Еще недавно наличие нейросети было самостоятельным конкурентным преимуществом.
Сегодня фраза:
«Наша речевая аналитика работает на AI и LLM»
встречается практически у каждого второго поставщика.
Но это ничего не говорит о том, как именно искусственный интеллект используется внутри продукта.
Одна система применяет LLM для краткого резюме звонка.
Другая — для поиска скрытого смысла.
Третья — позволяет писать собственные промпты.
Четвертая сочетает LLM с классическим ML и жесткими правилами.
И это принципиально разные архитектуры.
Почему LLM не заменили старую речевую аналитику
Представим простой compliance-критерий:
оператор обязан произнести юридическую формулировку X.
Нужна ли здесь большая языковая модель?
Скорее нет.
Обычный детерминированный поиск будет:
дешевле, быстрее и проще проверяться.
Теперь другая задача:
Понял ли менеджер истинную причину сомнений клиента и адаптировал ли предложение под нее?
Здесь словарь уже почти бесполезен.
Нужен смысл.
Поэтому современная речевая аналитика развивается не по модели:
старые технологии → выбросили → поставили LLM,
а скорее:
правила + ML + семантика + LLM.
WordPulse: LLM как один из аналитических слоев
MWS AI WordPulse — хороший пример гибридного подхода.
Платформа прямо заявляет использование комбинации LLM, ML-моделей и правил. Кроме стандартных сценариев можно создавать собственные проверки и подключать Cotype Pro 2 с произвольными промптами — например для оценки эмпатии или поиска скрытых смыслов.
Это достаточно зрелая архитектурная позиция.
Не все надо решать генеративной моделью.
Если условие строгое — правило.
Если нужно классифицировать огромный массив — ML.
Если требуется понять сложный контекст — LLM.
Именно так экономически разумно строить аналитику на больших потоках.
Naumen: двухуровневая модель
Naumen Conversation Intelligence использует очень похожую философию.
В публичных материалах компании отдельно описывается двухуровневая система анализа: классические ML-модели плюс LLM для более сложного понимания клиентских коммуникаций.
Это особенно актуально для крупного контакт-центра.
Представим миллион звонков.
Если каждый простой критерий отправлять в большую языковую модель, инфраструктурная стоимость быстро растет.
Поэтому вопрос:
Есть ли у вас LLM?
лучше заменить другим:
Для каких именно задач вы используете LLM, а для каких — более дешевые инструменты?
Ответ покажет зрелость архитектуры лучше любого AI-логотипа.
SpeechSense: от тегов к AI-ассистенту
В Yandex SpeechSense тоже существует несколько уровней анализа.
Основная речевая аналитика тарифицируется отдельно от использования моделей в ассистенте. Для первых 100 тыс. минут аудио распознавание плюс аналитика стоят 2,02 ₽ за минуту, а работа YandexGPT Pro, YandexGPT Lite или Qwen3 считается дополнительно по объему текста.
Это интересная модель еще и с экономической точки зрения.
Компания может не применять дорогую генеративную обработку абсолютно ко всему потоку.
LLM можно подключить только там, где она действительно нужна.
Для собственной IT-команды это дает большую свободу.
Но свобода означает и ответственность: бизнес-логику придется проектировать самостоятельно.
MANGO OFFICE: LLM становится массовой функцией
Противоположный пример — MANGO OFFICE.
Технология максимально спрятана за готовым интерфейсом.
Пользователь получает смысловой анализ, AI-тематики, чек-листы и AI-помощников, для которых можно задавать собственный промпт прямо в настройках сервиса.
В этом есть важный рыночный сигнал.
Еще несколько лет назад промптинг был инструментом разработчика или аналитика.
Теперь руководитель контакт-центра может формулировать критерий практически естественным языком.
Например:
Определи, выяснил ли менеджер сроки принятия решения.
И не строить для этого вручную десятки словарных выражений.
Rechka.AI: AI спрятан внутри результата для РОПа
Rechka идет еще дальше в продуктовом упрощении.
Пользователю вообще не обязательно разбираться, какая именно модель отвечает за определенный этап.
На выходе он получает:
транскрипцию, этапы скрипта, возражения, договоренности, вероятность продажи и резюме.
Это хороший AI-first подход для конкретного сценария.
Сильная сторона — простота.
Ограничение — более узкий контур. На текущей странице продукта прямо указано, что анализируется прежде всего голос, без полноценного анализа переписок и email.
То есть глубина технологии сама по себе не определяет ширину бизнес-платформы.
imot.io: LLM внутри готового процесса
imot.io использует GPT-аналитику как часть более широкой системы: анализ диалогов, автоматическая оценка, рекомендации, отчеты, CRM и отраслевые сценарии.
Здесь LLM не столько продается как самостоятельная технология.
Она встроена в workflow.
Например, компания может автоматически вытащить из разговора:
возражение, договоренность, результат и краткое содержание — и передать их дальше в CRM.
Для бизнеса это зачастую полезнее, чем возможность напрямую выбирать конкретную модель.
DEERAY: AI как конструктор собственной методологии
У DEERAY (deeray.com) другой акцент.
На публичной тарифной странице представлены более 50 готовых параметров оценки и возможность создавать неограниченное число собственных критериев и скриптов. Платформа анализирует звонки, чаты и письма и используется для диагностики потерь в продажах и клиентских коммуникациях.
Это делает AI не просто способом:
поставить разговору оценку 75/100,
а инструментом переноса в систему методологии конкретной компании.
Например, одна организация считает хорошей квалификацией четыре вопроса.
Другая — семь.
В B2B нужно выяснить бюджет, сроки и ЛПР.
В медицине — корректно определить потребность и довести до записи.
Чем сложнее методология, тем важнее возможность менять саму логику анализа, а не только выбирать стандартный чек-лист.
Как проверить реальную глубину AI
Я бы вообще не сравнивал системы по фразам вроде «AI нового поколения».
Лучше провести несколько простых тестов.
Дать звонок, где клиент не говорит слово «дорого», но несколько раз намекает, что стоимость превышает ожидания.
Попросить определить причину сомнений.
Затем взять разговор, где менеджер нарушил буквальный текст скрипта, но успешно выяснил потребность.
И наконец попросить систему объяснить:
Почему она считает, что этап продажи выполнен или не выполнен?
Вот здесь быстро проявляется разница между:
поиском слов, классификатором и действительно контекстным анализом.
Еще один важный тест — стоимость масштаба
Демо на десяти звонках всегда выглядит впечатляюще.
Но бизнес анализирует:
100 тысяч, миллион или несколько миллионов минут.
Поэтому спрашивать нужно не только:
Насколько умный ваш AI?
Но и:
Сколько будет стоить применение этой глубины анализа ко всему нашему потоку?
SpeechSense, например, снижает стоимость базового распознавания и анализа по мере роста объема — с 2,02 ₽ за минуту на первых 100 тыс. до примерно 0,61 ₽ после 2,5 млн минут.
В готовых SaaS часть этой инфраструктурной экономики уже скрыта внутри тарифов.
Есть ли самая умная система?
По открытым данным — корректно ответить на этот вопрос нельзя.
Для объективного сравнения потребовался бы единый тестовый набор:
одинаковые аудиозаписи, одинаковая ручная разметка и одинаковые метрики.
Например:
WER для распознавания,
precision/recall/F1 для классификации,
отдельный benchmark для смысловых критериев,
latency для скорости обработки.
Без этого заявления «наш AI точнее» остаются маркетинговыми.
Именно поэтому при выборе речевой аналитики в 2026 году гораздо полезнее спрашивать:
Какие задачи ваша LLM решает лучше традиционных методов и как ее выводы превращаются в действия бизнеса?
Не самая эффектная формулировка.
Но гораздо более практичная.
| 
Войти
