Автоматизация CRM: пайплайн из YandexGPT и МТС Exolve для Bitrix24 на Python

Менеджер слушает запись звонка и вручную заполняет карточку. Это 2026 год, бросьте

Каждый звонок от клиента - это золото. И каждый менеджер после часа переговоров тратит еще 15 минут, чтобы занести Budget, Authority, Need, Timeline в CRM. Ошибки, пропущенные детали, усталость. Цифры теряются, лиды "протухают".

Исправить это можно за один вечер. Соберите пайплайн, который сам слушает записи, понимает суть и структурирует данные в Bitrix24. Ядро - две российские технологии: YandexGPT 3.0 для анализа и МТС Exolve для расшифровки аудио. Все скрепим Python и Flask.

Что понадобится для сборки

• Аккаунт в Yandex Cloud (нужен для YandexGPT API).
• Доступ к МТС Exolve (сервис транскрибации).
• Bitrix24 с включенным REST API (любой тариф).
• Python 3.10+ на сервере (или даже на старой машинке в офисе).
• Базовое понимание, как работают HTTP-запросы.

Архитектура: три кита и один дирижер

Не делайте монолитный скрипт. Разбейте логику на модули, которые общаются через очереди или просто вызовы функций. Так легче тестировать и менять части.

Если вы уже работали с OpenClaw и Битрикс24, то принцип слоеной архитектуры вам знаком. Здесь - та же философия.

1 Готовим ключи и среду

Сначала получите все API-ключи. Для YandexGPT понадобится идентификатор каталога и IAM-токен. В Exolve - просто API-ключ из личного кабинета. В Bitrix24 - вебхук для приложения (с правами на crm).

# Установите зависимости. Я предпочитаю venv.
python -m venv venv
source venv/bin/activate  # или venv\\Scripts\\activate на Windows
pip install flask requests python-dotenv

Создайте файл .env и положите в него секреты. Никогда не хардкодьте их в скрипт.

# .env.example
YANDEX_FOLDER_ID=your_folder_id
YANDEX_IAM_TOKEN=your_iam_token
EXOLVE_API_KEY=your_exolve_key
BITRIX24_WEBHOOK=https://your_domain.bitrix24.ru/rest/1/your_webhook/

2 Пишем Flask-вебхук, который будет слушать

Этот эндпоинт будет принимать POST-запрос от вашей телефонии или из Bitrix24 (если запись звонка уже загружена).

from flask import Flask, request, jsonify
import os
from dotenv import load_dotenv
import logging

load_dotenv()
app = Flask(__name__)
logging.basicConfig(level=logging.INFO)

@app.route('/webhook/new_call', methods=['POST'])
def handle_new_call():
    """
    Эндпоинт для приема данных о новом звонке.
    Ожидает JSON с полями: call_id, record_url, lead_id.
    """
    data = request.json
    if not data:
        return jsonify({'error': 'No JSON data'}), 400

    call_id = data.get('call_id')
    record_url = data.get('record_url')
    lead_id = data.get('lead_id')

    if not all([call_id, record_url, lead_id]):
        return jsonify({'error': 'Missing fields'}), 400

    # Запускаем асинхронную обработку (в реальности - в очередь)
    # Для простоты сделаем синхронно
    try:
        transcript = transcribe_with_exolve(record_url)
        bant_data = analyze_with_yagpt(transcript)
        update_bitrix24_lead(lead_id, bant_data)
        return jsonify({'status': 'success', 'call_id': call_id}), 200
    except Exception as e:
        logging.error(f"Pipeline failed: {e}")
        return jsonify({'error': str(e)}), 500

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000, debug=True)

Сервер поднят. Теперь нужна логика для трех основных функций.

3 Заставляем МТС Exolve превратить аудио в текст

Exolve дает простой REST API. Отправляем ссылку на аудиофайл, получаем текст. Проверьте, что ваш файл доступен по публичной ссылке или используйте загрузку через multipart/form-data.

import requests

def transcribe_with_exolve(audio_url: str) -> str:
    """
    Отправляет аудио на транскрибацию в МТС Exolve.
    Возвращает распознанный текст.
    """
    api_key = os.getenv('EXOLVE_API_KEY')
    if not api_key:
        raise ValueError('EXOLVE_API_KEY not set')

    # Актуальный на 2026 год endpoint
    url = "https://api.exolve.ru/v2/speech/recognize"
    headers = {
        'Authorization': f'Bearer {api_key}',
        'Content-Type': 'application/json'
    }
    payload = {
        'url': audio_url,
        'language': 'ru-RU',  # или 'en-US'
        'profanity_filter': True,
        'format': 'plain'  # 'plain' или 'srt'
    }

    response = requests.post(url, json=payload, headers=headers)
    response.raise_for_status()
    result = response.json()
    
    # Структура ответа может меняться, проверьте документацию
    return result.get('text', '')

4 Дампим текст в YandexGPT и просим вытащить BANT

Вот здесь нужна точная настройка промпта. YandexGPT 3.0 умеет возвращать JSON. Мы заставим ее структурировать ответ по полям: Budget, Authority, Need, Timeline.

def analyze_with_yagpt(text: str) -> dict:
    """
    Анализирует текст разговора и извлекает BANT-параметры.
    """
    folder_id = os.getenv('YANDEX_FOLDER_ID')
    iam_token = os.getenv('YANDEX_IAM_TOKEN')
    if not folder_id or not iam_token:
        raise ValueError('Yandex Cloud credentials not set')

    url = "https://llm.api.cloud.yandex.net/llm/v1alpha/completion"
    headers = {
        'Authorization': f'Bearer {iam_token}',
        'Content-Type': 'application/json'
    }
    
    # Критически важный промпт. Он должен быть стабильным.
    prompt = f"""
Текст разговора менеджера с клиентом:
{text}

Проанализируй разговор и извлеки следующую информацию в формате JSON:
1. budget - бюджет клиента (цифра, если упоминается, или текстовая оценка).
2. authority - имеет ли клиент право принимать решение (true/false).
3. need - четко сформулированная потребность клиента.
4. timeline - сроки, когда клиенту нужно решение.

Если какая-то информация не найдена, укажи null.
Верни ТОЛЬКО JSON-объект без пояснений.
"""

    payload = {
        'model': 'general',  # YandexGPT 3.0 доступна как 'general'
        'generationOptions': {
            'maxTokens': 1000,
            'temperature': 0.1  # Низкая температура для предсказуемости
        },
        'messages': [
            {'role': 'user', 'content': prompt}
        ],
        'instructionText': 'Ты - аналитик продаж. Извлекай факты.'
    }

    response = requests.post(url, json=payload, headers=headers)
    response.raise_for_status()
    result = response.json()
    
    # Ответ модели - строка, содержащая JSON
    import json
    result_text = result['result']['alternatives'][0]['message']['content']
    try:
        return json.loads(result_text.strip())
    except json.JSONDecodeError:
        # Фолбэк, если модель накосячила
        logging.warning(f"YandexGPT returned invalid JSON: {result_text}")
        return {'budget': None, 'authority': None, 'need': None, 'timeline': None}

Температуру ставим низкую, чтобы ответы были консервативными. Если ваши менеджеры говорят на специфичном жаргоне, добавьте в промпт примеры из реальных диалогов.

5 Толкаем структурированные данные обратно в Bitrix24

Теперь обновим карточку лида. В Bitrix24 REST API есть метод crm.lead.update. Мы мапим поля BANT на пользовательские поля CRM. Предположим, вы уже создали их в интерфейсе.

def update_bitrix24_lead(lead_id: int, bant_data: dict):
    """
    Обновляет лид в Bitrix24, заполняя пользовательские поля BANT.
    """
    webhook = os.getenv('BITRIX24_WEBHOOK')
    if not webhook:
        raise ValueError('BITRIX24_WEBHOOK not set')

    # Маппинг полей. Названия полей должны совпадать с вашими в Bitrix24.
    fields = {
        'UF_CRM_BUDGET': bant_data.get('budget'),
        'UF_CRM_AUTHORITY': 'Да' if bant_data.get('authority') else 'Нет',
        'UF_CRM_NEED': bant_data.get('need'),
        'UF_CRM_TIMELINE': bant_data.get('timeline'),
        'COMMENTS': f"Автоматический анализ звонка выполнен. BANT извлечен."  # Можно добавить текст разговора
    }
    
    # Удаляем None значения, чтобы Bitrix24 не ругался
    fields = {k: v for k, v in fields.items() if v is not None}
    
    params = {
        'id': lead_id,
        'fields': fields
    }
    
    response = requests.post(f"{webhook}crm.lead.update", json=params)
    response.raise_for_status()
    result = response.json()
    if 'error' in result:
        raise Exception(f"Bitrix24 error: {result['error_description']}")
    return result

Все. Пайплайн готов. Но это только каркас.

Где вы споткнетесь: подводные камни 2026 года

• Обновление IAM-токена. В коде выше он статичный. В реальности нужно обновлять его каждые 12 часов. Используйте сервисный аккаунт с ролью ai.languageModels.user и библиотеку yandex-cloud для автоматизации.
• Ограничения Bitrix24. Не штурмуйте API чаще 2 запросов в секунду. Добавьте задержки time.sleep(0.5) между вызовами. Иначе получите 429 ошибку.
• Качество транскрибации. Exolve может ошибаться в цифрах. Всегда проверяйте критичные данные (бюджет, сроки) вручную первые пару недель. Добавьте флаг "требует проверки" в карточку лида, если модель неуверена.
• Конфиденциальность. Аудиозаписи уходят во внешний API. Убедитесь, что это допускает ваша политика безопасности. МТС и Yandex имеют сертификаты, но риск всегда есть.

Для масштабирования вынесите задачи в очередь, например, Redis RQ или Celery. Flask-приложение будет только принимать вебхуки и ставить задачи в очередь. Это уберет таймауты.

Что дальше? Пару идей на вечер

Пайплайн работает. Данные летят в CRM. Но это только начало.

1. Добавьте второй вебхук, который будет срабатывать при изменении лида и запускать сравнение моделей для оценки тональности разговора.
2. Подключите Telegram-бота, который будет присылать менеджеру сводку по только что обработанному звонку. Как в кейсе с Woyax и Dynamics.
3. Настройте автоматическое распределение лидов на основе полученного BANT. Если бюджет выше порога - сразу директору. См. гайд по распределению в Bitrix24.

Самое главное - запустите сначала в тестовом режиме на 10-20 звонках. Посмотрите, как модель ошибается. Подкорректируйте промпт. И только потом давайте доступ всем менеджерам.

Автоматизация не должна быть идеальной с первого дня. Она должна экономить время уже сейчас. Даже если 70% полей заполняются верно - это уже победа.

Подписаться на канал