AI-агент через MCP: как я собрал QA для CRM, который слушает звонки

Разработчик из ESM-CRM встроил в систему AI-агента на базе MCP: он слушает звонки, сверяет их с данными CRM и подсвечивает аномалии. Рассказываем, как устроена эта архитектура и почему AI не имеет права менять данные.

Классические правила валидации в CRM всегда упираются в один тупик: они умеют проверять процесс, но не понимают контекст. Можно заполнить все обязательные поля, соблюсти SLA и сохранить формальный порядок — детерминированные if/else сочтут сделку идеальной. Но что на самом деле произошло в разговоре с клиентом и почему лид оказался в «корзине», они не видят. Свести сложный человеческий диалог к SQL-условию без ложных срабатываний практически невозможно.

Появление LLM и стандартов вроде MCP (Model Context Protocol) дало инструмент, который наконец-то умеет работать с неструктурированным смыслом. В ESM-CRM разработчик добавил второй слой контроля: AI QA разбирает контекст звонка, сверяет его с реальным статусом в CRM и передает подозрительные кейсы руководителю. При этом сразу было зафиксировано жесткое архитектурное ограничение: AI только подсвечивает аномалии, но принципиально не имеет права менять данные в CRM.

Как устроен AI QA-агент в ESM-CRM

Автор статьи на Хабре (никнейм не указан) пошагово разбирает всю цепочку: от сборки MCP-сервера и подключения к Yandex AI Studio до асинхронных воркеров, валидации JSON-схем и логики event-driven запуска. Идея в том, чтобы AI-агент прослушивал звонки менеджеров, анализировал их содержание и сопоставлял с тем, что записано в CRM.

На практике это выглядит так: когда звонок завершается, в системе генерируется событие, которое запускает асинхронный воркер. Воркер отправляет транскрипт разговора в Yandex AI Studio через MCP-сервер, получает структурированный ответ в формате JSON, валидирует его по заранее заданной схеме и затем сравнивает ключевые поля с данными в CRM. Если находятся расхождения — например, менеджер пообещал клиенту скидку, но в CRM это не отражено, или клиент явно выразил нежелание покупать, а статус сделки остался «в работе», — агент создает уведомление для руководителя.

Ключевая особенность — асинхронность. Звонки не блокируются, воркеры работают в фоне, а результаты появляются по мере готовности. Это позволяет не нагружать основную систему и обрабатывать большие объемы разговоров без задержек.

Предыстория и контекст

MCP — это открытый стандарт, представленный Anthropic в ноябре 2024 года. Он призван унифицировать способ подключения LLM к внешним инструментам и данным. До MCP каждый разработчик писал свои интеграции, что приводило к фрагментации и сложности поддержки. MCP стал своего рода «USB-C для AI»: один протокол, который позволяет модели подключаться к любым источникам данных — от файлов до API CRM.

В России интерес к MCP растет, особенно в контексте импортозамещения и адаптации западных технологий под локальные реалии. Yandex AI Studio — это облачная платформа Яндекса для работы с генеративными моделями, которая поддерживает MCP и позволяет интегрировать LLM в бизнес-приложения без необходимости разворачивать собственную инфраструктуру. Автор статьи выбрал именно ее, вероятно, из-за доступности и соответствия требованиям по работе с данными российских компаний.

Проблема, которую решает AI QA-агент, давно известна в продажах: менеджеры часто «рисуют» активность в CRM, чтобы выполнить KPI, но реальное качество коммуникации страдает. Классические системы контроля не способны это отследить, потому что требуют ручной проверки звонков, что крайне трудоемко. LLM открывают возможность автоматизировать этот процесс, но важно правильно ограничить их полномочия.

Чем AI QA отличается от простого анализа звонков?

Обычные системы анализа звонков, например на основе ключевых слов или тональности, работают по заранее заданным правилам. Они могут определить, что менеджер сказал «скидка», но не поймут, было ли это обещание или обсуждение гипотетической возможности. AI QA на базе LLM способен улавливать контекст: учитывать интонации, последовательность реплик, неявные договоренности. Он не просто ищет паттерны, а понимает смысл диалога и сопоставляет его с формальными данными в CRM.

Например, если клиент говорит: «Мне нужно посоветоваться с женой», а менеджер ставит статус «Договоренность о покупке», классическая система не увидит проблемы. AI QA отметит, что реальное намерение клиента — сомнение, и сделка может быть под угрозой. Это позволяет руководителю вовремя вмешаться и скорректировать работу менеджера.

Технические детали: как это работает под капотом

Автор использует связку: MCP-сервер, который подключается к Yandex AI Studio, и асинхронные воркеры на стороне CRM. MCP-сервер действует как мост: он принимает запросы от воркера, отправляет их в LLM и возвращает структурированный ответ. Воркер, в свою очередь, отвечает за обработку событий и выполнение бизнес-логики.

Важный элемент — валидация JSON-схем. После того как LLM возвращает результат, воркер проверяет, соответствует ли ответ ожидаемой структуре. Это критично, потому что LLM могут генерировать непредсказуемые форматы, и без валидации агент быстро сломается. Автор подчеркивает, что схема должна быть строгой, но при этом допускать разумные варианты ответов.

Логика event-driven запуска означает, что агент активируется только при наступлении определенных событий — например, завершения звонка. Это экономит ресурсы и делает систему масштабируемой: чем больше звонков, тем больше событий, но каждый обрабатывается независимо. Асинхронность позволяет не блокировать другие процессы CRM.

Автор также отмечает, что все данные, передаваемые в LLM, анонимизируются, чтобы соблюсти требования законодательства о персональных данных. Это особенно актуально для российских компаний, где действует 152-ФЗ.

Кого затронет и как

Внедрение AI QA-агента в первую очередь затрагивает менеджеров по продажам и их руководителей. Менеджерам придется привыкнуть к тому, что их звонки анализируются автоматически, и это может вызвать сопротивление. Однако автор подчеркивает, что агент не наказывает, а помогает: он подсвечивает проблемные места, позволяя менеджеру улучшить свои навыки. Руководители получают инструмент для объективной оценки работы команды без прослушивания каждого звонка вручную.

Для бизнеса в целом это означает повышение качества ведения сделок и снижение риска потери клиентов из-за невнимательности менеджеров. В долгосрочной перспективе такая система может стать стандартом для CRM-систем, особенно в отраслях с высокой конкуренцией, где каждое взаимодействие с клиентом имеет значение.

В России и СНГ эта тема особенно актуальна, поскольку многие компании используют CRM с ограниченными возможностями аналитики, и внедрение AI-агентов может дать им конкурентное преимущество.

Что будет дальше

Автор планирует развивать агента: добавлять новые типы проверок, улучшать точность анализа, возможно, интегрировать другие LLM-провайдеры. Также он рассматривает возможность внедрения автоматических действий на основе выводов агента — например, отправка напоминаний менеджеру или изменение статуса сделки, но только с одобрения руководителя.

В целом, MCP-экосистема активно развивается, и можно ожидать появления готовых решений для интеграции AI в CRM. Это снизит порог входа для компаний, которые хотят использовать LLM, но не имеют ресурсов для разработки собственных агентов.

Итог

AI QA-агент на базе MCP — это практический пример того, как LLM могут решать реальные бизнес-задачи, выходя за рамки простого анализа текста. Он позволяет автоматизировать контроль качества звонков, выявляя аномалии, которые не видны классическим системам. Главный принцип — AI не управляет данными, а лишь предоставляет аналитику человеку — обеспечивает безопасность и доверие к системе. Следить за развитием этой темы стоит всем, кто работает с CRM и хочет повысить эффективность продаж.