MTS Exolve mostró cómo automatizar el llenado de negocios en Bitrix24 con YandexGPT

MTS Exolve demostró un enfoque práctico para la automatización de ventas: después de que finaliza una llamada, un servicio Python recupera automáticamente la transcripción de la conversación, la envía a YandexGPT y actualiza la tarjeta del trato en Bitrix24. La idea es simple pero útil para cualquier equipo donde los gerentes pierden detalles después de las llamadas o ingresan datos en el CRM con retrasos.

Cómo funciona el pipeline

En el núcleo de la solución hay un webhook Flask que recibe un evento de finalización de llamada de MTS Exolve. El servicio recupera los datos de la conversación, guarda el contexto técnico en SQLite e inicia una cadena de procesamiento sin intervención del gerente. Este enfoque transforma una llamada en un objeto estructurado: tiene una transcripción, un identificador, una conexión con el trato y un conjunto de campos que deben actualizarse en el CRM.

El siguiente paso es la transcripción. En lugar de escuchar manualmente, se utiliza la API Call Transcription, que proporciona el texto de la conversación para su análisis posterior. Después de esto, entra en juego YandexGPT: el modelo recibe un prompt con el esquema de extracción necesario y devuelve no texto libre, sino señales específicas de calificación del lead.

La etapa final es una llamada a la API REST de Bitrix24, que actualiza el trato existente y guarda el resultado directamente en la tarjeta de trabajo. Además, este esquema deja un rastro transparente: el equipo puede verificar exactamente qué extrajo el modelo y qué campos se cambiaron automáticamente.

Esencialmente, MTS Exolve describe no solo una integración de tres API, sino un flujo de trabajo mínimo para el posprocesamiento de llamadas de ventas. No requiere infraestructura pesada: Python 3.10+, Flask, SQLite y lógica clara de enrutamiento de eventos son suficientes. Para un MVP, esto es suficiente para verificar el efecto principal — si los gerentes trabajarán más rápido con tratos calificados y perderán menos contexto entre puntos de contacto.

Qué campos extrae la IA

BANT sirve como base — uno de los marcos de calificación de leads más intuitivos. Pero en el ejemplo, no se deja en forma de libro de texto. El clásico Budget, Authority, Need y Timing se complementan con señales prácticas de la conversación real: cuán interesado está el cliente, qué competidores menciona y qué objeciones plantea.

Como resultado, el CRM recibe no una larga transcripción, sino un resumen compacto por el cual se puede planificar el siguiente paso.

• presupuesto del cliente o rango de expectativa de precio
• tomador de decisiones y su papel en el proceso
• necesidad articulada y caso de uso específico
• cronograma de implementación, piloto o fecha del próximo contacto
• nivel de interés, competidores y objeciones principales

Este es un punto importante: el valor aquí no es solo ahorrar tiempo completando la tarjeta. Los campos estructurados permiten trabajar de manera diferente con el embudo — filtrado más rápido del flujo bruto de entrada, priorización de tratos calientes y no comenzar cada próxima llamada desde cero. Esto es especialmente útil para equipos donde un gerente maneja docenas de contactos y no puede mantener los detalles de cada llamada en la cabeza.

Un plus adicional es la moderación del esquema. Los autores no intentan convertir el CRM en un formulario con docenas de campos obligatorios. Por el contrario, muestran un equilibrio entre completitud y practicidad: tomar un conjunto mínimo que realmente ayuda a las ventas y mantenerlo automáticamente en estado actual. Para proyectos internos de IA, este es un camino más viable que implementar una clasificación demasiado compleja desde el inicio.

Qué significa esto

El material de MTS Exolve muestra claramente hacia dónde se mueve la IA aplicada en ventas: de asistentes de chat a servicios de fondo que rellenan automáticamente el sistema de seguimiento después de un evento. Este escenario no requiere reemplazar el CRM y no parece un prototipo de investigación — es un MVP claro que se puede construir en una pila Python estándar y probar rápidamente en llamadas reales. Si la calidad de la transcripción y el prompt es lo suficientemente alta, la empresa obtiene un embudo de ventas más limpio con casi ningún trabajo manual adicional.