ИИ в продажах: где он приносит деньги, а где ускоряет потери

Представьте коммерческий комитет. Руководитель продаж докладывает, что ИИ разбирает все звонки, менеджеры быстрее готовят предложения, а агент пишет больше писем. Собственник спрашивает, сколько дополнительных сделок дошло до оплаты, что стало с маржой и почему бот пообещал клиенту условия, которых у компании нет.

Я бы начинал разговор об ИИ именно с этих вопросов. Поиск по документам и обещание клиенту могут выглядеть в демо одинаково убедительно. Последствия ошибки разные. Неверный черновик менеджер исправит. Неверный срок, названный клиенту, может обернуться возвратом или потерей доверия.

ИИ усиливает конкретное звено продаж. Он помогает вернуть пропущенную заявку, подготовить менеджера к встрече или заметить сделку без следующего шага. Чтобы это принесло деньги, маркетинг должен привести подходящих клиентов, финансы — удержать маржу, а операционная команда — выполнить обещанное.

Где в цепочке теряются деньги

Пройдите путь клиента от первого сигнала до оплаты, исполнения и повторной покупки. Отметьте, где он ждёт, где команда теряет контекст и где обещание начинает расходиться с возможностями компании. Если КП теперь готовится за десять минут, а согласование скидки занимает два дня, узкое место осталось прежним.

Поэтому я предлагаю смотреть на ИИ через карту потерь, а не через каталог функций. Где компания теряет время, деньги, маржу или доверие? Иногда это отсутствие быстрого ответа. Иногда менеджер не понимает клиента и предлагает неправильный продукт. Иногда лиды нормальные, но финансовые правила вынуждают продавать со слишком большой скидкой.

А иногда никакой новый ИИ не нужен: достаточно убрать лишнее согласование, починить маршрутизацию или сделать обязательным следующий шаг с датой. Хороший AI-проект в продажах иногда начинается с удаления этапа, для которого изначально хотели нанять робота.

Для входящих обращений я смотрю, сколько подходящих клиентов получили осмысленный ответ и дошли до оплаты. Для сложного B2B — сколько встреч закончилось подтверждённым следующим шагом. Для удержания — сколько клиентов продлились сверх того, что произошло бы без нового сценария. От выбора потери зависит и технология, и команда.

Модель, правило и агент выполняют разную работу

• Предиктивная модель оценивает вероятность покупки, срыва сделки или оттока. Она опирается на историю, поэтому может воспроизвести старые ошибки квалификации.
• Генеративная модель собирает бриф, резюмирует разговор и готовит черновик. Цену, срок и другие критичные факты она должна брать из актуальных документов.
• Правило задаёт лимит скидки, проверяет обязательные поля и направляет заявку к нужному человеку.
• Агент получает право выполнить несколько шагов: найти данные, изменить CRM, создать задачу или предложить время встречи. Для него важны границы полномочий, журнал действий и возможность остановки.

В одном сценарии можно использовать всё сразу. Модель замечает риск оттока, генеративный ассистент готовит черновик сообщения, правило проверяет допустимость контакта, агент создаёт задачу. Менеджер решает, что уместнее для клиента: предложение о продлении, помощь сервиса или пауза.

Что уже можно внедрять

Подготовка к встрече и работа с договорённостями

В сложной продаже бриф полезен, когда помогает задать лучший вопрос. Я бы просил у ассистента факты со ссылками, несколько гипотез, историю контактов и вопросы для встречи. Критичные сведения менеджер проверяет. Замерять стоит время до готового брифа и долю встреч, которые продвинулись дальше.

В кейсе Lumen компания оценила экономию от Copilot в четыре часа на продавца в неделю. Ассистент помогает с исследованием клиентов, встречами и перепиской. Это оценка высвобождённого времени. Денежный эффект зависит от того, как компания использует эти часы.

Второй сформировавшийся контур — работа после разговора. Хороший ассистент превращает запись в структуру: что хотел клиент, какие ограничения назвал, какие обещания дал менеджер, какие вопросы остались, какой следующий шаг, кто его делает и когда. Затем человек проверяет и подтверждает запись. Это снимает рутину и, что важнее, уменьшает потерю контекста между участниками.

Клиенту не приходится заново рассказывать биографию каждому новому сотруднику, а руководитель видит не саммари «всё нормально», а фактические договорённости. Но автозаполнение не должно стать автоматическим заверением: ошибочно распознанный бюджет или дата могут уверенно отправиться по всей цепочке.

Morgan Stanley выстроил этот процесс так: с согласия клиента Debrief готовит заметки, выделяет действия, сохраняет запись в Salesforce и создаёт черновик письма. Консультант редактирует письмо и решает, отправлять ли его. Для своего пилота я бы взял двадцать реальных встреч и сравнил выводы модели с тем, что менеджер готов подтвердить: суммы, сроки, обещания и следующий шаг.

Анализ звонков и возврат пропущенных обращений

Речевая аналитика помогает руководителю найти разговоры, в которых менеджер пропустил важный вопрос или оставил клиента без следующего шага. Начните с нескольких наблюдаемых критериев. Разметьте выборку вручную, сравните с машинной оценкой и договоритесь, какие эпизоды команда разбирает каждую неделю.

В дилерском кейсе Calltouch система разобрала 693 звонка и передала проблемные обращения руководителю. Поставщик сообщил о 17 возвращённых в работу сделках. Здесь понятна связь между сигналом и действием: кто-то получает контакт и отвечает за повторную попытку. Для своего потока я бы считал ещё состоявшиеся встречи, оплаты и маржу.

Следующее действие, прогноз и коммерческое предложение

Предиктивная персонализация сформировалась задолго до генеративного ИИ. Системы рекомендуют продукт, канал, время и механику на основе покупок, поведения, обращений и реакции на прошлые контакты. В ритейле это связано с программой лояльности, ценой и запасами. В банке — с транзакциями и жизненным циклом бизнеса.

В подписочном сервисе — с использованием продукта и риском оттока. Генеративный ИИ добавляет новый слой: может быстро сформулировать индивидуальный текст или собрать креатив, но решение о том, кому и зачем выходить на контакт, должно опираться на данные и экономику, а не на воображение модели.

X5 сообщила примерно о 5 млрд рублей дополнительной операционной прибыли от портфеля ИИ-решений за 2025 год. В него входили прогнозирование спроса, пополнение, ценообразование, ассортимент и рекомендации. Для руководителя здесь интересна связка между предложением, запасом и маржой. Эффект отдельной рассылки из этой общей цифры вывести нельзя.

Собственнику здесь нужно смотреть не на «процент персонализированных сообщений», а на инкрементальную маржу относительно группы, которую оставили без изменений. Возможно, клиент и так купил бы. Возможно, персональная скидка увеличила выручку, но уменьшила прибыль.

Возможно, модель научилась выбирать тех, кому предложение не нужно, зато они охотнее реагируют. И наконец, слишком частые «персональные» касания могут увеличить краткосрочный отклик и ускорить отписку. Хорошая рекомендация усиливает отношения и экономику одновременно; плохая просто точнее находит способ продать лишнее.

Прогнозирование продаж тоже стало рабочей практикой, но его часто неправильно понимают. Модель может оценить риск по активности, истории этапов, вовлечённости участников и содержанию коммуникаций. Она может показать, что сделка стоит без движения, ключевой участник исчез или похожие возможности обычно не закрываются.

Она не знает будущего и не превращает слабый процесс в точный оракул. Если этап «предложение отправлено» у разных менеджеров означает разное, а статус выставляется для отчёта, более сложный алгоритм просто лучше упакует неопределённость. Полезный прогноз объясняет, какие факты изменились и что можно проверить, а не только выдаёт вероятность 73%.

Вторая зрелая связка — ассистент знаний и подготовка материалов. Менеджер получает актуальный ответ по продукту, отраслевой кейс, шаблон расчёта, типовые возражения и черновик КП из утверждённых блоков. Это сокращает время и уменьшает зависимость от «Сергея, который всё помнит».

Но источник истины должен иметь владельца: какая версия продукта действует, какие условия устарели, какие кейсы разрешено показывать, какие заявления требуют юридического согласования. Без этого система уверенно продаст вчерашнюю акцию всем клиентам сразу. Хороший ассистент ссылается на документ и версию, знает границы и передаёт вопрос эксперту, а не заполняет пробел красивой фантазией.

Где я бы ограничивал самостоятельность

Агент для первичного контакта

Под названием AI SDR продаются и помощники, которые собирают данные о компании, и агенты, которые пишут, отвечают и назначают встречи. На входящем потоке проще определить, чего хотел клиент, и проверить, дошёл ли он до следующего шага. На холодном потоке быстро накапливаются ошибки выбора аудитории, жалобы и нагрузка на тех, кому агент передаёт ответы.

SaaStr сообщала о выручке свыше $1 млн по сделкам, которые команда связала с входящим агентом за 90 дней. В том же разборе команда оценивала человеческий надзор за пятью агентами в 15–20 часов в неделю. Сумма сделок и время сопровождения отвечают на разные вопросы. Обе величины нужны, чтобы понять экономику.

Для большинства компаний разумный путь — зарабатывать автономность по частям. Сначала агент работает в теневом режиме и только предлагает действие. Потом выполняет обратимые внутренние операции: создаёт черновик, задачу, запись. Затем получает право на узкий внешний сценарий с лимитами и быстрой эскалацией.

Например, ответить на входящий вопрос по действующему тарифу и назначить встречу, но не обсуждать индивидуальную скидку. Или продолжить диалог с существующим участником мероприятия, но не запускать массовый холодный обзвон. Автономность — это не настройка в личном кабинете, а уровень доверия, доказанный на вашем процессе.

Подсказки во время разговора и помощь с CRM

Подсказка полезна, если помогает вспомнить ограничение продукта или найти нужный документ в момент разговора. Для тренажёра я бы взял реальные типы возражений и предложил руководителям самим проверить оценки модели. В CRM агент может искать дубли и сделки без следующего шага. Массовое изменение статусов требует отдельной проверки: ошибка сразу попадёт в прогноз и отчёты.

Покупатель с ИИ, цены и переговоры

Google представила Universal Commerce Protocol для взаимодействия покупателей, продавцов и платёжных систем через агентов. Я бы начал с инвентаризации собственных данных: доступны ли цена, наличие, сроки, ограничения и возврат, можно ли сопоставить версии предложений и понятно ли, куда передать исключение.

В переговорах я бы дал модели право собрать варианты и показать маржу каждого. Обычные условия может проверить правило, исключение утверждает человек с полномочиями. Этот же принцип работает для обещаний по срокам: время доставки берётся из операционной системы, а нестандартный срок подтверждает ответственный.

Как удержать качество и доверие

Если менеджеры исторически помечали плохие лиды как нецелевые, модель может научиться повторять этот фильтр и лишить компании хороших клиентов. Если скидки выдавались в конце квартала любой ценой, алгоритм найдёт эту закономерность и предложит делать то же самое активнее.

Если лучшие продавцы действительно обходят скрипт и продают через глубокую диагностику, жёсткая оценка по формальному чек-листу может наказать правильное поведение. Поэтому перед обучением и автоматизацией нужно не просто выгрузить данные, а спросить, какую прошлую логику компания хочет сохранить, а какую наконец перестать воспроизводить.

Процессный риск похож: локальная оптимизация создаёт больше работы в другом месте. Агент назначает встречи, но не проверяет доступность нужного специалиста. КП красивое, но финансовая модель не видит стоимость нестандартного обещания. Менеджер получает резюме, но юридические и операционные комментарии исчезли.

Чтобы этого избежать, пилот измеряет не только свой участок. Смотрите полное время до денег, долю исключений, маржу, повторные обращения, отмены, нагрузку на следующий отдел и качество результата клиента. ИИ не обязан исправлять всю компанию, но обязан показывать, куда он переносит узкое место.

Контакты и данные. До пилота поручите юристу проверить, на каком основании команда пишет или звонит, как работает отказ от коммуникации и какие записи можно передавать поставщику. Отдельно разберите сценарии, где система сама отказывает человеку или меняет условия. В таких случаях нужно заранее описать, кто рассмотрит спорное решение.

Доступ и остановка. Агент может принять инструкцию из письма или приложенного PDF за команду. Разделите доступы на чтение и запись, ограничьте внешние действия, проверьте вредоносные и неоднозначные входы и дайте владельцу способ остановить сценарий. В журнале должно быть видно, что система прочитала и что сделала.

Качество работы с людьми. Менеджерам нужны понятные критерии и возможность разобрать спорную оценку. Клиенту нужен лёгкий переход к человеку, если сценарий вышел за пределы типового. В пилоте следите за жалобами, отписками, отменами и нагрузкой на следующий отдел рядом с конверсией.

Кто отвечает за результат

Назначьте одного владельца коммерческой метрики с правом менять процесс. Он собирает рабочую группу из тех, чьё решение влияет на результат, и задаёт ритм разбора ошибок. Собственник или спонсор помогает, когда конфликтуют цели функций, например объём лидов и способность команды обслужить их.

• Продажи и маркетинг отвечают за аудиторию, качество входящего потока, обработку и следующий шаг.
• Продукт и финансы определяют допустимые обещания, варианты предложения, скидки и целевую маржу.
• Операции и сервис подтверждают наличие, сроки, мощность и способность выполнить обещанное.
• ИТ, данные, ИБ и юристы отвечают за источники данных, интеграции, доступы и границы использования.
• Руководители линии и менеджеры проверяют исключения на реальных сделках и меняют ежедневную работу.

Возьмём автоматический возврат входящего лида. Маркетинг подтверждает источник и допустимость контакта, RevOps описывает событие и маршрут, продукт даёт актуальные ответы и запреты, финансы определяют допустимые условия, операции подтверждают доступные слоты и сроки, ИТ соединяет канал и CRM, ИБ ограничивает доступы, юристы проверяют согласия и текст, РОП владеет следующим действием, а аналитик считает путь до оплаты и маржи.

Агент не «разбирается со всем сам» — он работает внутри этих решений. Если клиент просит исключение, система передаёт его человеку вместе с контекстом, а не пытается угадать.

Теперь сложный B2B-ассистент подготовки КП. Продукт отвечает за функциональные утверждения, финансы — за расчёт и скидку, юристы — за формулировки обязательств, операции — за сроки, менеджер — за потребность и стратегию сделки, RevOps — за версию и статус, ИТ — за источники и доступ.

Здесь ИИ может собрать документ за десять минут, но его бизнес-ценность появляется только если весь маршрут согласования тоже изменился. Если после генерации материал три дня ждёт каждого участника по почте, узкое место не решено. Возможно, нужен каталог предсогласованных блоков и отдельный процесс только для исключений.

Как посчитать деньги

До пилота задайте одно определение результата. Например, доля уникальных целевых обращений, оплативших в течение 30 дней. Используйте то же окно и те же правила для группы сравнения. Отдельно отмечайте изменения цены, рекламы, штата и оффера. Число сгенерированных КП и минуты обработки полезны для диагностики, а решение о масштабе зависит от коммерческого эффекта.

Чистый эффект = дополнительная маржинальная прибыль + подтверждённое сокращение расходов − полная стоимость решения − потери, ещё не отражённые в марже. В стоимость входят лицензии, интеграции, проверки, исправления, обучение и сопровождение. Скидку, уже учтённую в марже, повторно вычитать не нужно. Высвобождённые часы покажите отдельно, пока не ясно, какой экономический эффект они дали.

Допустим, при сопоставимом потоке пилот принёс 20 дополнительных оплат с маржой 6 000 ₽ на оплату. Это 120 000 ₽ дополнительной маржи. Если на решение и проверку ушло 90 000 ₽, остаётся 30 000 ₽ за период. Когда на возвраты и исправления дополнительно ушло 35 000 ₽, итог составит минус 5 000 ₽. Пример условный, но порядок расчёта показывает, как быстро рост конверсии расходится с экономикой.

Для реактивации я бы случайно разделил подходящие контакты на две группы и дал им сопоставимое время на оплату. Для ассистента в B2B сравнил бы сходные команды и периоды, с поправкой на то, что активные пользователи могут отличаться от остальных. Для контроля звонков проверил бы, изменилось ли поведение после разбора с руководителем.

План пилота на 90 дней

1. Дни 1–14. Выберите одну потерю, владельца, базовый показатель и условия остановки.
2. Дни 15–30. Соберите актуальные данные, задайте права и подготовьте выборку типовых, сложных и вредоносных случаев.
3. Дни 31–45. Запустите теневой режим. Система предлагает действия, команда сверяет их с реальной работой.
4. Дни 46–70. Разрешите проверенные действия на ограниченном потоке. Сравните эффект с базой или контролем, посчитайте цену ошибок.
5. Дни 71–90. Решите, где масштабировать, что доработать и какой сценарий закрыть.

Три точки старта

Входящий поток. Выберите один канал и сигнал, например целевое обращение без записи. Назначьте ответственного и покажите ему причину сигнала. Если агент предлагает слоты, пусть берёт их из актуального расписания. Проверьте, сколько клиентов пришли, оплатили и были обслужены в срок.

Сложный B2B. Начните в одном сегменте с брифа и черновика резюме. Через несколько недель проверьте, меньше ли сделок без подтверждённого следующего шага. Затем добавьте КП из согласованных блоков, если время подготовки действительно ограничивает цикл.

Существующая база. Возьмите один реальный повод для контакта: заканчивается период, клиенту нужна помощь или появился релевантный продукт. Сравните продления и маржу с контрольной группой. Если сигнал связан с жалобой или незавершённой задачей, сначала передайте контакт в сервис.

Перед запуском я бы попросил владельца проекта ответить на пять вопросов:

1. Где именно теряются деньги и как часто это происходит?
2. Что изменится в работе и кто будет отвечать за этот шаг?
3. Какие данные подтверждают цену, сроки и обещания?
4. Какие действия требуют проверки и кто может остановить систему?
5. При каком эффекте и уровне ошибок мы готовы расширить пилот?

Когда полезен внешний AI-директор

В моей работе я начинаю с диагностики коммерческой цепочки и экономики. С командой смотрим, где теряются заявки, время, маржа и доверие, какие данные доступны и кто вправе изменить процесс. В зависимости от задачи это может быть AI-стратсессия, аудит с дорожной картой или сопровождение пилота в роли внешнего AI-директора. О форматах я рассказываю на странице AI-трансформации компаний.

На первом коммерческом комитете я бы выбрал одну потерю, для которой есть владелец и способ проверить эффект. На следующем посмотрел бы, стало ли больше клиентов получать обещанное и сколько компания на этом заработала с учётом ошибок, скидок и поддержки.