wedolab

Голосовой ИИ в диспетчерской ЖКХ: кейс внедрения ИИ-оператора

Кейс внедрения голосового ИИ оператора в аварийно-диспетчерской службе. Голосовой бот в диспетчерской ЖКХ: 16% аварийных заявок – без участия операторов.

Заказчик

  • Ниша: ЖКХ / управляющая компания
  • Тип бизнеса: региональная компания
  • Модель работы: диспетчерско-аварийная служба, приём звонков от жильцов по телефонной линии
  • Контекст: более 10 крупных многоквартирных домов, отдельные бригады (слесари, электрики и др.). Диспетчерская служба совмещает приём аварийных заявок, консультации по начислениям и вопросы по оплате коммунальных услуг.

Проблема глазами клиента

"У нас есть диспетчерская, пять операторов, работают с 8 до 20. Но жильцам, конечно, нет дела до нашего рабочего графика – аварии могут происходить и ночью, и днём, и в моменты, когда все операторы уже заняты. Оператор – живой человек. Он может говорить только с одним абонентом. Звонок формально ничем не ограничен: объяснение платёжки пожилому человеку может затянуться на часы. Если линия занята – люди ждут, нервничают или просто бросают трубку. Звонки бывают разными: аварии, вопросы по коммунальным начислениям, "почему нет горячей воды", "когда придёт мастер". Всё это попадает в одну диспетчерскую, и в пиковые моменты мы просто не успеваем. В какой-то момент компания упёрлась в физический потолок: увеличивать штат дорого, а терять заявки и разбираться с недовольными жильцами – ещё дороже."

Цели и задачи внедрения

  • Добавить ИИ агента для приёма звонков
  • Научить его принимать голосовые аварийные заявки
  • Автоматически формировать заявки во внутренней системе
  • Отвечать голосом на популярные вопросы, когда операторы заняты
  • Интегрировать решение с текущей телефонией и внутренними системами
  • Снизить нагрузку на диспетчеров без расширения штата

Решение WEDOLAB

Мы встроили ИИ как дополнительный слой в существующие бизнес-процессы диспетчерской службы, не ломая текущие процессы и не меняя инфраструктуру заказчика. Решение работает поверх уже используемой телефонии и подключается к внутренним системам через API.

В основе – микросервис, который отслеживает входящие звонки и состояние очереди. Когда все операторы заняты или недоступны, система автоматически принимает звонок и переводит его в режим диалога с ИИ.

ИИ работает в реальном времени: принимает голос абонента, распознаёт речь, преобразует её в текст и анализирует содержание обращения. На этом этапе система определяет тип запроса – аварийная ситуация, вопрос по коммунальным начислениям или типовое обращение.

Если запрос относится к частым вопросам, ИИ находит ответ в базе знаний и озвучивает его абоненту голосом. Если звонок связан с аварией, система уточняет адрес (или определяет его по номеру телефона) и формирует корректную заявку во внутренней системе заказчика.

Живой оператор подключается только в тех случаях, где без участия человека не обойтись. Все типовые сценарии и часть аварийных обращений закрываются автоматически, без увеличения нагрузки на диспетчерскую.

Архитектура и технологический стек

  • Голосовой ИИ-агент: Ядро системы, отвечающее за диалог с абонентами и обработку обращений. ИИ-агент разработан на базе Python и использует DeepSeek для понимания речи и формирования ответов. Управление запросами и маршрутизация моделей реализованы через OpenRouter и LiteLLM, что позволяет гибко работать с диалогами и нагрузкой.
  • Телефония и работа с голосом: Решение интегрировано в существующую голосовую инфраструктуру заказчика и работает поверх действующей телефонии на базе Asterisk. Обработка аудиопотока, приём и передача речи в реальном времени реализованы с использованием GStreamer. Это позволило встроить ИИ в текущую АТС без её замены и изменения привычных процессов.
  • API и интеграции: Для связи ИИ-агента с внутренними системами заказчика реализован API-слой на FastAPI. Через него система формирует заявки, передаёт данные и взаимодействует с внутренними сервисами, обеспечивая корректную работу диспетчерских процессов.
  • Инфраструктура: Решение развернуто на сервере внутри контура клиента. Используется конфигурация без GPU, оптимизированная под нагрузку диспетчерской службы и требования по безопасности и стабильности работы.

Цифры и результат

  • 50–60 звонков в сутки обрабатываются системой
  • Около 16% всех заявок формируются с помощью ИИ
  • Снижение нагрузки на операторов в часы пик

Сроки и бюджет проекта

  • Стоимость внедрения: 700 000 ₽
  • Расходы на токены: 16 000 ₽/мес
  • Срок реализации: 4 месяца

Все кейсы и решения