Транскрибация интервью: как сделать свой ИИ-сервис

Каждое исследование, интервью с клиентом или фокус-группа оставляют после себя часы видеозаписей. Их приходится вручную переслушивать и описывать. Команда отечественного электромобиля Атом решила эту проблему. Они создали собственный сервис, в котором автоматическая транскрибация интервью превратилась в рабочий инструмент для всей компании. Продюсерам и руководителям агентств этот кейс интересен тем, что он показывает реальную экономию на рутине и описывает подводные камни при замене ручного труда на нейросети.

От ручного труда к собственному продукту

В Атоме все началось с банальной проблемы UX-исследователей: один час тестов в электромобиле превращался в несколько часов ручной расшифровки звука в текст. Использовать бесплатные облачные сервисы небезопасно для конфиденциальных данных компании, а постоянно платить сторонним вендорам – дорого и создает зависимость от чужого софта. В итоге команда за три месяца собрала рабочий прототип на базе ИИ-моделей, который быстро стал популярным среди сотрудников.

Продюсеру это знакомо: на проектах приходится записывать часы интервью с экспертами, брифы клиентов, фокус-группы. Держать в штате человека только ради расшифровки – непозволительная роскошь, а отдавать расшифровку на фриланс – долго и небезопасно для коммерческой тайны. Свой внутренний сервис решает обе проблемы: конфиденциальные данные не уходят наружу, а скорость работы увеличивается в разы. Самое ценное в кейсе Атома – они собирали продукт строго под задачи конечных пользователей, а не придумывали функции из головы. Это сэкономило разработчикам месяцы работы над ненужным функционалом.

Согласования и сопротивление команды

Когда простой прототип решили превратить в серьезный внутренний инструмент, разработчики столкнулись с неожиданной проблемой – отсутствием регламентов безопасности. Поскольку технологии развиваются быстрее правил корпоративной безопасности, требования к ИИ-сервису юристы писали буквально на ходу. Для агентств при внедрении таких решений это важный урок: закладывать на юридические согласования и проверки безопасности нужно столько же времени, сколько на саму техническую разработку. Привлекать юристов стоит на старте, а не перед запуском готового софта.

Еще одним сюрпризом для создателей сервиса стало сопротивление сотрудников. Люди тепло встречают технологии, пока те автоматизируют чужую работу. Но когда нейросеть начинает делать то, чем человек профессионально занимается много лет, возникает резкий негатив. В Атоме поняли: экспертов нужно вовлекать в создание ИИ-помощника с самого начала. Важно сразу договориться, где ИИ использовать нельзя, кто проводит экспертную проверку его работы и как разрешать споры, если мнение человека и рекомендации нейросети расходятся. Вместо лозунгов об автоматизации лучше предложить избавить людей от рутины, которая их давно раздражает.

Считаем экономику ИИ-инструментов

Сейчас проект Атома перерос рамки простого транскрибатора. Теперь инструмент помогает рекрутерам анализировать собеседования, а отделу продаж и менеджерам – фиксировать договоренности на обычных встречах. Но главное, чему сейчас учится команда – это считать реальные деньги.

Внутренние сервисы часто кажутся бесплатными для сотрудников, потому что счета за токены уходят в общий бюджет компании. Теперь создатели сервиса считают стоимость каждого конкретного сценария: сколько стоит минута расшифровки интервью, сколько стоит краткое содержание планерки. И вывод здесь очень трезвый: гонять тяжелую языковую модель ради краткого содержания рядового созвона – это неэффективно. Иногда дешевле сделать работу руками или использовать менее мощную и дешевую модель.

Для меня как продюсера это главный вывод. Мало просто внедрить нейросеть – нужно четко размечать сценарии, где автоматизация реально экономит бюджет и время, а где идет переплата за технологии. Эра слепого увлечения искусственным интеллектом проходит, начинается время прагматичного подсчета затрат.