Голосовые боты научились обманывать колл-центры. Что с этим делать
Исходящий обзвон становится дороже — и дело не только в стоимости связи. Часть рабочего времени оператора уходит на разговоры с голосовыми роботами, которых стандартные системы телефонии принимают за живых абонентов. Чем активнее банки, операторы связи и корпоративные клиенты внедряют ботов для фильтрации входящих, тем острее проблема для тех, кто ведёт массовый исходящий обзвон.
Почему классический AMD перестал работать
AMD (Answering Machine Detection) создавался под другую телефонную среду. Алгоритм умеет распознавать паузы после снятия трубки, характерные тональные сигналы и шаблонные фразы автоответчиков — вроде «аппарат абонента временно недоступен». Эти маркеры работали, когда голосовая почта и простые IVR были единственными автоматическими ответчиками на линии.
Современные голосовые боты устроены иначе. Они отвечают мгновенно, формулируют приветствие, задают уточняющие вопросы и выдерживают паузы, имитируя живой диалог. Акустически и структурно такой звонок неотличим от разговора с человеком — классический AMD угрозы не видит и переводит вызов в очередь оператора.
Оператор тратит 15–20 секунд, чтобы убедиться: на другом конце робот. При высокой интенсивности обзвона и большой базе это складывается в несколько часов оплаченного времени и сотни списанных минут связи в месяц — без единого контакта с реальным клиентом.
Как работает детекция нового поколения
Задачу решает переход от анализа акустических маркеров к двухканальной проверке каждого соединения.
- Анализ звуковых векторов. Нейросеть считывает акустические параметры речи: частоту, тембр, ритмику. Синтезированная речь голосовых ботов имеет характерную «подпись» на уровне сигнала — она обнаруживается раньше, чем оператор успевает произнести первое слово.
- Семантический анализ первых фраз. Параллельно система оценивает содержание ответа: структуру реплик, типичные речевые конструкции, соответствие живому диалогу. Голосовые ассистенты говорят узнаваемо — и модель, обученная на этих данных, распознаёт их с высокой точностью.
Если оба канала фиксируют признаки бота, вызов отсекается до перевода на оператора. Менеджер получает только те звонки, где на линии живой человек.
Именно так устроен AI AMD в модуле дозвона «Скорозвона»: детекция встроена в платформу и работает в фоновом режиме без дополнительных настроек со стороны колл-центра.
Голосовая фильтрация входящих станет нормой — и это меняет правила для исходящего
Корпоративный сектор планомерно наращивает инвестиции в голосовую защиту. Банки фильтруют клиентские линии от спама, операторы связи обрабатывают входящие через собственных ботов, крупные компании автоматизируют первичный приём обращений. Доля номеров, на которых трубку снимает не человек, продолжает расти.
Эффективность исходящего обзвона без адекватной детекции будет снижаться — не потому что контактная база стала хуже, а потому что среда изменилась. Инструменты, которые не учитывают этот сдвиг, генерируют скрытые потери: операторское время, минуты связи и упущенные контакты с реальными клиентами.
Оптимизация скриптов и воронок здесь не поможет — это инфраструктурная задача.
«Замеряли время первого отклика в десятках колл-центров. У тех, кто работает без фильтрации ботов и автоответчиков, операторы теряют 12–18% рабочего дня на вызовы, которые не переходят в разговор. Это скрытые затраты — их не видно в отчётах, но со временем это перерастает в значительную статью расходов».
Как в вашей практике устроена работа с качеством соединений при исходящем обзвоне? Есть ли метрики, которые позволяют отслеживать долю нецелевых вызовов в реальном времени?