Голосовой агент вместо секретаря: что уже умеют ИИ-обзвонщики

За последний год голосовые ИI-агенты перестали быть демками с YouTube. OpenAI открыла Realtime API с речью почти без задержки, Google встроил в Gemini режим Live, а десятки стартапов вроде Vapi, Retell и Bland строят на этих движках телефонных ботов, которые снимают трубку вместо администратора. Обещание везде одно: бот отвечает на входящие, записывает клиента, отвечает на типовые вопросы и не уходит на обед. Разберём, где это работает, а где всё ещё разваливается на первой нестандартной фразе.

Что такое голосовой агент и чем он отличается от IVR

Старое голосовое меню — «нажмите один для отдела продаж» — это дерево кнопок. Голосовой агент* работает иначе: он слушает свободную речь, распознаёт её в текст, прогоняет через языковую модель, генерирует ответ и озвучивает его синтезом. Всё это в идеале укладывается в 300–800 миллисекунд, иначе пауза становится заметной и разговор ощущается как «связь с автоответчиком».

Ключевое отличие от чат-бота — режим реального времени. Человек перебивает, мычит, меняет мысль на полуслове. Современные движки умеют обрабатывать перебивание (barge-in): агент замолкает, как только клиент начал говорить, и не дочитывает свою реплику до конца. Именно это, а не «ум» модели, отличает живой диалог от неловкого.

Из чего собран типичный агент

Под капотом почти всегда три слоя, даже если провайдер продаёт их как один продукт:

• Распознавание речи (STT) — превращает голос в текст. Здесь чаще всего Whisper, Deepgram или движки самих облаков.
• Языковая модель — понимает запрос и решает, что ответить. GPT-4o, Gemini, Claude или более лёгкие модели для скорости.
• Синтез речи (TTS) — озвучивает ответ. ElevenLabs, Cartesia, встроенные голоса OpenAI.

Задержка складывается из всех трёх этапов. Поэтому Realtime-подход, где речь идёт напрямую в модель без промежуточного текста, звучит естественнее — но пока дороже и хуже поддаётся контролю над тем, что бот скажет.

Что агент реально умеет уже сейчас

На типовых сценариях с узким сценарием диалога агенты работают приемлемо. Запись в салон или клинику, ответ на «во сколько вы работаете», подтверждение заказа, первичная квалификация лида — всё это в пределах их возможностей, если агент подключён к календарю или CRM через инструменты (function calling).

Голосовой агент хорош ровно настолько, насколько узкой вы делаете его задачу. Просите его «просто отвечать на звонки» — получите болтливого бота, который импровизирует. Даёте пять чётких сценариев и запрет на всё остальное — получаете рабочий инструмент.

Слабые места тоже понятны. Плохая связь и фоновый шум роняют распознавание. Русские имена, адреса и номера телефонов агент путает — «Джанкойская» превращается в кашу. Эмоциональный клиент, который кричит и перебивает, ломает логику диалога. И почти любой бот теряется, когда запрос выходит за рамки прописанных сценариев: вместо «я переключу вас на человека» он начинает выдумывать.

Сравнение платформ для сборки агента

Цены и характеристики ниже — ориентир на конец 2024 — начало 2025 года. Тарифы у всех перечисленных сервисов меняются, актуальные суммы сверяйте на их сайтах перед запуском.

Отдельно стоит помнить про телефонию: сам агент трубку не снимает. Нужен провайдер SIP или сервис вроде Twilio, который соединяет реальный номер с ботом. Это отдельная строка расходов — минуты входящих и исходящих звонков.

Сколько это стоит против живого секретаря

Прямое сравнение хромает: секретарь делает больше, чем принимает звонки. Но если считать только обработку входящих, арифметика такая. Минута разговора с агентом на связке коммерческих движков обычно обходится в несколько центов — десятков центов, в зависимости от модели и длины реплик. Плюс минуты телефонии. Живой администратор на полную ставку стоит десятки тысяч рублей в месяц и физически ограничен одним звонком за раз.

Экономика начинает работать в пользу агента там, где звонков много и они однотипные: запись, подтверждение, ответы на «где вы находитесь». Там, где каждый звонок — сложные переговоры или продажа, агент пока проигрывает человеку по конверсии.

Кому это пригодится, а кому нет

Стоит попробовать, если

• У вас поток однотипных входящих: салон красоты, стоматология, шиномонтаж, доставка. Записать и подтвердить — понятный сценарий.
• Часть звонков идёт в нерабочее время, и сейчас они просто теряются.
• Пиковые нагрузки, когда живой администратор физически не успевает поднять все трубки, и клиенты уходят.
• Нужна первичная квалификация: отсеять спам и нецелевые обращения перед передачей живому менеджеру.

Пока не стоит, если

• Каждый звонок — сложная продажа или юридически значимая консультация, где ошибка бота дорого стоит.
• Ваша аудитория плохо переносит роботов: пожилые клиенты часто кладут трубку, услышав синтезированный голос.
• Много звонков с плохой связью, диалектами, сложными именами и адресами — распознавание будет ошибаться.
• Нет ресурса на настройку и постоянную докрутку сценариев. Агент — это не «включил и забыл», он требует правок по логам разговоров.

Что учесть до запуска

1. Предупреждайте, что говорит робот. Скрытая имитация человека — прямой путь к жалобам и претензиям.
2. Всегда оставляйте выход на живого оператора. Фраза «соединяю с сотрудником» должна срабатывать по первому запросу.
3. Проверьте обработку персональных данных: запись звонков и хранение имён и телефонов подпадают под требования к обработке ПДн.
4. Тестируйте на реальных звонках неделю-две, прежде чем пускать на весь поток. Слушайте записи — там вся правда о том, где бот врёт и путается.

* Голосовой агент — программа, которая ведёт телефонный или голосовой диалог, самостоятельно распознавая речь, формируя ответ языковой моделью и озвучивая его. В отличие от кнопочного голосового меню, понимает свободную речь и умеет вызывать внешние сервисы (календарь, CRM) во время разговора.