MTS Exolve a montré comment automatiser la saisie des deals dans Bitrix24 avec YandexGPT

MTS Exolve a démontré une approche pratique de l'automatisation des ventes : après la fin d'un appel, un service Python récupère automatiquement la transcription de la conversation, l'envoie à YandexGPT et met à jour la fiche de l'affaire dans Bitrix24. L'idée est simple mais utile pour toute équipe où les managers perdent les détails après les appels ou saisissent les données dans le CRM avec retard.

Comment fonctionne le pipeline

Au cœur de la solution se trouve un webhook Flask qui reçoit un événement de fin d'appel de MTS Exolve. Le service récupère ensuite les données de la conversation, enregistre le contexte technique dans SQLite et lance une chaîne de traitement sans intervention du manager. Cette approche transforme un appel en un objet structuré : il a une transcription, un identifiant, une connexion avec l'affaire et un ensemble de champs qui doivent être mis à jour dans le CRM.

L'étape suivante est la transcription. Au lieu d'écouter manuellement, on utilise l'API Call Transcription, qui fournit le texte de la conversation pour une analyse ultérieure. Après cela, YandexGPT entre en jeu : le modèle reçoit un prompt avec le schéma d'extraction nécessaire et retourne non pas du texte libre, mais des signaux spécifiques de qualification du lead.

L'étape finale est un appel à l'API REST de Bitrix24, qui met à jour l'affaire existante et enregistre le résultat directement dans la fiche de travail. De plus, ce schéma laisse une trace transparente : l'équipe peut vérifier exactement ce que le modèle a extrait et quels champs ont été modifiés automatiquement.

En essence, MTS Exolve décrit non pas simplement une intégration de trois API, mais un workflow minimal pour le post-traitement des appels de vente. Il ne nécessite pas une infrastructure lourde : Python 3.10+, Flask, SQLite et une logique claire de routage des événements suffisent. Pour un MVP, cela suffit pour vérifier l'effet principal — si les managers travailleront plus rapidement avec des affaires qualifiées et perdront moins de contexte entre les points de contact.

Quels champs l'IA extrait-elle

BANT sert de base — l'un des cadres de qualification des leads les plus intuitifs. Mais dans l'exemple, il n'est pas laissé sous forme de manuel scolaire. Le classique Budget, Authority, Need et Timing sont complétés par des signaux pratiques de la conversation réelle : l'intérêt du client, les concurrents qu'il mentionne et les objections qu'il soulève.

En résultat, le CRM ne reçoit pas une longue transcription, mais un résumé compact sur la base duquel on peut planifier l'étape suivante.

• budget du client ou gamme d'attentes de prix
• décideur et son rôle dans le processus
• besoin articulé et scénario d'utilisation spécifique
• calendrier de mise en œuvre, pilote ou date du prochain contact
• niveau d'intérêt, concurrents et objections principales

C'est un point important : la valeur ici ne réside pas seulement dans l'économie de temps de remplissage de la fiche. Les champs structurés permettent de travailler différemment avec l'entonnoir — filtre plus rapide du flux brut entrant, priorisation des affaires chaudes et non recommencement de chaque appel suivant à zéro. C'est particulièrement utile pour les équipes où un manager gère des dizaines de contacts et ne peut pas garder en tête les détails de chaque appel.

Un avantage supplémentaire est la modération du schéma. Les auteurs ne tentent pas de transformer le CRM en un formulaire avec des dizaines de champs obligatoires. Au contraire, ils montrent un équilibre entre exhaustivité et praticité : prendre un ensemble minimal qui aide réellement les ventes et le maintenir automatiquement à jour. Pour les projets IA internes, c'est un chemin plus viable que d'implémenter une classification trop complexe dès le départ.

Que signifie cela

Le matériel de MTS Exolve montre clairement où se dirige l'IA appliquée dans les ventes : des assistants de chat vers les services d'arrière-plan qui remplissent automatiquement le système de suivi après un événement. Ce scénario ne nécessite pas de remplacer le CRM et ne ressemble pas à un prototype de recherche — c'est un MVP clair qui peut être construit sur une pile Python standard et testé rapidement sur des appels réels. Si la qualité de la transcription et du prompt est suffisamment élevée, l'entreprise obtient un entonnoir de vente plus propre avec presque aucun travail manuel supplémentaire.