5 помилок при використанні AI-транскрипції для аналізу робочих дзвінків — і як їх уникнути в IT-команді

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

AI-транскрипція виглядає як ідеальний інструмент для аналізу робочих розмов: Fireflies, TurboScribe, Fathom — усі обіцяють перетворити будь-який запис на структурований текст і допомогти витягнути інсайти. На практиці більшість команд через 2-3 місяці перестають користуватися цими інструментами або використовують 10% їхнього потенціалу. Причина не в інструменті. Причина в підході. У статті — 5 помилок, які витрачають час IT-команд при роботі з AI-транскрипцією, і як побудувати процес, щоб витяги з розмов реально впливали на рішення.

Чому IT-команди приходять до AI-транскрипції — і що вони очікують

В IT-командах AI-транскрипція з’явилася у двох контекстах. Перший — внутрішні дзвінки (стендапи, sync-зустрічі, плануючі мітинги). Другий — зовнішні дзвінки (з клієнтами, замовниками, стейкхолдерами для discovery-сесій, sales-зустрічей, customer success-розмов).

Очікування зазвичай таке: завантажуємо запис → AI робить транскрипт → ми бачимо ключові пункти → ухвалюємо рішення швидше. Здається, простий пайплайн.

На практиці більшість команд натикаються на одну з 5 типових помилок. Кожна окремо здається дрібницею. Разом вони перетворюють інструмент на «ще один dashboard, який ніхто не дивиться».

Помилка 1. Транскрибувати все підряд без критерію відбору

Найпоширеніша помилка. Команда вмикає Fireflies/Granola на всі дзвінки за замовчуванням. Через місяць у системі — 200-300 транскриптів. Через два місяці — 500+. Ніхто їх не читає, бо немає часу.

Інструмент перетворюється на цвинтар даних: усе записано, нічого не використовується. У результаті ROI від AI-транскрипції — нульовий, хоча підписка коштує $200-400 на місяць.

Як виправити: ввести критерій «що транскрибуємо». Базові варіанти:

• Discovery-сесії з новими клієнтами — завжди (там приймаються рішень чи варто рухатись далі)
• Sales-демо — завжди (там видно реакцію клієнта на пропозицію)
• Внутрішні стендапи — ніколи (часу мало, інсайтів немає)
• Sync-зустрічі команди — лише ті, де є технічні рішення з наслідками для архітектури
• 1:1 з менеджерами — лише за згодою обох сторін, і лише ті, де обговорюються strategic-питання

Чим менше транскриптів — тим більша ймовірність, що їх реально використовуватимуть. 20 цінних транскриптів на місяць працюють. 200 безсистемних — ні.

Помилка 2. Чекати, що AI правильно проаналізує запис

Команди завантажують транскрипт у LLM (ChatGPT, Claude, Gemini) і просять «знайди ключові інсайти». Отримують список з 5-10 пунктів формата «обговорювали технічне рішення», «клієнт згадав бюджет», «розглянули різні варіанти».

Це не інсайти. Це переказ змісту розмови. AI не знає, що для вашої команди важливо. Він просто витягує самі очевидні моменти і подає їх у структурованому вигляді.

Як виправити: замість запиту «знайди інсайти» давати AI конкретні питання, на які треба знайти відповіді в транскрипті. Наприклад:

• «Які мотиви рухає клієнтом та які фрази це підтверджують?»
• «Які саме технічні питання клієнт ставив про інтеграцію?»
• «Чи були моменти, коли клієнт сказав про конкурентів або альтернативні рішення?»
• «Чи були в розмові моменти, коли клієнт відповідав односкладово (потенційні точки втрати інтересу)?»

Чим конкретніше питання — тим корисніше виходить AI-аналіз. AI не замінює аналітика. Він допомагає швидко знайти потрібний фрагмент у годинному записі. І то лише якщо ви знаєте, що шукаєте.

Помилка 3. Ігнорувати реакцію клієнта на конкретні фрази

Транскрипт показує текст. Не показує:

• паузи перед відповідями клієнта
• зміни в тоні
• моменти, коли клієнт перебив співрозмовника
• моменти, коли клієнт довго мовчав

Більшість команд читають транскрипт як звичайний текст і пропускають саме ту інформацію, яка найцінніша. Підхід «клієнт сказав Х → отже, його цікавить Х» не працює. Іноді клієнт сказав «зрозуміло» — а насправді в цей момент він втратив інтерес. Транскрипт цього не покаже.

Як виправити: для критичних дзвінків аналізувати не тільки текст, але й аудіо. Сучасні інструменти (Granola, Gong, Avoma) дають змогу слухати запис паралельно з транскриптом і помічати моменти, де поведінка клієнта розходиться зі словами.

Окремий варіант — використовувати AI для аналізу тривалості реплік. Якщо в discovery-сесії sales-менеджер говорить 70% часу — це майже завжди слабка розмова, незалежно від змісту. Це формальна метрика, яку легко витягти з транскрипту. Бо клієнт хоче діалогу, а не лекції.

Помилка 4. Не пов’язувати транскрипт з результатом угоди / рішення

Транскрипт існує сам по собі. Угода — в CRM. Ніхто не пов’язує одне з одним, тому неможливо побачити патерни.

Через 6 місяців роботи з AI-транскрипцією у команди є 300 транскриптів і дані по 50 угодах (закритих або програних). Якби була зв’язка — можна було б побачити: у виграних угодах клієнт у середньому говорить 60% часу, у програних — 30%. Або: у виграних угодах є фраза «давайте детальніше про X» від клієнта на 5-10 хвилині. Без зв’язки цього не видно.

Як виправити: додати в CRM поле «посилання на транскрипт». При закритті угоди (виграш або програш) — позначити теги: чому виграли / чому програли. Через 2-3 місяці є датасет, на якому можна шукати патерни.

Це не вимагає складної аналітики. Достатньо щомісяця переглядати останні 5 виграних і 5 програних угод поспіль з прив’язаними транскриптами і ставити одне питання: що в розмові було системно інакше?

Помилка 5. Поширення транскриптів без контексту і фільтрації

Найбільш руйнівна помилка з точки зору приватності і довіри. Команда автоматично надсилає транскрипти всім учасникам зустрічі або зберігає в загальній папці. Через місяць виявляється:

• транскрипти 1:1 потрапили до людей, які в розмові не були
• клієнтські дзвінки з чутливими деталями опинилися в публічному Slack-каналі
• внутрішні обговорення зарплат і кадрових рішень розіслані всій компанії

Інструменти AI-транскрипції за замовчуванням дуже агресивні в плані поширення. Якщо не налаштувати — будуть проблеми.

Як виправити: перед розгортанням інструменту у команді налаштувати:

• доступ до транскриптів лише для учасників зустрічі (не всієї організації)
• ручне підтвердження поширення для 1:1 і sensitive-зустрічей
• автоматичне видалення транскриптів через X днів (для конфіденційних розмов)
• окремі правила для зустрічей з клієнтами (зберігання в CRM, не в Slack)
• сповіщення про запис на початку зустрічі (юридична вимога в багатьох юрисдикціях)

Це не сексуальна частина роботи. Але саме її відсутність створює найбільші ризики для команди.

Окрема велика тема: чи треба транскрибувати клієнтські дзвінки в B2B

Це окреме рішення, яке стосується не тільки інструменту. Аргументи «за» — стандартні: можна навчатися на власних дзвінках, бачити, де менеджери втрачають клієнтів, знаходити патерни в успішних розмовах.

Аргументи «проти» — не такі очевидні:

Перше. Якщо записувати все підряд і не аналізувати — буде накопичення даних без користі.

Друге. Клієнт у B2B має знати про запис. Інакше — це юридична проблема. Сповіщення «розмова записується для якості сервісу» не завжди є достатнім, особливо для регульованих галузей.

Третє. Менеджери, які знають, що дзвінки слухають, починають говорити інакше. Не природніше — а більш формально. Це знижує якість розмов з клієнтами в перші 2-3 місяці після впровадження.

Що в результаті працює: транскрибувати тільки дзвінки sales і customer success, мати чіткий процес розбору (1-2 дзвінки на менеджера на тиждень), і повідомляти команду, що ціль — навчання, а не контроль.

Що з усього цього найважливіше

Перше і головне правило роботи з AI-транскрипцією: інструмент не замінює аналіз. Він замінює пошук фрагменту у годинному записі. Це різні речі.

Команда, яка просто увімкнула Fireflies на всі зустрічі і чекає, що «AI знайде інсайти» — отримає накопичення транскриптів і нуль користі. Команда, яка визначила, які дзвінки транскрибує, які питання задає AI до транскриптів, як пов’язує результат з CRM — отримує реальний інструмент для навчання і управлінських рішень.

Друге правило — пов’язувати дані з результатом. Транскрипт без зв’язку з угодою / рішенням — це художня література. Транскрипт + статус угоди + теги «чому виграли / чому програли» — це датасет, на якому можна вчитися.

Третє — не забувати про людський контекст. AI бачить слова. Він не бачить тиші, тону, паузи перед відповіддю. Найцінніша інформація з дзвінка — там, де клієнт мовчав або довго думав, а не там, де він багато говорив.

В IT-командах AI-транскрипція може стати потужним інструментом. Може стати ще одним дашбордом, який ніхто не дивиться. Різниця — у п’яти речах вище.

Сергій Герус — тренер з продажів, бізнес-консультант. sergey-gerus.com