AI-система контроля качества клиентской поддержки в Bitrix24

Создать надёжный контур анализа закрытых диалогов поддержки в Bitrix24. Система должна получать историю разговора, проверять обязательные поля, определять роли оператора, клиента и бота, очищать токены и персональные данные, а затем выполнять структурированный AI-анализ качества.

Негативные выводы должны подтверждаться фрагментами диалога. Если данных недостаточно, система не должна выдумывать оценку, а обязана вернуть REVIEW_REQUIRED. Повторная обработка одного события не должна создавать дубликаты, а проблемный диалог должен эскалироваться ответственному.

Я спроектировала canonical-контракт входного события для закрытого обращения и отдельный структурированный контракт результата анализа. До обращения к модели система проверяет обязательные данные, нормализует роли и удаляет секреты и персональную информацию.

AI-анализ выполняется по JSON Schema и оценивает тон, ясность, удовлетворённость клиента и итог разговора. Для негативного вывода обязательны evidence-фрагменты из исходного диалога. При нехватке фактов возвращается REVIEW_REQUIRED вместо уверенного, но неподтверждённого заключения.

Результат проходит дополнительную валидацию и записывается в MongoDB по идемпотентной логике — повторное событие обновляет существующую запись, а не создаёт дубль. Проблемные диалоги направляются в Telegram-эскалацию.

Собран и проверен на тестовом контуре Bitrix24 технический пилот полного цикла: получение закрытого диалога, нормализация, безопасная подготовка данных, структурированный AI-анализ, валидация, запись в MongoDB и эскалация.

Реализованы evidence-based выводы, REVIEW_REQUIRED при недостатке данных и идемпотентная обработка повторных событий.

Пилот не выдаётся за промышленное внедрение у коммерческого заказчика и обработку реальных обращений компании.