Перейти к содержанию
Публикация AiManual

Как Stretto построила голосового AI-агента Tara на Amazon Nova 2 Sonic для банкротных интервью

Разбираем кейс Stretto: голосовой агент Tara на Amazon Nova 2 Sonic в Amazon Bedrock проводит банкротные интервью по телефону и сортирует лиды по правилам юрист

Коротко

Что будет в материале

  1. 01

    Что сделала Stretto: голосовой агент вместо веб-формы

  2. 02

    Архитектура решения: от звонка до квалифицированного лида

  3. 03

    Как удержать интервью длиной 15-20 минут: паттерн продолжения сессии

  4. 04

    Поэтапный запуск: от валидации голоса до продакшена

Stretto, владелец сайта Bankruptcy.com, заменила веб-форму сбора лидов голосовым AI-агентом Tara. Агент принимает звонки, проводит по телефону многоэтапное интервью для банкротства и передаёт юристам уже структурированные данные. Модель, на которой работает Tara, - Amazon Nova 2 Sonic, speech-to-speech решение в Amazon Bedrock.

Задача интервью - собрать то, что юристам по банкротству нужно в лиде: долги, активы, транспорт, недвижимость, трудовую историю, предыдущие подачи. Tara собирает персональные данные, финансовые сведения, инвентарь активов и трудовую историю, подстраивая тон под эмоциональное состояние звонящего.

По итогам звонка система применяет правила, которые задали юристы, и помечает лид как qualified, disqualified или needs-more-information для проверки юристом. Решение Stretto строила совместно с AWS Generative AI Innovation Center и CI&T, партнёром AWS (разбор кейса в блоге AWS).

Stretto приводит заявленные результаты: стоимость минуты голоса снизилась на 95%, конверсия лидов выросла на 20% относительно веб-формы, точность извлечения данных около 96%, средняя длительность завершённого звонка около 8 минут. Методика сравнения и независимая проверка в открытых материалах не раскрыты, поэтому воспринимать цифры нужно как ориентир, а не как гарантию, что у вас получится так же. Каждую метрику разберём отдельно ниже.

Что сделала Stretto: голосовой агент вместо веб-формы

Bankruptcy.com - сайт Stretto для людей, которые рассматривают процедуру банкротства. Раньше сбор лидов шёл через веб-форму, теперь звонок принимает Tara: представляется, ведёт структурированный разговор по шагам и к концу звонка отдаёт команде юристов данные, а не пару полей.

Почему веб-форма перестала работать

Форма собирала всего несколько полей: сумму долга, статус по работе с юристом и контактные данные. Такие лиды приносили тонкую маржу: юрист получал контакт и общую цифру, а всю финансовую картину выяснял сам.

Юристам по банкротству нужны подробности: долги, активы, транспорт, недвижимость, трудовая история, предыдущие подачи. Дописать эти поля в форму можно, но работает это плохо: чем длиннее форма, тем больше посетителей бросают её на середине.

Телефонный разговор вытягивает чувствительные финансовые детали естественнее: людям проще рассказать о долгах в беседе, чем заполнять анкету. Наём и обучение команды людей для таких интервью не окупались. Отсюда ставка на AI-агента: разговор по телефону плюс приемлемая юнит-экономика.

Кто участвовал в разработке

Роли в проекте распределены так:

  • Stretto - заказчик и оператор, владелец Bankruptcy.com;
  • AWS Generative AI Innovation Center - подразделение AWS, помогавшее с разработкой;
  • CI&T - партнёр AWS, участвовавший в создании решения.

Кто именно отвечал за какой компонент, в открытом материале не расписано, поэтому ограничимся уровнем «совместная разработка» и не будем приписывать конкретные задачи той или иной команде.

Архитектура решения: от звонка до квалифицированного лида

Поток в том виде, как его описывают в разборе кейса, выглядит так:

  1. Входящий звонок на Bankruptcy.com принимает телефония (Twilio).
  2. Voice bridge на Amazon ECS Fargate связывает телефонию с моделью: маршрутизирует аудио, держит сессию звонка и состояние интервью.
  3. Amazon Nova 2 Sonic в Amazon Bedrock ведёт диалог speech-to-speech: слушает и отвечает голосом в одной модели.
  4. Структурированные поля извлекаются отдельной моделью, Claude 3 Haiku.
  5. Собранные данные и состояние интервью хранятся в Aurora Serverless v2.
  6. К собранным полям применяются правила юристов, результат - qualified, disqualified или needs-more-information.

Публикация AWS, на которую опирается этот разбор, подробно подтверждает модель Nova 2 Sonic в Bedrock и логику квалификации по правилам юристов (источник). Конкретный вспомогательный стек (Twilio, Fargate, Claude 3 Haiku, Aurora) описан в изложении кейса; перед тем как копировать схему в свой проект, эти звенья нужно сверить по первичной технической документации.

Почему speech-to-speech, а не цепочка STT → LLM → TTS

Nova 2 Sonic обрабатывает речь на входе и генерирует речь на выходе нативно в одной модели, без цепочки отдельных speech-to-text, языковой модели и text-to-speech. Такая архитектура снижает задержку и делает разговор естественнее, а для чувствительного интервью о банкротстве это критично: пауза в ответе и «роботизированность» ломают доверие быстрее, чем неточная формулировка.

У выбора есть цена. Одна модель отвечает и за понимание, и за голос, поэтому отлаживать отдельные этапы сложнее, чем в модульной цепочке, где распознавание, логику и синтез можно изолировать. Отчасти поэтому извлечение структурированных полей вынесли в отдельную модель: диалог остаётся за Nova 2 Sonic, а разбор разговора на поля - за Claude 3 Haiku.

Роль Twilio и voice bridge на ECS Fargate

Twilio закрывает телефонию: принимает звонок и передаёт аудиопоток дальше. Voice bridge на Amazon ECS Fargate работает как промежуточный слой между телефонией и моделью в Bedrock. Он нужен потому, что телефония и Bedrock живут в разных протоколах и таймингах, а связка должна выдерживать длинные сессии без обрывов.

Конкретные реализации бриджа (какие протоколы, кодеки, параметры масштабирования) в открытом материале не раскрыты, поэтому ограничимся назначением слоя: принять аудио из телефонии, доставить его в модель, вернуть ответ и удержать состояние разговора между шагами.

Извлечение полей через Claude 3 Haiku и хранение в Aurora Serverless v2

Claude 3 Haiku решает отдельную задачу: превращает свободный разговор в структурированные поля. Логика простая: вести диалог и вытаскивать из него данные - разные операции, и смешивать их в одной модели невыгодно.

Aurora Serverless v2 хранит собранные данные и состояние интервью. К точности извлечения около 96% нужно подходить аккуратно: такая цифра требует валидации полей, а что именно считается «правильным» извлечением (точное совпадение значения, допустимый диапазон, ручная проверка), в открытых материалах не раскрыто. Схемы таблиц и промпты тоже не публиковались.

Как удержать интервью длиной 15-20 минут: паттерн продолжения сессии

Интервью для банкротства - это длинный диалог с условным ветвлением: набор полей расширялся с 13 в пилоте до 18+ категорий в продакшене. На такой длине разговор легко разваливается: человек отвлёкся, связь оборвалась, и вот уже 12 минут данных под угрозой.

Паттерн продолжения сессии решает это на уровне задачи: интервью можно возобновить, сохранив уже собранные данные, если звонок прервался или разговор нужно продолжить позже. Механику resume (токены, TTL, лимиты) в открытом материале не раскрывают, поэтому описываем на уровне паттерна. Состояние интервью в такой схеме логично держать рядом с собранными полями, то есть в Aurora Serverless v2.

Условное ветвление и расширение с 13 до 18+ категорий

Пилот стартовал на минимальном наборе из 13 полей. Дальше интервью расширили до 18+ категорий с условным ветвлением: следующий вопрос зависит от предыдущих ответов. Модель должна удерживать ветку, а система - знать, какие поля уже собраны и какие ещё нужны.

Поэтапность здесь не формальность. Сначала минимальный набор проверяет, что агент вообще доводит разговор до конца и не теряет контекст. Расширение до 18+ категорий добавляет комбинаторику, и делать это до того, как базовый сценарий стабилен, значит утонуть в сложности на старте.

Поэтапный запуск: от валидации голоса до продакшена

Запуск шёл этапами:

  1. Неделя валидации качества голоса на эмоциональных сценариях.
  2. Минимальный пилот на 13 полей.
  3. Расширение до 18+ категорий с условным ветвлением.
  4. Продакшен на Bankruptcy.com.

Логика этапов такая: сначала проверяют самое рискованное - звучит ли агент уместно в чувствительном финансовом разговоре, - и только потом вкладываются в интеграции и расширение. Критерий для перехода дальше простой: если голос не проходит валидацию на эмоциональных сценариях, строить всю остальную систему рано. Никакая архитектура не спасёт агента, которого человек в стрессе не хочет слушать.

Тестирование на чувствительные разговоры

Голосовой агент в банкротстве ошибается дорого, поэтому тестовый набор строят по классам сценариев:

  • happy path - обычное интервью от приветствия до квалификации;
  • adversarial - провокации, странные ответы, попытки сбить агента с ветки;
  • compliance - соответствие требованиям к обработке финансовых данных и разговору с потребителем;
  • barge-in - перебивания: агент должен корректно останавливаться и слушать.

Barge-in критичен по простой причине: люди в стрессе перебивают. Чистая обработка перебиваний входила в ключевые требования к решению, наравне с низкой задержкой и эмоциональной чувствительностью. Как устроен barge-in в офлайн-ассистентах и на что там смотреть, разбирали в отдельном материале про App AI Assistant на Gemma 3.

Практический совет: собирать тестовый набор до пилота, а не после. Оценивать результат по конкретным критериям, а не по общему «вроде работает»: агент не теряет ветку, не выдумывает данные, корректно передаёт сложный случай юристу. Декомпозиция LLM-агента и метрики качества на этапе проектирования подробно разобраны в статье про ошибки на ML System Design.

Квалификация лидов: правила юристов вместо решения модели

По итогам звонка система применяет правила, которые задали юристы, и сортирует лид:

  • qualified - проходит по правилам;
  • disqualified - не проходит;
  • needs-more-information - уходит на проверку юристом.

Ключевое здесь архитектурное решение: квалификация вынесена из модели в явные правила. LLM не выносит юридически значимых суждений, систему можно проверить и объяснить, а сложные случаи попадают к человеку. Точность формулировки важна: автоматически по правилам система помечает qualified и disqualified, а финальное решение за юристом остаётся для категории needs-more-information (как это описано в источнике).

У паттерна есть граница: правила работают настолько хорошо, насколько полны и корректны собранные поля. Если извлечение ошиблось с суммой долга или пропустило актив, правило выдаст неверный вердикт, причём уверенно. Отсюда и повышенное внимание к точности извлечения данных.

Заявленные результаты: что означают цифры

Разберём каждую метрику отдельно, потому что за процентами стоят разные вещи:

  • Снижение стоимости минуты голоса на 95%. Относительно чего считали, в открытых материалах не уточняется. Скорее всего, сравнивают с человеческим интервью, но это нужно оговаривать как неизвестное, а не как факт.
  • Рост конверсии лидов на 20% относительно веб-формы. База сравнения понятна - прежняя форма, - но методика замера и период не раскрыты.
  • Точность извлечения данных около 96%. Не указано, что считается правильным извлечением и на какой выборке считали.
  • Средняя длительность завершённого звонка около 8 минут при интервью на 15-20 минут. Здесь нужно разделять «завершённый звонок» и «полное интервью»: часть звонков короче, и не факт, что каждый из них дошёл до всех полей.

Все четыре цифры заявлены Stretto. Независимой проверки в публичных материалах нет, методология сравнения не раскрыта. Такие метрики полезны как ориентир порядка величин, но переносить их на свой проект без собственного замера нельзя: у вас другая аудитория, другой сценарий и другие исходные данные. Как честно считать стоимость голосовой сессии и по каким метрикам сравнивать модели, разбирали в материале про Phonellm Alpha 1.

Ограничения подхода и когда голосовой агент оправдан

Ограничения перечислим прямо:

  • работа с персональными финансовыми данными требует compliance-контура: что записывается, как хранится, кто имеет доступ;
  • стоимость разработки и интеграций (телефония, Bedrock, ECS, база) заметна на старте и окупается не сразу;
  • есть зависимость от конкретной модели и вендора, и переход на другую модель - это переработка, а не смена параметра;
  • speech-to-speech сложнее отлаживать, чем модульную цепочку: меньше точек контроля по отдельным этапам;
  • тестовый набор на чувствительные сценарии нужно строить до пилота, иначе первые реальные звонки станут вашим тестом.

Подход имеет смысл при совпадении нескольких условий. Задача - сбор структурированных данных в длинном диалоге. Есть правила квалификации, которые можно вынести из модели в явную логику. Юнит-экономика человеческого интервью не сходится. И есть готовность держать человека в контуре для сложных случаев.

Если хотя бы одно условие не выполняется, голосовой агент может оказаться дороже и рискованнее, чем кажется. Общий контекст зрелости голосового AI и его барьеров (скорость reasoning, промахи распознавания, эмоциональный синтез) разбирали в статье про то, почему у голосового AI всё ещё нет «момента ChatGPT». Stretto показывает рабочий сценарий, но это один сценарий с понятными границами, а не универсальный рецепт.

Подписаться на канал