (верификация флагов, споры), право (ТК РФ, 152-ФЗ, внешний контур) и работа с людьми (коучинг, обучение, владение методикой).

Появилось новое — чего раньше не существовало: пока никто не слышал 95% звонков, не было ни верификации флагов в объёме полного охвата, ни калибровки машины, ни контроля качества самой аналитики. Теперь виден каждый звонок — и по каждому проблемному требуется человеческое действие. Показателен опубликованный кейс федерального агентства взыскания: после внедрения речевой аналитики команда контроля не была сокращена — та же команда стала покрывать в пять раз больше звонков, перейдя от сплошного прослушивания к проверке отмеченных системой нарушений [3].

Итог: служба качества перестаёт быть «ушами» и становится контуром решений — звеном, которое превращает измерения в изменения.

8. Заключение

Дилемма «служба качества или ИИ» технически не существует — как не существует дилеммы «завод или станки». Аналитика без службы качества производит оценки, по которым никто не действует: флаги не проверяются, операторы не обучаются, методика не обновляется, правовой контур повисает. Служба качества без аналитики видит 5% картины. Вместе они образуют работающий контур: машина даёт охват и измерение, человек — суждение, право и изменения.

Управленческий вопрос, который имеет смысл задавать, — не «зачем служба качества, если есть ИИ», а «насколько полно служба качества использует ИИ». Ответ на него измерим: доля проверенных флагов, скорость цикла «выявлено → обучено → улучшилось», согласованность калибровок, отсутствие просроченных ответов по внешнему контуру.

Ну и как положено в любом серьёзном исследование, ниже справочная информация по источниками.

Нормативные акты
[10] Ст. 16 Федерального закона № 152-ФЗ «О персональных данных» — запрет решений, порождающих юридические последствия, на основании исключительно автоматизированной обработки. https://www.consultant.ru/document/cons_doc_LAW_61801/22e884a41450dcb5cb62d956583ad32abe2bbbe9/
[11] Ст. 192–193 Трудового кодекса РФ — порядок применения дисциплинарных взысканий. https://www.consultant.ru/document/cons_doc_LAW_34683/3a3bad3e8cac339021393236fd85d5a46a357735/
[12] Ст. 10 Федерального закона № 230-ФЗ — ответ на обращение должника в течение 10 рабочих дней. https://www.consultant.ru/document/cons_doc_LAW_200497/

Отраслевая практика
[1] EdgeTier. Speech Analytics & Quality Assurance: ручной контроль покрывает 1–2% диалогов. https://www.edgetier.com/speech-analytics-quality-assurance/
[2] Отраслевые обзоры QA 2025–2026: ручная выборка 2–5%. https://irisagent.com/blog/automated-qa-for-customer-support-why-sampling-5-of-conversations-is-costing/
[3] Кейс «Агентство судебного взыскания» (UIS/CoMagic): до аналитики аудитор успевал прослушать максимум 5% диалогов; после внедрения та же команда анализирует в 5 раз больше, работая по флагам. https://www.uiscom.ru/blog/k-kak-avtomatizirovat-kontrol-kachestva-i-analizirovat-v-5-raz-bolshe-zvonkov/
[4] Call Criteria. Практика калибровочных сессий: минимально приемлемая согласованность оценщиков 80–85%. https://callcriteria.com/call-center-quality-monitoring-best-practices/
[8] ФССП: итоги проверок взыскателей 15.09.2025–15.02.2026 — 108 организаций, >762 тыс. нарушений, ~50 млн ₽ штрафов. https://urbc.ru/1068143596-fssp-vyjavila-bolee-762-tys-narushenij-v-rabote-mfo-bankov-i-kollektorov-v-2025-godu.html
[9] Право.ру / РБК по данным ФССП: в 2024 г. ~52 тыс. жалоб на взыскателей, 29% рассмотренных признаны обоснованными — максимум за 5 лет. https://pravo.ru/news/257268/

Исследования точности распознавания и анализа речи
[5] Voicegain. WER распознавания на колл-центровом телефонном аудио ~17,7% против ~11,5% на чистых записях. https://www.voicegain.ai/post/practical-considerations-for-voice-developers-considering-openais-whisper-asr
[6] Koenecke A. et al. Careless Whisper: Speech-to-Text Hallucination Harms. ACM FAccT 2024 — ~1% транскрипций содержат выдуманные фразы; 38% галлюцинаций вредоносны. https://arxiv.org/abs/2402.08021
[7] FECT: Factuality Evaluation of Interpretive AI-Generated Claims in Contact Center Conversation Transcripts, 2025 — языковые модели приписывают разговорам несказанное. https://arxiv.org/pdf/2508.00889