Gemini Decision: бот разводит голосовые и PDF по отделам CRM

Допустим, магазин отделочных материалов в Шымкенте. Понедельник, девять утра, в WhatsApp сто сорок непрочитанных. Бот уже разложил текстовые обращения по отделам CRM: замер, доставка, возврат. А вот каждое третье сообщение – голосовое, и все они лежат в общей очереди. Слушать бот не умеет. Менеджер до обеда включает записи по сорок секунд: «Алло, здравствуйте, я по поводу плитки, которую в пятницу привезли…»

Именно эту очередь закрывает Gemini Decision. Модель слушает голосовое, смотрит на фото или PDF-чек и сразу отвечает на ваши вопросы: какой отдел, насколько срочно, есть ли жалоба. Текста она не пишет. Только выбор и вероятность.

Сама идея не нова: месяц назад похожий инструмент выпустила OpenAI. Как строить на нём маршрутизацию с порогами уверенности, мы разбирали в статье «Decisions API от OpenAI: маршрутизация обращений в CRM», и эти принципы не меняются. Здесь – о том, чего у OpenAI нет, и о том, что у Google пока хуже.

Главное за минуту

Как устроен Decisions API у Google

Запрос состоит из трёх частей: модель, общий вход и набор вопросов. Общий вход – это само обращение: текст, голосовое, фото, PDF или их смесь. Вопросы – то, что CRM хочет знать об этом обращении. Типов три, и каждый возвращает своё:

Пара деталей, которые всплывут уже в коде. Вероятность «да» никогда не бывает ровно 0 или 1, поэтому условие «равно единице» не сработает ни разу – нужен порог. Вопросы друг друга не видят: Google прямо пишет, что добавление или удаление одного вопроса не меняет ответы на остальные. Цепочку «сначала понять, есть ли брак, потом выбрать вид ремонта» одним запросом не собрать.

И главное ограничение: объяснений нет. В ответе нет поля, где модель писала бы, почему выбрала «Возврат», а не «Доставку». Для разбора спорных случаев по-прежнему нужен человек. Если контент заблокировали фильтры безопасности, вместо ответа придёт ошибка 400 с кодом вроде safety – такое обращение должно уйти в общую очередь, а не пропасть.

Голосовые сообщения: маршрутизация без расшифровки

До сих пор у голосового в CRM было два пути. Либо его слушает человек, либо сначала расшифровка, потом классификация текста – два вызова, два места, где всё может сломаться. Gemini Decision убирает средний шаг: аудиофайл кладётся в общий вход, а вопросы те же, что для текста.

Голосовые в WhatsApp и Telegram приходят в формате OGG, и он в списке поддерживаемых есть. Но прямо скачать файл по ссылке из мессенджера сервис Google не сможет: такие ссылки закрыты токеном. Интеграция сначала забирает вложение сама и передаёт его внутри запроса – до 100 МБ на запрос. Внешние ссылки модель тоже принимает, но только общедоступные или подписанные и не больше 15 МБ.

Отдельный вопрос – язык. Клиент в Шымкенте легко начинает фразу по-казахски и заканчивает по-русски. Как Gemini Decision справляется со смешанной речью, документация не говорит. Проверять придётся на своих записях.

Сколько стоят голосовые

По таблице токенов Gemini секунда аудио – 32 токена. Для других аудиомоделей в прайсе Google указывает 25 токенов в секунду, какая ставка у Decision – не сказано, поэтому считаем по большей. Голосовое на 30 секунд – около 960 токенов. Добавим инструкцию с описанием отделов на 1 000 токенов и вопросы на 200.

Выходит около 2 160 токенов на обращение. Пять тысяч голосовых в месяц – 10,8 млн токенов, то есть примерно $1,08, или около 490 тенге по курсу 450 тенге за доллар. Полчаса работы менеджера в месяц обходятся дороже.

Но честно о пределе. Decision не выдаёт расшифровку. Менеджер откроет карточку и увидит отдел и срочность, а что именно сказал клиент – придётся слушать. Если текст голосового в карточке вам нужен всё равно, расшифровка остаётся в цепочке, и тогда классифицировать готовый текст можно и прежним способом. Выигрыш от Decision максимален там, где важно быстро разложить очередь, а слушать будет уже профильный специалист.

PDF и фото: чеки, накладные, брак

Вторая очередь, которая обычно копится вручную, – вложения. Клиент присылает чек о переводе в PDF, фото накладной, снимок треснувшей плитки. Gemini Decision принимает PDF до 50 МБ внутри запроса и картинки в привычных форматах, от JPEG до HEIC с айфона.

Вопросы к чеку могут быть такими. «Это чек об оплате, а не скриншот корзины?» – да или нет. «Сумма в чеке совпадает с суммой заказа 48 500 тенге?» – сумму CRM подставляет в текст вопроса из карточки сделки. Текст в вопросе можно менять под каждое обращение, а вот картинку или файл внутрь вопроса положить нельзя: медиа принимается только в общем входе. У OpenAI после выхода из беты картинки внутри вопросов разрешены – здесь Google отстаёт.

Здесь мы бы провели жёсткую границу. Вероятность 0,97 – это не подтверждение оплаты. Деньги подтверждает выписка или уведомление банка, а Decision решает только одно: в какую очередь положить чек и нужно ли сверить его срочно. Сделку переводить в «Оплачено» по ответу модели нельзя ни при каком пороге.

Gemini Decision или Decisions API от OpenAI

Два инструмента похожи настолько, что выбор сводится к вашему потоку обращений. Сравнение по документации обоих вендоров на 12 ноября:

Отсутствие кэша бьёт по текстовой маршрутизации с длинной инструкцией. В статье «Decisions API вышел из беты: что поменять в маршрутизации CRM» мы считали поток в 100 000 текстовых обращений с инструкцией на 1 500 токенов. У OpenAI с правильной точкой кэша – около $9 в месяц. У Gemini Decision тот же поток – 220 млн токенов по полной цене, $22, около 9 900 тенге. Разница в два с половиной раза.

Наша позиция простая. Работающую текстовую маршрутизацию на OpenAI ради новизны не переводите. А вот голосовые и чеки, которые сейчас падают в общую очередь, – хороший кандидат на отдельный поток через Gemini Decision. Два вендора на разных задачах – нормальная схема, если в CRM записано, какая модель приняла решение.

Бесплатный уровень и персональные данные

У Gemini Decision есть бесплатный уровень: 200 запросов в минуту, 50 000 токенов в минуту, 10 000 запросов в сутки. Для пробы хватает. Но на странице цен Google прямо указывает: на бесплатном уровне содержимое запросов используется для улучшения продуктов, на платном – нет. Голосовое клиента с именем и адресом доставки туда отправлять нельзя.

С обезличиванием у голосовых сложнее, чем с текстом. В тексте телефон и ИИН можно замаскировать до отправки, а в записи клиент сам называет имя, адрес и номер заказа. Значит, боевые данные – только через платный проект, а передача в Google должна быть отражена в вашей политике обработки персональных данных.

Ещё один открытый вопрос – логи. С 26 октября новые платные проекты Gemini API по умолчанию хранят запросы к Generate Content, подробно об этом – в статье «Gemini API хранит логи по умолчанию: что проверить в боте». Decisions API в списке API, которые попадают в логи, не назван, а в его описании о хранении нет ни слова. Мы бы не делали вывод «значит, не хранит», а проверили настройки Logs and Datasets в своём проекте.

Чего ждать не стоит

Новый инструмент легко переоценить. Вот что в документации на 12 ноября не закрыто:

Из-за этого мы бы не ставили Gemini Decision единственной точкой маршрутизации. Если API ответил ошибкой или не ответил, обращение уходит в общую очередь – как сейчас.

Что проверить до запуска

Пилот на голосовых и чеках укладывается в неделю, если идти по порядку:

• Собрать 200–300 обращений за прошлый месяц, из них не меньше 50 голосовых и чеков, и вручную отметить правильный отдел.
• Первый прогон на бесплатном уровне – только на обезличенных данных или тестовых записях, наговоренных сотрудниками.
• Обновить SDK: google-genai для Python или @google/genai для JavaScript, версия 3.2 или новее. Для остальных языков – обычный запрос к v1beta/decisions.
• Сделать скачивание вложений из мессенджера и передачу файла внутри запроса.
• Подобрать пороги уверенности по размеченной выборке, а не на глаз.
• Обработать ошибку 400 от фильтров безопасности: такое обращение – в общую очередь.
• Для боевых данных завести платный проект и проверить в нём настройки логов.
• Записывать в карточку CRM, какая модель и с какой уверенностью приняла решение.

Связанные материалы

• Whisper отключают: как перевести расшифровку звонков в CRM
• AI-боты для входящих обращений