Никита Шушканов: разработал бота для анализа звонков и получил новую должность с зарплатой на 30% выше
В кейсе рассказываем, как бизнес-ассистент без опыта в программировании создал телеграм-бота для анализа звонков отдела продаж. Бот транскрибирует аудио, сопоставляет разговор с чек-листом, выставляет оценку и выдает резюме с цитатами. Разработка заняла 10 дней, а компания теперь экономит 40 000 ₽ в месяц на сотруднике, который раньше делал это вручную.
Опыт с нейросетями. Первый раз попробовал ChatGPT в начале 2023 года. Тогда достойных конкурентов у него еще не было, но и сам он был довольно сырым. Пробовал генерировать тексты для работы — качество было посредственное, нейросеть писала с огромным количеством воды. Первое впечатление было такое: вроде бы интересно, но для бизнеса пока не годится.
Спустя полгода я начал использовать ChatGPT чаще и в итоге пришел к кодингу.
Первый раз попробовал кодить через ChatGPT — и просидел над одной ошибкой 24 часа
Отправной точкой стал май 2025 года. Тогда я работал в архитектурно-строительной компании, где царил хаос в финансах — компания росла, процессы менялись очень быстро, и мне пришла идея попробовать это оптимизировать. Я сделал телеграм-ботов для сбора финотчетности с дизайнеров. Все получилось, и сам процесс мне настолько понравился, что я решил развиваться в этом направлении.
Я остался в компании на 0,25 ставки, а все остальное время посвятил фрилансу. Там я четыре месяца делал ботов на заказ. Это было одновременно самым интересным и самым мучительным периодом.
В программировании я не понимал вообще ничего, а нормального подхода к работе с нейросетями у меня еще не было. Поэтому я просто открывал обычное диалоговое окно ChatGPT и пытался собирать код там. Окно моментально забивалось, и приходилось изобретать костыли: каждую функцию я генерировал отдельно, потом шел тестировать вручную, возвращался с фидбеком, контекст снова забивался, приходилось создавать новый чат и объяснять все заново.
По ощущениям работа над одним проектом занимала раз в десять больше времени, чем могла бы.
| Один случай запомнился особенно. Я делал бота, который отделял аудио от видео и дальше его обрабатывал, и в какой-то момент поймал ошибку, над которой в сумме просидел больше суток. ChatGPT постоянно галлюцинировал, уверенно предлагал решения, но ни одно из них не работало. Заказчик ждал, сроки горели, а я сидел и не понимал, что делать. В итоге решение нашлось где-то со 110-й попытки, чистым методом тыка. |
Но даже при таком подходе проекты закрывались. Я ничего не умел, часто выбирал самый кривой способ из возможных — и это все равно работало.
Компания хотела автоматизировать контроль звонков — я предложил сделать бота
Через какое-то время я вернулся к работе бизнес-ассистентом и устроился в миграционную компанию. На собеседовании рассказал, что умею работать с нейросетями и делать ботов. И это совпало с тем, куда двигалась сама компания — она была на этапе активного роста и хотела автоматизировать все, что можно автоматизировать. Одной из первых задач стало внедрение корпоративных ботов там, где это имеет смысл.
Самым очевидным кандидатом на автоматизацию оказался контроль качества звонков. До этого процесс выглядел так: сотрудник отдела контроля качества вручную прослушивал записи разговоров менеджеров с клиентами и оценивал их. Каждый такой звонок длился от 20 до 60 минут.
Чтобы подготовить информацию по нескольким встречам, сотруднику требовался целый день. Руководитель отдела продаж, которому эта информация была нужна для скоринга команды, иногда ждал сутки, пока все будет готово.
Я предложил сделать бота, который возьмет эту работу на себя. По задумке он должен был принимать аудиозапись, транскрибировать ее, а затем анализировать на соответствие чек-листу и скриптам компании. На выходе выдавать фидбек по каждому пункту чек-листа с прямыми цитатами из разговора, общее резюме, конкретные рекомендации и финальную оценку качества от 0 до 100 баллов.
Сначала попробовал Whisper — оказалось дорого и тяжело
Большую часть времени в проекте заняла не сама разработка, а выбор нейросети для транскрибации и обработки звонков. Сначала я попробовал Whisper large-v3. Модель работала хорошо, но оказалась слишком тяжелой для продакшена — только под нее требовалось около 8 гигабайт оперативной памяти, не считая самого бота. Сервер с такими характеристиками стоит минимум 3000 рублей в месяц — а это слишком дорого для такой простой задачи.
Тогда я перешел в сервис OpenRouter, который дает доступ к разным моделям через API. Для транскрибации взял Gemini 2.5 Flash — он быстро переводит аудио в текст, делает это качественно и стоит буквально копейки. Для анализа самой транскрипции и сопоставления с чек-листами подключил Gemini 2.5 Pro. Если сравнить стоимость транскрипций через API с содержанием сервера, на котором крутится Whisper, разница получается несоизмеримая.
Работаю в трех чатах: один для плана, один для вопросов, остальные для кода
За время работы с нейросетями я перепробовал разные инструменты и постепенно понял, что работает, а что нет.
Начинал с диалогов в ChatGPT — это худший вариант для кодинга, потому что контекстное окно забивается моментально. Пробовал Gemini — ответы на старте получше, но проблема та же. Cursor со встроенными агентами держу как запасной вариант на случай, когда заканчиваются лимиты в Claude. Но по ощущениям он заметно глупее, даже если под капотом та же модель.
Сейчас мой основной инструмент — Claude Code на модели Opus 4.5. В качестве среды использую VS Code, но это вопрос привычки — можно взять тот же Cursor или что-то от Google, принципиальной разницы нет.
К Claude Code я подключил два дополнительных инструмента. Первый — OpenSpec. Это система для планирования архитектуры проекта и ведения задач. Она помогает до начала кодинга договориться с нейросетью о том, что именно мы строим: какие технологии используем, какая структура, какие задачи нужно выполнить.
Все это фиксируется в специальных файлах, и когда контекстное окно в одном чате забивается, я могу переключиться в новый чат — а вся информация об архитектуре и текущих задачах сохраняется в этих файлах. Переход получается бесшовным.
Второй инструмент — скиллы SuperPowers. Это набор готовых инструкций, которые делают Claude лучше в конкретных задачах. У меня их около десяти, каждая заточена под что-то свое: одна помогает с брейнштормингом перед написанием кода, другая — с созданием детальных планов реализации, третья — с контрольными точками. Я познакомился с ними на вебинаре в Нейроцехе и сразу начал использовать.
- Вебинар
Руководитель TDI AI Creative Agency
Работают OpenSpec и скиллы вместе. Когда я задаю промпт, агент сначала анализирует задачу и вызывает подходящий скилл. Дальше скилл решает, нужно ли сейчас строить архитектуру в OpenSpec или задача достаточно простая и можно обойтись без этого.
Если архитектура нужна, она строится не голым Claude, а уже вместе со скиллом — и по ощущениям это дает более точный результат. С тех пор как я начал работать в такой связке, багов и доработок стало заметно меньше.
Сам процесс разработки я разбиваю на три типа чатов:
Первый чат — для планирования. Здесь я прорабатываю архитектуру в OpenSpec: какие технологии используем, какая структура проекта, какие задачи нужно выполнить и в каком порядке.
Второй чат — для объяснений. Здесь я разбираю с Claude Code все, что мне непонятно в архитектуре или в технологиях. Что-то не нравится — обсуждаю и корректирую. Что-то неясно — прошу объяснить.
И только когда я полностью понимаю, что мы делаем и почему, перехожу к третьему типу — чатам для кодинга. Их может быть сколько угодно, потому что при забитом контексте я просто открываю новый.
Главный принцип, которого я придерживаюсь: не переходить к коду, пока не понимаешь каждый элемент архитектуры. Я прохожусь по каждому пункту плана и разбираюсь в нем до конца. Это важно, потому что даже Claude на Opus 4.5 может галлюцинировать. И если ты понимаешь структуру — ты можешь это заметить и скорректировать. Пока у меня в голове не будет полного представления о том, какую технологию мы используем, зачем она здесь, что идет за чем и какой результат на выходе — к коду не перехожу.
В процессе поймал баги, которые можно было предусмотреть заранее
Когда бот уже работал, вылезло несколько проблем. Например, некоторые аудиофайлы оказались слишком большими — нейронка просто не могла их переварить. Еще выяснилось, что Gemini 2.5 Flash галлюцинирует при работе с файлами в формате .m4a: транскрибация получалась с ошибками, хотя с другими форматами все было в порядке.
Эти моменты отняли время и токены на исправление, хотя их можно было предусмотреть заранее. Я уверен, что Claude знает о подобных ограничениях, и если бы я на этапе планирования попросил его проанализировать архитектуру и предположить, какие баги могут возникнуть, он бы их нашел. И сразу написал код так, чтобы эти проблемы обойти.
| Теперь это одно из моих правил: на первоначальном этапе, когда мы с нейросетью выстраиваем архитектуру, я прошу ее посмотреть на текущую структуру и предположить, где могут быть подводные камни. Чем больше таких моментов отловишь до написания кода, тем меньше потом придется переделывать. |
Бот работает в 20 раз быстрее человека, а мне подняли зарплату на 30%
Мы протестировали готового бота на 15 звонках, которые до этого уже обработал сотрудник отдела контроля качества. Сравнили оценки — погрешность составила меньше 10% на всех пятнадцати. Этого было достаточно, чтобы понять: инструмент работает и ему можно доверять.
Для компании результат получился ощутимым. Бот полностью взял на себя работу сотрудника ОКК и делает ее в 20 раз быстрее. Теперь руководитель продаж сам загружает пять встреч в бота и через 10 минут получает готовые резюме с цитатами и рекомендациями. Экономия — 40 000 рублей в месяц, то есть почти полмиллиона в год только на этой позиции.
Для меня этот проект тоже стал поворотным. После запуска бота мне предложили полностью перейти в ИИ-разработку и стать ключевым сотрудником в этом направлении. Мне даже предложили скинуть весь функционал бизнес-ассистента и заниматься только разработкой. Зарплата при этом выросла на 30%.
По срокам: вся разработка заняла около 10 дней, но эта задача была у меня вторым приоритетом — я параллельно занимался основными обязанностями. Если бы я делал это сейчас, с теми инструментами и подходами, которые у меня уже есть — уложился бы максимум в три дня.
Единственная ошибка — не вступил в Нейроцех раньше
Для меня участие в клубе уже много раз окупилось. Я смог кратно сократить время на разработку проектов и получить новую должность в компании — и я уверен, что без общения с людьми из Нейроцеха, без вебинаров и материалов этого бы не случилось.
Клуб помог перенять лучшие инструменты для работы и актуальные знания в области нейросетей. Это постоянный нетворкинг и возможность общаться с людьми, которые глубоко в теме — причем они не просто амбассадоры, а реально дают советы и помогают разобраться. Плюс большая база знаний почти по всем направлениям: гайды, мини-курсы, записи вебинаров.
Важно понимать: за тебя там никто задачи выполнять не будет. Но ты получаешь практические и теоретические знания, которые можно сразу применять в своей работе — в кодинге, в разработке, в генерации изображений, да в чем угодно. Если начинаешь это использовать, результат появляется сразу. У меня, по крайней мере, окупилось сполна.