MTS Exolve mostrou como automatizar o preenchimento de negócios no Bitrix24 com YandexGPT

МТС Exolve показала практический сценарий для автоматизации продаж: после завершения звонка Python-сервис сам получает расшифровку разговора, отправляет её в YandexGPT и обновляет карточку сделки в Bitrix24. Идея простая, но полезная для любой команды, где менеджеры теряют детали после созвонов или заносят данные в CRM с опозданием.

Как работает пайплайн В основе решения — вебхук на

Flask, который получает событие о завершённом звонке из МТС Exolve. Дальше сервис забирает данные разговора, сохраняет технический контекст в SQLite и запускает цепочку обработки без участия менеджера. Такой подход превращает звонок в структурированный объект: у него есть транскрипт, идентификатор, связь со сделкой и набор полей, которые нужно обновить в CRM.

Следующий шаг — транскрибация. Вместо ручного прослушивания используется Call Transcribation API, который отдаёт текст разговора для дальнейшего анализа. После этого в дело вступает YandexGPT: модель получает промпт с нужной схемой извлечения и возвращает уже не свободный текст, а конкретные признаки квалификации лида.

Финальная стадия — вызов Bitrix24 REST API, который обновляет существующую сделку и сохраняет результат прямо в рабочей карточке. Кроме того, такая схема оставляет прозрачный след: команда может проверить, что именно извлекла модель и какие поля были изменены автоматически. По сути, МТС Exolve описывает не просто интеграцию трёх API, а минимальный рабочий процесс для постобработки продажных звонков.

Он не требует тяжёлой инфраструктуры: достаточно Python 3.10+, Flask, SQLite и понятной логики маршрутизации событий. Для MVP этого достаточно, чтобы проверить главный эффект — будут ли менеджеры быстрее работать с квалифицированными сделками и меньше терять контекст между касаниями.

Какие поля вытаскивает AI

За основу берётся BANT — один из самых понятных фреймворков квалификации лидов. Но в примере его не оставляют в учебном виде. Классические Budget, Authority, Need и Timing дополняются практическими сигналами из реального разговора: насколько клиент заинтересован, каких конкурентов он упоминает и какие возражения озвучивает.

В результате CRM получает не длинную стенограмму, а компактную выжимку, по которой можно планировать следующий шаг. бюджет клиента или диапазон ожиданий по цене лицо, принимающее решение, и его роль в процессе сформулированная потребность и конкретный сценарий использования сроки внедрения, пилота или следующего контакта * уровень интереса, конкуренты и основные возражения Это важный момент: ценность здесь не только в экономии времени на заполнение карточки. Структурированные поля позволяют по-другому работать с воронкой — быстрее фильтровать сырой входящий поток, приоритизировать горячие сделки и не начинать каждый следующий звонок с нуля.

Особенно это полезно для команд, где один менеджер ведёт десятки контактов и не может держать в голове детали по каждому созвону. Отдельный плюс — умеренность схемы. Авторы не пытаются превратить CRM в анкету на несколько десятков обязательных полей.

Наоборот, они показывают баланс между полнотой и практичностью: взять минимальный набор, который реально помогает продажам, и автоматически поддерживать его в актуальном состоянии. Для внутренних AI-проектов это более жизнеспособный путь, чем внедрение слишком сложной классификации на старте.

Что это значит

Материал МТС Exolve хорошо показывает, куда движется прикладной AI в продажах: от чат-ассистентов к фоновым сервисам, которые сами заполняют систему учёта после события. Такой сценарий не требует замены CRM и не выглядит исследовательским прототипом — это понятный MVP, который можно собрать на стандартном Python-стеке и быстро проверить на реальных звонках. Если качество транскрибации и промпта достаточно высокое, компания получает более чистую воронку продаж почти без дополнительной ручной работы.