Zvonobot AI: платформа voice AI-агентов для B2B

Zvonobot AI: направление голосовых AI-агентов, запущенное с нуля

Zvonobot AI это направление группы Prof-IT, которое я запустил осенью 2025 и за которое отвечаю целиком: продукт, прайсинг, вывод на рынок. Клиенты собирают голосового AI-агента, дают ему промпт и базу контактов и запускают исходящие кампании: продажи, онбординг, реактивацию, опросы. Команда из четырёх инженеров отгружает, продуктовые решения за мной.

Меньше чем за год: 80 платящих B2B-клиентов, 500 000+ минут живых разговоров в проде, отдел продаж вырос под направление с 4 до 15 менеджеров.

Клиентский дашборд Zvonobot AI: KPI по лидам, конверсии и стоимости лида, воронка и график звонков по дням (демо-данные) — Клиентский дашборд · демо-аккаунт · реальные кабинеты клиентов под NDA

Задача

Осень 2025. Zvonobot: зрелая платформа исходящих обзвонов, роботы прозванивают базы по записанным сценариям. LLM только что научились вести нормальный диалог, и стало ясно, что на записях далеко не уедешь, а если не сделаем живых агентов мы, категорию съест кто-то другой. Вопрос стоял не «строить ли voice AI», а как быстро и дёшево узнать, будут ли за него платить наши клиенты.

Почему исходящий обзвон стоит автоматизировать для B2B-команды, в четыре строки:

Штат не масштабируется линейно: команду обзвона на 30-60 операторов тяжело нанять, обучить и удержать.
Скорость до первого касания решает воронку: лид, до которого дозвонились за минуты, конвертируется в разы лучше, а люди не на каждой смене.
Качество плавает: два оператора, один скрипт, два разных разговора, и нет дешёвого способа проверить, что реально было сказано.
Lifecycle-звонки (напоминания об онбординге, реактивация, NPS, оплата) поодиночке дёшевы, а вместе это объём, который команда людей не оправдает.

Решение

Вместо того чтобы сначала строить платформу, мы вышли на рынок на white-label платформе за несколько недель. Это поставило реальный продукт перед реальными клиентами почти без затрат на разработку и ответило на единственный важный вопрос: платят ли и возвращаются ли.

Платили и возвращались. На тёплых базах AI-агенты стабильно обходили классические обзвоны по конверсии в целевое действие, первые клиенты продлевались. С этими цифрами, а не с презентацией, я обосновал собственную платформу: маржа по типам звонков и повторные оплаты показали, где white-label упирается в потолок и что вернёт владение стеком.

Результат

80 платящих B2B-клиентов меньше чем за год после запуска.
500 000+ минут живых разговоров в проде.
30% выручки направления дают повторные оплаты.
Средний чек вырос на 30% после запуска AI-тарифов.
Отдел продаж вырос с 4 до 15 менеджеров под направление; прайсинг и маржа по типам звонков на мне.

Как устроен продукт

Кабинет Zvonobot AI это поверхность, в которой живут клиенты. Сборка агентов, дозвон, биллинг и аналитика в одной role-aware консоли.

Регистрация без трения. Почта, пароль, телефон, и клиент внутри. Телефон подтверждается уже в кабинете, перед первым звонком, а не на входе; есть вход через Яндекс ID.
Сборщик агентов. Голос, модель, язык, структурированный промпт, база контактов и номер, и через минуты работает исходящий агент.
Кампании. Кампания это «этот агент звонит этой базе с этого номера». Пауза, продолжение, повторные попытки, смена carrier, не выходя со страницы.
История звонков с маской номеров. Каждый звонок: статус, исход, длительность, стоимость, запись. Номера замаскированы, кабинет безопасен для демо и аудита.
Клиент не уходит в минус посреди кампании. Кампания резервирует ориентировочную стоимость на старте, реальная списывается после каждого звонка, остаток холда возвращается при остановке.
Ни один звонок не застревает, каждая минута оплачена ровно один раз. Вебхуки теряются; фоновый поллер каждые 60 секунд сверяет незавершённые звонки с провайдером и закрывает кошелёк.
Аналитика после звонка. LLM раскладывает каждый разговор на исход, настроение и кастомные параметры, и всё это собирается в дашборд: исходы по частоте, распределение настроения, часы, когда реально отвечают.
Четыре роли, одна кодовая база. Супер-админ, менеджер, владелец кабинета, бухгалтер, у каждого свой скоуп и вид.

Список рассылок Zvonobot AI: именованные кампании со статусом, числом контактов, списанием и датой создания (демо-данные) — Рассылки: статус, обзвоненные контакты и списание по каждой кампании · демо-данные

Таблица истории звонков Zvonobot AI с замаскированными номерами, статусами, исходами и стоимостью каждого звонка (демо-данные) — История звонков: маска номеров, статусы и стоимость каждого звонка · демо-данные

Страница аналитики Zvonobot AI: график исходов звонков, круговая диаграмма настроения и активность по часам (демо-данные) — Аналитика: исходы, настроение и активность по часам, всё из пост-call анализа · демо-данные

Страница агента Zvonobot AI: имя, статус «одобрен», выбор голоса/модели/языка, промпт со сценарием, первая фраза и панель пост-call параметров (демо-данные) — Сборщик агента: голос, модель, промпт, первая фраза и пост-call параметры · демо-агент

Что внутри

Стек намеренно скучный по краям, чтобы вся интересная работа происходила в середине.

Frontend: React 19 + TypeScript + Vite, vanilla CSS со строгими design-токенами, переключение через data-theme="dark", role-aware sidebar.
Backend: Flask modular monolith, SQLAlchemy + Alembic, PostgreSQL под state, Redis под джобы.
Voice + LLM: оркестрация диалога поверх execution-слоя voice-провайдера; голос агента, ASR, TTS и LLM настраиваются для каждого агента отдельно.
Телефония: SIP-транк для российских номеров, определение оператора через HLR-запрос, чтобы до набора знать, что номер достижим.

Три продуктовых решения с инженерными последствиями, которые я защищал бы снова:

Сверять, а не верить вебхукам. Провайдеры теряют события. 60-секундный поллер и есть то, что превращает «каждая минута оплачена ровно один раз» из надежды в факт.
Холд, потом списание. Ориентировочная стоимость резервируется на старте кампании, реальная списывается по каждому звонку, с блокировкой строки, чтобы два параллельных звонка не потратили одни и те же последние десять рублей.
Загрузка баз, которая переживает настоящие CSV. Базы приходят как +7 (982)…, 8982…, номера не в той колонке. Всё нормализуется к канонической форме, дедуплицируется, получает оператора, а ненадёжные маршруты отбрасываются по умолчанию. Это начиналось как пет-проект bazabot и переехало в продукт, когда выяснилось, что он нужен каждой кампании.

Как я над ним работаю

Направление на мне: что строим, сколько это стоит, кому и с какой маржой продаём. Команда из четырёх инженеров отгружает. Постановка, приоритеты и ревью мои, а когда гипотезе нужен рабочий ответ быстрее спринта, я собираю прототип сам с AI-агентами (Claude Code, Codex) и передаю команде вывод, а не код.

На практике:

Цикл: гипотеза → минимальная поверхность → живые клиенты → решение, за дни, а не за кварталы. White-label сначала это тот же цикл, применённый ко всему направлению.
Скучная инфраструктура это фича: холды, сверка, идемпотентность, маска персональных данных решают, ощущается SaaS стабильным или хрупким, и я отношусь к ним как к продуктовой работе.
Брать минимальную стабильную поверхность и растить её. Кабинет начинался с одной роли и одного отчёта; сегодня в нём четыре роли, биллинг, сборщик агентов, аналитика и настоящий поток звонков.

Что можно потрогать, а что под NDA

Кабинет открыт: можно зарегистрироваться самому и собрать агента. Скриншоты выше сняты с живого продукта на демо-аккаунте: организация, агент и звонки сгенерированы и обезличены, поэтому их безопасно показывать.

Под NDA остаётся конкретика: реальные названия клиентов, их промпты и базы, voice-провайдер, поверх которого мы работаем, и деньги. Всё описанное выше реально, но детали суммированы. Готов рассказать подробно на созвоне.