06. LLM-аналитик: «спросите свои звонки»
| Статус | v1.2 (Q3 2027) |
| Тариф | «Бизнес» — 300 запросов/мес, «Корпоративный» и выше — без лимита |
| Зависимости | Архитектура: пайплайн, стек, безопасность (ClickHouse, S3-транскрипты), Модели распознавания и методика оценки качества §3.2 (Qwen локально) |
Проблема
Дашборды отвечают на вопросы, которые мы предвидели, а руководитель спрашивает другое: «почему в марте упала конверсия в Москве», «что говорят клиенты про новую цену», «покажи, где менеджеры обещают скидку и не дают». Чтобы ответить, аналитик строит выгрузку, читает транскрипты — и через два дня приносит ответ, который уже неактуален.
Решение
Вопрос на русском языке → ответ с доказательствами. Три шага внутри:
- Разбор вопроса. LLM определяет тип: агрегатный («сколько», «динамика», «сравни») или
содержательный («что говорят», «какие причины», «найди»).
- Исполнение. Для агрегатов генерируется запрос к ClickHouse (только по заранее
разрешённым представлениям, без произвольного SQL). Для содержательных вопросов — семантический поиск по транскриптам (индексы фрагментов) + выборка релевантных звонков.
- Ответ с цитатами. Всегда: числа — со ссылкой на дашборд-источник, цитаты — с ссылкой
на карточку звонка и таймкод. Если данных недостаточно — честное «в базе нет таких разговоров» вместо правдоподобной выдумки.
Границы, которые мы фиксируем заранее:
- Отвечаем только по данным заказчика, ничего не додумываем из общей модели.
- Никаких персональных данных в ответе: телефоны и суммы маскируются по настройке анкеты E.
- Каждый запрос и ответ — в журнале аудита (кто спросил, что получил, сколько стоило).
- Стоимость одного запроса оценивается и ограничивается; запросы с тяжёлыми выгрузками
уходят в асинхронный режим с уведомлением.
Как это выглядит
- Строка поиска в интерфейсе: «Покажи, где клиенты ругались на сроки доставки в апреле».
- Ответ: краткий вывод + 8–12 цитат с таймкодами + кнопка «собрать в отчёт».
- «Спросите голосом» — тот же сценарий для мобильного руководителя.
- API:
POST /v1/ask {question, period}→{answer, citations[], cost_estimate}.
Метрики успеха
| Метрика | Цель |
|---|---|
| Ответы с корректными ссылками на источник | ≥ 95 % (проверяется выборочно) |
| Ответ на содержательный вопрос | ≤ 15 секунд (p95) |
| Стоимость запроса | ≤ 5 ₽ в среднем |
| Доля вопросов, на которые клиент получил действие | ≥ 30 % (перешли в звонок/задачу) |
| Повторное использование через месяц | ≥ 50 % активных пользователей тарифа |
Этапы
- v1.2: вопросы по агрегатам + семантический поиск, цитаты, лимиты запросов.
- v1.3: «сохранить вопрос как дашборд», голосовой ввод, шаблоны типовых вопросов по
отраслям.
- 2028: авто-инсайты — система сама приносит «3 вещи, которые изменились на этой неделе».
Монетизация
Работает как усилитель тарифа: лимит 300 запросов в «Бизнесе» превращается в естественный апсейл в «Корпоративный» без лимита (разница 90 000 ₽/мес). Себестоимость запроса держится локальной LLM, поэтому безлимит не создаёт риска перерасхода.
Почему этого нет у других
- SaaS для продаж дают отчёты и чек-листы, но не свободный вопрос по всей базе.
- API-конструкторы не имеют аналитического слоя вообще (и тем более семантического
поиска с цитатами).
- Enterprise-вендоры начинают добавлять NL-запросы (например, через GigaChat), но в
рамках корпоративного проекта и без «доказательной базы» по каждому ответу.
- Наша основа — экономика: локальная LLM на арендованном GPU делает безлимитные вопросы
дешёвыми, а облачные API конкурентов — дорогими на объёме.
Исходный markdown