Тендеры и лиды
Информация
Компании всё чаще начинают разговор об искусственном интеллекте примерно одинаково:
«Нам тоже нужно внедрить AI в продажи».
Дальше обычно обсуждают чат-ботов, расшифровку звонков, генерацию коммерческих предложений, скоринг лидов и автоматические письма.
Но есть проблема.
Менеджеры могут не заполнять CRM. Причины проигранных сделок хранятся в голове у РОПа. Один сотрудник считает лид квалифицированным после первого звонка, второй — только после получения технического задания. Коммерческие предложения собираются каждый раз по-разному.
А поверх этого процесса компания пытается поставить искусственный интеллект.
В результате хаос никуда не исчезает. Просто часть операций начинает выполняться быстрее.
AI особенно полезен там, где есть повторяемая работа, понятные данные и результат, который можно проверить. Там, где бизнес сам не понимает, что должно происходить с клиентом, нейросети почти нечего ускорять.
Разберём B2B-воронку по этапам и посмотрим, где искусственный интеллект уже действительно снимает нагрузку с отдела продаж, а где от него ждут слишком многого.
Где AI действительно полезен в B2B-воронке продаж
В B2B редко бывает путь «увидел рекламу — купил».
Между первым контактом и договором могут быть изучение компании, несколько звонков, технические вопросы, согласование с закупками, коммерческое предложение, переговоры по цене и внутреннее обсуждение у клиента.
Поэтому полезнее смотреть не на абстрактные «нейросети для продаж», а на конкретные операции внутри этого пути.
Где менеджер тратит время?
Какие действия повторяются?
Где есть достаточно данных?
Что можно проверить после автоматизации?
Именно там обычно и появляется практический смысл AI.
Перед звонком или встречей менеджер часто вручную собирает информацию о потенциальной компании:
чем занимается;
какие направления развивает;
кто принимает решение;
какие продукты уже использует;
какие могут быть задачи;
о чём стоит спросить на первой встрече.
Для крупного B2B-клиента такая подготовка может занимать заметное время.
Нейросеть может ускорить эту работу: структурировать доступную информацию, собрать краткое досье, подготовить список вопросов, выделить важные факты и предложить гипотезы для разговора.
Но именно гипотезы.
Если в открытых данных написано, что предприятие расширило производство, из этого ещё нельзя автоматически сделать вывод:
«Им точно нужна новая CRM, вентиляция или линия упаковки».
AI хорошо собирает и упорядочивает информацию.
Он намного хуже отличает интересную гипотезу от реальной потребности конкретного бизнеса, если таких данных просто нет.
Одна из самых очевидных задач для генеративного AI — подготовка текстов.
В B2B это могут быть:
первое письмо;
сообщение после знакомства;
приглашение на встречу;
повторное касание;
несколько вариантов оффера;
адаптация предложения под отрасль;
разные формулировки для собственника, коммерческого директора и технического специалиста.
Раньше сотрудник мог взять один шаблон и менять в нём название компании.
Теперь из одной базы можно значительно быстрее собрать разные версии под отрасль, роль человека или конкретную задачу.
Но здесь легко попасть в ловушку.
AI способен очень быстро персонализировать плохое предложение.
Можно получить тысячу аккуратных писем:
«Изучили вашу компанию и считаем, что наше инновационное решение поможет повысить эффективность бизнес-процессов».
Имя правильное.
Отрасль правильная.
Ценности нет.
Нейросеть масштабирует персонализацию. Она не создаёт сильный оффер из воздуха.
Если бизнес сам не понимает, почему клиенту стоит разговаривать именно с ним, генерация текста эту проблему не исправит.
Следующий этап — поступившая заявка.
Потенциальный клиент пишет:
«Нужна линия производительностью около 5 тонн. Хотим запуск до конца квартала. Производство находится в Казани. Можно предварительно понять стоимость?»
Человек сразу видит несколько важных параметров:
продукт;
объём;
регион;
срок;
запрос цены.
Нейросеть тоже может извлечь их из сообщения и автоматически структурировать.
В зависимости от системы AI можно использовать для:
определения темы обращения;
извлечения параметров запроса;
заполнения полей CRM;
первичной квалификации;
назначения ответственного;
определения приоритета;
подготовки первого ответа;
постановки следующей задачи.
На большом входящем потоке это уже заметная экономия времени.
Особенно когда менеджерам приходится ежедневно вручную переносить из писем и чатов одни и те же данные.
Звучит заманчиво:
«Пусть AI сам определяет, какой лид хороший».
Только модель должна на чём-то учиться.
Если в CRM годами аккуратно фиксировались характеристики лида, статус, причина отказа, результат сделки, длительность цикла, сумма, отрасль и источник — на этих данных действительно можно искать закономерности.
Если история выглядит так:
«думает»;
«перезвонить»;
«пропал»;
пустое поле;
«не актуально»,
то интеллектуальный скоринг получает довольно сомнительную основу.
Плохая CRM не становится хорошей базой данных только потому, что к ней подключили AI.
После разговора менеджеру нужно вспомнить договорённости, написать резюме встречи, перенести детали в CRM, заполнить поля, поставить следующую задачу и подготовить письмо.
При нескольких встречах в день это превращается в отдельный слой работы.
AI уже способен взять на себя значительную часть этой рутины:
расшифровать разговор;
сделать резюме звонка;
выделить договорённости;
найти упомянутые сроки и суммы;
определить следующий шаг;
подготовить письмо после встречи;
сформировать данные для карточки сделки.
Менеджер проверяет результат и продолжает работать с клиентом.
Практическая ценность AI здесь не в роботе, который «закрывает сделку», а в том, что менеджеру не нужно двадцать минут разбирать собственный звонок.
Речевая аналитика позволяет оценивать не только то, что сказал клиент, но и то, как менеджер вёл разговор.
Например:
задавал ли нужные вопросы;
договорился ли о следующем шаге;
выявил ли задачу клиента;
перебивал ли;
не говорил ли большую часть времени сам;
как работал с типовыми возражениями;
выполнил ли обязательные пункты скрипта.
Раньше руководитель отдела продаж физически не мог слушать все звонки.
AI позволяет сначала отобрать интересные разговоры и подсветить потенциальные проблемы.
Если система пишет, что менеджер плохо отработал возражение, РОП уже решает, действительно ли это была ошибка или разговор требовал другого сценария.
После встречи появляется ещё один повторяемый блок — коммерческое предложение.
Нейросеть может помочь:
собрать структуру;
адаптировать текст под задачу клиента;
сократить техническое описание;
сформулировать выгоды;
привести заметки менеджера в нормальный документ;
подготовить сопроводительное письмо;
создать несколько версий для разных участников сделки.
Особенно полезно это там, где предложение состоит из типовых модулей, но каждый раз немного меняется.
Допустим, клиенту нужны другое оборудование, определённая производительность, доставка, монтаж, обучение и сервис.
AI может собрать из введённых данных хороший первый черновик.
Но условия предложения — уже коммерческое решение бизнеса.
Если нужно решить, можно ли дать отсрочку, сократить срок поставки, изменить SLA или предложить нестандартную конфигурацию, одной генерации текста недостаточно.
Хороший черновик КП нейросеть подготовит. Взять на себя ответственность за условия сделки — нет.
После звонка договорились:
«Отправьте предложение, мы посмотрим и созвонимся в четверг».
Менеджер отправил.
В четверг не написал.
В пятницу тоже.
Через две недели сделка всё ещё висит на стадии «КП отправлено».
Это не проблема искусственного интеллекта.
Но AI и автоматизация могут сделать такие ситуации реже.
Например:
подготовить письмо сразу после встречи;
зафиксировать обещанный следующий шаг;
создать задачу;
напомнить менеджеру;
подготовить новое сообщение на основе предыдущего разговора.
То есть нейросеть не убеждает клиента купить.
Она помогает не потерять то, о чём менеджер уже договорился.
Для B2B с длинным циклом сделки это иногда полезнее очередного генератора «продающих сообщений».
На типовых вопросах AI действительно помогает.
Например:
«Почему дороже?»
«Есть ли рассрочка?»
«Чем вы отличаетесь от другого решения?»
«Можно ли интегрировать с нашей системой?»
Нейросеть может быстро собрать аргументы, найти нужную информацию во внутренней базе или подготовить менеджеру вариант ответа.
Но теперь представим реальную B2B-сделку.
Конкурент дешевле на 18%.
Техническому директору ваше решение нравится.
Финансовому директору — нет.
Закупщик просит отсрочку на 90 дней.
Производство клиента требует запуск до 1 декабря.
А ваш отдел поставок обещает только январь.
Какое «возражение» здесь нужно отработать?
Это уже переговоры.
Нужно понимать интересы участников, экономику сделки, допустимые уступки, риски и внутренние ограничения своей компании.
Нейросеть может подготовить варианты. Коммерческое решение всё равно принимает человек.
Наша система сама подберет вам исполнителей на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR.
Заполнить заявку
13806 тендеров
проведено за восемь лет работы нашего сайта.
Есть ситуации, где проблема вообще не связана со скоростью выполнения работы.
И тогда автоматизация почти ничего не меняет.
Компания хочет:
«Предсказывать вероятность закрытия сделки с помощью AI».
При этом CRM заполняется через раз.
Причины отказа никто не фиксирует.
Часть сделок создаётся уже после оплаты.
Источник лида менеджер выбирает случайно.
Что прогнозировать?
Пока CRM заполняется как попало, сложный скоринг просто не на что нормально опереть.
У одного менеджера стадия «Квалификация» означает, что он дозвонился.
У второго — что есть бюджет.
У третьего — что клиент прислал ТЗ.
Теперь добавим AI, который должен анализировать движение по воронке.
На какой логике?
Если люди внутри отдела по-разному понимают один и тот же этап, автоматизация начинает работать с неоднозначным процессом.
Сначала компании нужно договориться, что вообще означает каждая стадия.
Если клиентам дорого, продукт проигрывает конкурентам по критичному параметру или компания не выполняет обещанные сроки, нейросеть не исправит ситуацию красивым письмом.
Можно быстрее делать КП.
Быстрее писать повторные сообщения.
Быстрее анализировать отказ.
Но причина отказа останется.
Чем выше чек и больше участников сделки, тем больше появляется контекста, который плохо укладывается в простую автоматизацию.
Интерес закупок может конфликтовать с интересом технического блока.
Собственник смотрит на окупаемость.
Юристы — на риски договора.
Производство — на сроки.
В таких сделках ценность менеджера как раз и заключается в способности понять ситуацию, а не только правильно ответить на фразу клиента.
AI может написать:
«Предложите скидку 15%, чтобы ускорить решение».
Звучит неплохо.
Но кто ответит за маржу?
Или:
«Пообещайте запуск через четыре недели».
А производство может?
Нейросеть может предложить действие. Решение, которое создаёт обязательства для компании, всё равно принимает человек.
Представьте отдел продаж, в котором после встречи менеджер должен отправлять КП в течение суток.
Но никто этого не контролирует.
Часть сотрудников отправляет через два часа.
Часть через три дня.
Некоторые вообще забывают.
Компания внедряет нейросеть для генерации коммерческих предложений.
Теперь КП можно собрать за пять минут.
Но если менеджер всё равно вспоминает о нём через три дня, проблема осталась прежней.
Другой пример.
Компания хочет анализировать проигранные сделки.
Причины в CRM:
«дорого»;
«не сейчас»;
«пропал»;
«прочее».
AI быстро построит отчёт.
Только нового знания в нём почти не появится.
Автоматизировать имеет смысл нормальный процесс. Иначе компания просто начинает быстрее воспроизводить собственные ошибки.
Самая частая ошибка — начинать с самого эффектного сценария.
«Давайте сделаем AI-агента, который сам будет продавать».
С этого я бы точно не начинал.
Самая понятная зона:
расшифровка звонков;
резюме встреч;
перенос информации;
заполнение CRM;
следующая задача;
письмо после встречи.
Здесь легко увидеть, сколько времени команда тратила до автоматизации и сколько стала тратить после.
Следующий уровень:
информация о клиенте;
подготовка вопросов;
история коммуникации;
черновик письма;
черновик КП.
AI не принимает решение вместо менеджера, а помогает ему быстрее подготовиться к разговору.
Когда накоплено достаточно разговоров, можно искать закономерности:
на каких этапах появляются проблемы;
какие вопросы менеджеры забывают задавать;
после каких сценариев сделки чаще зависают;
какие возражения повторяются.
Это уже не просто экономия времени, а рабочий инструмент для РОПа.
А вот здесь становятся критичны данные.
Чтобы автоматически определять приоритет лидов или давать системе больше самостоятельности, бизнес должен хорошо понимать собственную воронку.
Иначе AI получает право принимать решения раньше, чем компания сама научилась объяснять, на каких правилах эти решения должны строиться.
Ещё одна проблема внедрения — отсутствие ответа на вопрос:
«А что именно должно улучшиться?»
Подключили AI.
Все довольны.
В презентации появился новый логотип.
Что изменилось?
Для разных сценариев метрики будут разными.
Если автоматизировали работу после звонков, можно смотреть:
время на обработку разговора;
долю заполненных карточек CRM;
количество зафиксированных следующих шагов.
Если AI помогает с входящими лидами:
скорость первой обработки;
количество ошибочно распределённых обращений;
долю лидов, которые дошли до менеджера без ручной сортировки.
Если используется речевая аналитика:
сколько звонков реально может анализировать РОП;
какие проблемы система помогает находить;
меняется ли выполнение стандартов разговора.
Если внедряется скоринг:
действительно ли высокий балл связан с более качественными лидами;
помогает ли приоритет быстрее работать с перспективными обращениями.
И только потом можно смотреть на более далёкие показатели вроде конверсии в сделку и выручки.
Для части AI-инструментов честнее использовать экономию рабочего времени как первую метрику, а не сразу обещать рост продаж.
Гораздо полезнее выбирать не «лучшую нейросеть», а класс инструмента под конкретную задачу.
Подходят для текстов, анализа, резюме, подготовки писем, структурирования информации, черновиков КП и работы с внутренней базой знаний.
Сюда относятся ChatGPT, YandexGPT, GigaChat и другие LLM.
Качество результата зависит от вводных, доступа к нужным данным и проверки человеком.
Здесь ценность в том, что система работает прямо внутри карточки клиента, звонка или сделки.
Это может быть расшифровка разговора, заполнение данных, резюме встречи, постановка задач или подсказки менеджеру.
Для отдела продаж такая интеграция часто полезнее ещё одного отдельного чата с нейросетью.
Нужна, когда компания хочет регулярно анализировать большое количество звонков и оценивать не только содержание разговора, но и работу менеджера.
Могут брать на себя более длинные цепочки действий:
обработать обращение;
найти информацию;
задать вопросы;
обновить данные;
подготовить следующий шаг.
Чем больше самостоятельности получает такой агент, тем важнее заранее определить правила и ограничения.
Не с покупки десяти сервисов.
И не с идеи:
«Нам нужен AI, потому что сейчас все его внедряют».
Выберите одну операцию, которую команда регулярно делает вручную.
Например, после каждого звонка менеджер переслушивает запись, пишет резюме, заполняет CRM и готовит письмо.
Посчитайте, сколько времени это занимает сейчас.
Проверьте качество данных.
Автоматизируйте этот сценарий.
Оставьте человеческую проверку.
Через некоторое время сравните результат.
Стало быстрее?
CRM заполняется лучше?
Менеджеры действительно используют освободившееся время?
Ошибок стало больше или меньше?
И только после этого двигайтесь дальше.
Не начинайте с вопроса «какую нейросеть купить?». Начните с вопроса «какую работу мы хотим перестать делать вручную?».
В первую очередь там, где есть повторяющиеся операции: обработка звонков, резюме встреч, заполнение CRM, подготовка писем, первичная квалификация и анализ большого количества коммуникаций.
Может помогать с первичной классификацией и извлечением данных из обращения. Более сложный скоринг требует нормальной истории сделок и понятных критериев качества лида.
Для простых и повторяемых сценариев часть коммуникации можно автоматизировать. Чем сложнее продукт, выше чек и больше участников решения, тем важнее участие человека.
Скорее он заберёт часть операций вокруг самой продажи. Подготовить резюме разговора и провести сложные переговоры — принципиально разные задачи.
Не для каждого отдельного сценария. Но если компания хочет автоматизировать полноценную воронку, анализировать сделки и использовать историю клиентов, структурированная CRM становится практически необходимой основой.
Да. Современные системы умеют расшифровывать разговоры, делать резюме и анализировать их по заданным критериям. Важные выводы всё равно стоит проверять человеку.
С одной частой и измеримой операции. Чем проще сравнить работу до и после внедрения, тем быстрее станет понятно, даёт ли технология реальную пользу.
Нейросети действительно могут изменить B2B-воронку.
Но не потому, что научились «продавать вместо людей».
Их сильная сторона гораздо приземлённее.
Расшифровать звонок, перенести договорённости в CRM, собрать первый черновик КП, найти нужную информацию перед встречей или подготовить повторное письмо — всё это приходится делать снова и снова.
А понять, почему крупный клиент сомневается, стоит ли менять коммерческие условия, какую уступку компания может себе позволить и что действительно влияет на решение нескольких ЛПР, — уже другая работа.
Лучший сценарий для AI в B2B-продажах — когда человек перестаёт вручную делать повторяемую работу, которая не требует его опыта и ответственности.
Чем точнее компания проводит эту границу, тем меньше вероятность, что «внедрение AI» превратится просто в ещё один сервис поверх старых проблем.
