Три года без Avaya и Genesys — что выросло на рынке речевой аналитики

В начале 2022 года около 70% российского рынка решений для контакт-центров занимали зарубежные вендоры — Avaya, Cisco, Genesys, по данным TAdviser. Все три ушли в течение нескольких месяцев. Прошло три года — и вместо провала рынок показал рост. Речевая аналитика прибавляет по 15% ежегодно, NLP-решения достигли 7,5 млрд рублей, а совокупная выручка крупнейших AI-поставщиков перевалила за 43 млрд. Разбираем, что именно изменилось, какие механизмы этот рост обеспечили и почему результат оказался не заменой одних платформ на другие, а появлением рынка, которого до 2022 года не существовало.

Чтобы оценить произошедшее, нужно вспомнить отправную точку. До 2022 года российский рынок технологий для контакт-центров был устроен просто: крупный бизнес работал на Avaya, Cisco или Genesys. Это были платформы, вокруг которых строилась инфраструктура — телефония, маршрутизация вызовов, интеграции с CRM, системы записи. Речевая аналитика существовала как надстройка над этой инфраструктурой и часто использовала западные модули распознавания речи — Google Speech API, Amazon Transcribe, Microsoft Azure Speech.

Уход трёх крупнейших вендоров означал не просто исчезновение софта. Исчезла экосистема: техническая поддержка, обновления, партнёрские программы, сертифицированные интеграторы. Компании, которые годами строили процессы вокруг западных платформ, оказались в ситуации, где привычная инфраструктура перестала развиваться — а во многих случаях перестала и обслуживаться.

TAdviser в обзоре рынка фиксирует: доля зарубежных решений до 2022 года составляла около 70%. Три года спустя рынок не просто заместил выпавшие 70%, а начал расти быстрее прежнего. По исследованию TelecomDaily, российский рынок речевой аналитики прибавляет в среднем 15% ежегодно. Смежный рынок NLP-решений, куда входят платформы анализа разговоров, виртуальные ассистенты и чат-боты, по оценке Naumen достиг 7,5 млрд рублей в 2024 году — рост на 25% за год. А совокупная выручка топ-35 поставщиков AI-решений в России, по данным CNews, составила 43 млрд рублей.

Цифры сами по себе показывают динамику, но не объясняют, как именно она устроена. Рост рынка речевой аналитики — это не одна история с одним драйвером. Это минимум три параллельных процесса, каждый из которых стоит разобрать отдельно.

До 2022 года значительная часть российских платформ речевой аналитики использовала зарубежные движки распознавания речи в качестве базового слоя. Google Speech API и Amazon Transcribe были удобны: качественное распознавание, быстрая интеграция, облачная модель без затрат на инфраструктуру. Платформа аналитики подключалась к API, получала транскрипцию — и дальше работала с текстом.

Когда эти API стали недоступны, компании оказались перед выбором: либо использовать open-source-модели распознавания и дообучать их самостоятельно, либо разрабатывать собственные с нуля. Многие пошли по первому пути — взяли за основу открытые архитектуры и обучили их на русскоязычных данных. И здесь случился эффект, которого мало кто ожидал.

Модели, обученные на массиве русскоязычных записей разговоров, оказались точнее универсальных зарубежных API для задач, связанных именно с российским бизнес-контекстом. Разговорная русская речь отличается от литературной: сокращения, инверсии, профессиональный жаргон, региональные акценты, переключение между регистрами внутри одного предложения. Универсальные модели справлялись с «чистой» речью, но буксовали на реальных записях из контакт-центров, где оператор и клиент говорят одновременно, фон шумит, а медицинский администратор использует термины, которых нет ни в одном словаре общего назначения.

Локальная разработка устранила ещё одну зависимость — от задержек сети. Облачные API требовали передачи аудиофайлов на серверы за рубежом, что добавляло время обработки и создавало вопросы по защите персональных данных. Модели, работающие на российских серверах или на инфраструктуре заказчика, обрабатывают записи быстрее и без трансграничной передачи.

Результат: российский рынок перешёл от зависимости от двух-трёх зарубежных API к нескольким десяткам собственных решений распознавания, часть которых обучена на узкоспециализированных данных — медицинских, финансовых, образовательных. Глубина специализации, которой не было при использовании универсальных моделей.

Второе направление роста — появление инфраструктуры, которой три года назад не существовало в нужном масштабе. Федеральный закон 152-ФЗ требует хранения персональных данных российских граждан на территории России. Для контакт-центров это означает: записи разговоров, транскрипции, метаданные звонков, данные о клиентах — всё должно храниться локально.

До 2022 года это требование выполнялось с оговорками. Часть данных обрабатывалась за рубежом на этапе распознавания, часть хранилась на серверах зарубежных облачных провайдеров с «зеркалированием» в Россию. Формально закон соблюдался, фактически — данные пересекали границу на каждом этапе обработки.

Уход западных облачных провайдеров заставил рынок решить задачу, которую до этого откладывали. Появились российские облачные платформы, способные обеспечить вычислительные мощности для работы моделей распознавания и анализа. Компании, которым облачная модель не подходила по соображениям безопасности (банки, медицинские организации, госструктуры), получили on-premise-варианты развёртывания.

По данным TelecomDaily, в сегменте on-premise-решений речевой аналитики для крупного бизнеса лидируют ЦРТ с долей 33,2%, за ними — BSS (17,5%) и 3iTech (10,6%). Эти три компании в сумме занимают больше 60% сегмента — при том, что ещё пять лет назад этот сегмент только формировался.

Перемена заметна не только по цифрам. Изменился сам характер вопросов, которые задают заказчики при выборе платформы. Если раньше разговор начинался с функциональности — «что умеет ваша аналитика», то теперь первый вопрос — «где хранятся данные». Требование локализации данных перестало быть формальным пунктом в техническом задании. Оно стало фильтром, через который проходят все решения на входе. Платформа может быть какой угодно мощной — если данные уходят за рубеж или хранятся на серверах без сертификации, разговор заканчивается, не начавшись.

Третий фактор роста — появление системной поддержки AI-технологий на институциональном уровне. Сколково продолжает поддерживать резидентов, работающих с речевыми технологиями, — от моделей распознавания до генеративного AI. Государственные программы субсидируют внедрение отечественных решений в крупных организациях.

Отчёт «Яков и Партнёры» совместно с Яндексом (2025) выделяет NLP и речевые технологии как одно из четырёх ключевых AI-направлений в России. Совокупный экономический эффект от внедрения AI к 2030 году авторы оценивают в 7,9–12,8 трлн рублей. Речевая аналитика и технологии обработки естественного языка занимают в этой оценке заметную долю: анализ разговоров, автоматизация контакт-центров, работа с документами, поиск по корпоративным данным.

Институциональная поддержка влияет на рынок двумя путями. Первый — прямой: субсидии, гранты, льготные условия для разработчиков снижают порог входа на рынок. Компания, которая пять лет назад не могла позволить себе разработку собственной модели распознавания, сейчас получает финансирование и экспертную поддержку. Второй — косвенный: отчёты аналитических компаний, поддержанные институциональными игроками, создают консенсус в среде топ-менеджмента. Когда руководитель видит оценку «12,8 трлн рублей экономического эффекта» в совместном отчёте консалтинговой компании и крупнейшего технологического игрока, AI перестаёт быть «интересной темой» и становится статьёй в стратегическом плане.

Когда мы в imot.io работаем с клиентами, этот сдвиг виден изнутри. Три года назад типичный разговор начинался с объяснения того, что речевая аналитика вообще существует и зачем она нужна. Сейчас заказчик приходит с конкретной задачей — повысить конверсию из звонка в запись, снизить долю повторных обращений, понять причины оттока — и сразу переходит к вопросам про интеграцию, сроки пилота, требования к инфраструктуре.

Мы видим этот эффект и на уровне технических требований. Вопрос «а где хранятся данные?» — из исключения превратился в первый пункт чек-листа заказчика. Требование локализации перестало быть бюрократическим ограничением — оно стало нормой, которую воспринимают как само собой разумеющуюся. Платформы, которые не могут его обеспечить, просто не попадают в шорт-лист.

Ещё одно изменение: выросла зрелость запросов. Раньше заказчик часто формулировал задачу обобщённо — «хотим контролировать качество звонков». Сейчас задача звучит конкретнее: «хотим видеть, где оператор не задаёт квалифицирующие вопросы, и как это влияет на конверсию». Это следствие того, что рынок в целом стал грамотнее — появились отраслевые отчёты, кейсы внедрений, публичные данные о результатах. Заказчик приходит не за «аналитикой вообще», а за инструментом, встроенным в конкретный бизнес-процесс.

Рынок, который вырос на месте ушедших западных платформ, отличается от них структурно. Вместо трёх крупных универсальных платформ — десятки специализированных решений. Одни фокусируются на распознавании, другие — на анализе текста, третьи — на интеграции с конкретными отраслевыми системами. Заказчик получил выбор, которого раньше не было: подобрать решение под свою отрасль, масштаб и задачу, а не адаптировать бизнес-процесс под универсальную платформу.

Если вы выбираете платформу речевой аналитики и хотите разобраться, какие задачи она закрывает на практике, — мы можем провести аудит выборки звонков и показать, как выглядит работа с вашими данными.