ИИ для отдела продаж

Что ИИ уже умеет делать в продажах

В российской выдаче 2026 регулярно встречаются несколько групп сценариев:

• анализ звонков и встреч;

• краткое резюме разговора и заполнение CRM;

• поиск зависших/рисковых сделок;

• подготовка сообщения после разговора и коммерческих предложений;

• первичная работа с входящими обращениями;

• поиск потенциальных клиентов и сбор информации о них;

• обучение и разбор работы менеджеров;

• помощь с прогнозом продаж и анализом воронки.

Это не означает, что каждый сценарий одинаково зрелый или окупится в вашей компании.

Один и тот же сценарий применения ИИ может быть:

• полезным при большом объёме однотипных данных;

• бесполезным при 10 звонках в неделю;

• опасным, если данные плохие;

• слишком дорогим, если проверка человеком съедает всю экономию времени.

Поэтому лучше выбирать не «функцию ИИ», а конкретный участок процесса, который нужно улучшить.

Сценарий 1. Анализ звонков и разбор работы менеджеров

Задача:

РОП физически не успевает одинаково регулярно разбирать достаточно звонков.

ИИ может:

• транскрибировать;

• предварительно оценить разговор по единой карте критериев;

• собрать фрагменты разговора, подтверждающие оценку;

• сгруппировать повторяющиеся ошибки/возражения;

• подготовить черновик обратной связи для менеджера.

Что нельзя автоматически считать доказанным:

• что ИИ правильно понял контекст;

• что его оценка автоматически равна оценке опытного РОПа;

• что улучшение оценки разговора автоматически означает рост продаж.

Минимальный тест:

1. выбрать единую карту критериев оценки;

2. взять, например, ограниченную обезличенную выборку;

3. ИИ делает предварительную оценку;

4. РОП независимо проверяет;

5. сравниваются критичные расхождения и время;

6. только затем решается, масштабировать ли процесс.

Критерий успеха может быть связан с:

• временем РОПа на первичную проверку качества;

• согласованностью оценки по критичным ошибкам;

• долей звонков, которые удалось охватить;

• тем, исправил ли менеджер выбранную ошибку к следующей проверке.

Не берите из статьи универсальную «норму совпадения». Допустимая точность зависит от задачи, критериев оценки и цены ошибки.

Сценарий 2. Поиск потерь выручки в CRM

Если CRM содержит тысячи сделок, ручной поиск:

• давно не обновлявшихся сделок;

• карточек без следующего шага;

• пустых критичных полей;

• аномально долгих стадий;

• повторяющихся причин потерь

становится дорогим.

ИИ может помочь классифицировать и суммировать массив.

Но правило проверки остаётся:

вывод ИИ должен вести обратно к конкретным строкам/сделкам, которые можно проверить.

Плохой результат:

«Основная проблема — менеджеры плохо возвращаются к клиентам после контакта».

Рабочий:

«В выборке из X активных сделок у Y карточек нет следующего шага и даты; вот конкретные записи для проверки».

После этого руководитель решает, действительно ли проблема в процессе, данных или правилах CRM.

Сценарий 3. Краткое резюме встречи и обновление CRM

После созвона менеджеру часто нужно:

• зафиксировать задачу клиента;

• участников;

• возражения клиента;

• согласованный следующий шаг;

• дату;

• сообщение после встречи;

• обновить CRM.

ИИ хорошо подходит для черновой структуризации транскрипта.

Но нельзя позволять модели «додумывать» то, чего не было.

Правило:

Если данных нет, ИИ должен оставить значение неизвестным, а не придумывать его.

Если клиент не назвал бюджет, ИИ не должен превращать косвенную фразу в точную сумму.

Если следующий шаг не согласован, резюме должно прямо показать отсутствие договорённости. Это полезный сигнал, а не повод что-то додумывать.

Сценарий 4. Коммерческое предложение после встречи

После качественного разговора, где выяснена задача клиента, нейросеть может подготовить первый черновик:

• контекст клиента;

• подтверждённая проблема;

• желаемый результат;

• связь между задачей и предлагаемым решением;

• что именно получит клиент;

• границы работ;

• следующий шаг.

Это особенно полезно, если компания уже имеет:

• актуальные продукты;

• актуальный источник цены;

• только проверенные кейсы;

• ограничения;

• шаблон.

Без этого ИИ начинает компенсировать пробелы красивым текстом.

Здесь действует то же правило: каждое утверждение должно иметь подтверждение.

кейсы, цена, сроки и результат должны приходить из разрешённых источников, а не из генерации.

Сценарий 5. Поиск и изучение потенциальных клиентов

ИИ может ускорить сбор открытой информации:

• чем занимается компания;

• какая у неё модель;

• какие сигналы могут указывать на релевантность;

• кто потенциально участвует в решении;

• какую гипотезу стоит проверить.

Но есть принципиальная разница:

исследование → гипотеза, которую проверяет человек

и

ИИ решил, что компании точно нужен продукт.

Второе — уже чрезмерный вывод.

Хороший процесс формирует:

компания → замеченный сигнал → возможная связь с вашим предложением → вопрос или понятная причина для контакта.

А не псевдоперсонализацию:

«Увидел, что ваша компания активно развивается…».

Сценарий 6. Ввод новых менеджеров в работу и тренировка

Если у компании есть рабочая инструкция по продажам, ответы на частые вопросы, хорошие примеры и критерии оценки, ИИ можно использовать для:

• вопросов по внутренним материалам;

• тренировочных диалогов с имитацией клиента;

• генерации тренировочных кейсов;

• проверки знаний;

• подготовки микроупражнений после проверки качества.

Но ИИ не заменяет критерий допуска сотрудника.

Готовность сотрудника к самостоятельной работе должна подтверждаться реальным навыком и результатами, а не количеством тренировочных диалогов с ботом.

Сценарий 7. Помощь с прогнозом продаж

Модель может помочь:

• собирать общую картину воронки;

• находить недостающие данные;

• группировать риски;

• сравнивать сценарии.

Но прогноз особенно чувствителен к качеству данных.

Если данные в воронке плохие и менеджеры ведут CRM нерегулярно, даже сильная модель ИИ не исправит:

• неверные предполагаемые даты закрытия сделок;

• давно не обновлявшиеся сделки;

• стадии без подтверждения фактического результата;

• отсутствие следующего шага.

До прогноза с помощью ИИ сначала нужна нормальная, достоверная воронка.

Какой тип инструмента нужен для разных задач

Не начинайте с выбора бренда. Сначала определите задачу и данные, которые для неё нужны.

Анализ звонков

На входе: записи или расшифровки разговоров + единые критерии качества.

ИИ может: находить эпизоды, предварительно оценивать звонки, группировать ошибки и готовить материал для обучения.

Человек проверяет: критичные выводы и спорные оценки.

Подходящий тип решения: речевая аналитика или языковая модель, работающая с расшифровкой.

Резюме встречи и CRM

На входе: запись, расшифровка или заметки встречи.

ИИ может: подготовить краткое резюме, выделить договорённости, следующий шаг и поля для CRM.

Человек проверяет: факты, суммы, сроки и обязательства клиента.

Подходящий тип решения: ИИ внутри CRM или отдельный помощник с последующей записью в CRM.

Коммерческое предложение

На входе: подтверждённая задача клиента, состав решения, актуальная цена, сроки, ограничения и разрешённые доказательства.

ИИ может: собрать первый черновик и адаптировать структуру.

Человек проверяет: цену, обещания, кейсы, сроки и юридически значимые формулировки.

Подходящий тип решения: языковая модель с жёстким шаблоном и актуальными исходными данными.

Поиск потенциальных клиентов

На входе: критерии целевого клиента и открытые источники.

ИИ может: собрать информацию, выделить сигналы и подготовить гипотезу причины контакта.

Человек проверяет: действительно ли компания подходит и не придуманы ли факты.

Подходящий тип решения: исследовательский помощник или агент поиска.

Обучение менеджеров

На входе: утверждённая рабочая инструкция, сценарии, критерии оценки и хорошие примеры.

ИИ может: проводить тренировочные диалоги, задавать вопросы и готовить упражнения.

Человек проверяет: правильность методики и готовность сотрудника к реальной работе.

Подходящий тип решения: помощник по внутренней базе знаний или ИИ-тренажёр.

Прогноз и анализ воронки

На входе: качественные данные CRM.

ИИ может: суммировать риски, находить пропуски и сравнивать сценарии.

Человек проверяет: реальные договорённости и вероятность сделки.

Если CRM заполнена плохо, этот сценарий лучше отложить.

Как выглядит рабочая цепочка ИИ в продажах

Надёжная схема обычно выглядит так:

источник данных → обработка ИИ → проверяемый результат → проверка человеком → действие → запись результата → измерение эффекта.

Например:

запись звонка → расшифровка → предварительный разбор ИИ → проверка РОПа → конкретное действие для менеджера → повторная выборка через неделю.

Или:

встреча → расшифровка → черновик резюме → проверка менеджером → запись следующего шага в CRM → контроль выполнения.

На первых тестах лучше не давать ИИ право самостоятельно отправлять клиенту важные сообщения, менять критичные данные или принимать кадровые и финансовые решения. Сначала процесс должен доказать качество в режиме, где человек видит и подтверждает результат.

Как выбрать первый сценарий ИИ

Используйте четыре фильтра.

1. Повторяемость

Есть ли процесс, который происходит достаточно часто?

Разовая задача плохо подходит для автоматизации.

2. Доступность данных

Есть ли данные в пригодной форме?

Если сначала нужно три месяца вручную восстанавливать CRM, начинать нужно с качества данных, а не с ИИ.

3. Проверяемость

Можно ли человеку независимо проверить результат?

Для первых внедрений лучше выбирать задачи, где результат ИИ легко сравнить с фактом или оценкой специалиста.

4. Измеримость

Есть ли метрика до и после?

Не «команде нравится».

А, например:

• время на подготовку;

• доля проверенных звонков;

• доля ошибок;

• доля записей в CRM с корректным следующим шагом;

• время от встречи до сообщения клиенту по итогам разговора.

Как запускать тест ИИ

Шаг 1. Зафиксируйте исходное состояние

Прежде чем подключать ИИ:

• сколько занимает процесс;

• сколько объектов проходит;

• какое качество сейчас;

• какова текущая доля ошибок;

• сколько стоит ручная работа, если вы можете это оценить.

Если исходную точку определили уже после теста, её легко подобрать так, чтобы получить желаемый вывод.

Шаг 2. Выберите одну рабочую задачу

Не:

«Внедряем ИИ в продажи».

А:

«ИИ предварительно оценивает 20 звонков по одной утверждённой карте критериев».

Или:

«ИИ готовит черновик сообщения по расшифровке разговора; менеджер проверяет его перед отправкой».

Шаг 3. Ограничьте выборку

Пилот должен быть достаточно мал, чтобы его можно было вручную перепроверить.

Это не означает одну универсальную цифру.

Чем выше цена ошибки, тем строже должна быть проверка человеком.

Шаг 4. Задайте критерий успеха ДО теста

Например:

• снизить время на первичную обработку;

• сохранить приемлемое качество;

• увеличить долю звонков или сделок, которые удаётся проверить;

• сократить число пропущенных обязательных полей.

Критерий должен быть записан заранее.

Шаг 5. Задайте критерий остановки

Не менее важно определить, когда вы НЕ масштабируете.

Например:

• модель регулярно искажает критичные факты;

• исправления человеком занимают почти столько же времени, сколько ручная работа с нуля;

• данные недостаточно качественные;

• интеграция создаёт дополнительную работу;

• стоимость пилота превышает практический эффект.

Шаг 6. Проверка человеком

На тесте человек должен иметь возможность сравнить результат ИИ с исходными данными.

Это особенно важно для:

• звонков;

• сделок;

• кандидатов;

• прогноз;

• денег;

• договорённостей клиента.

ИИ может предварительно обрабатывать, классифицировать и кратко пересказывать данные или помогать человеку. Ответственность за важное решение должна оставаться за человеком и понятным процессом проверки.

Шаг 7. Решение: масштабировать, изменить или остановить

МАСШТАБИРОВАТЬ

результат стабилен, качество приемлемо, экономика имеет смысл.

ИЗМЕНИТЬ

потенциал есть, но нужно изменить инструкцию для ИИ, входные данные, критерии оценки, процесс или границы задачи.

ОСТАНОВИТЬ

сценарий не даёт достаточной пользы либо риск и стоимость выше результата.

Не превращайте «мы уже интегрировали» в причину продолжать слабый сценарий.

Пример теста: проверка качества звонков

Вымышленная компания:

6 менеджеров.

Проблема:

РОП может системно разбирать только небольшой объём разговоров.

Гипотеза:

Предварительная оценка ИИ по единой карте критериев может сократить время первичной проверки и позволит проверить больше звонков без потери контроля критичных ошибок.

Исходное состояние:

фиксируем текущие затраты времени РОПа на выборку звонков и текущий объём проверки качества.

Выборка:

ограниченная обезличенная выборка звонков.

Процесс:

расшифровка звонка → предварительная оценка ИИ → фрагменты-подтверждения → ручная проверка → действие для обучения менеджера.

Успех:

заранее выбранное сочетание экономии времени и приемлемой точности по критичным ошибкам.

Остановка:

ИИ регулярно неправильно понимает критичный контекст или исправления человеком съедают всю экономию.

После 7 дней:

МАСШТАБИРОВАТЬ / ИЗМЕНИТЬ / ОСТАНОВИТЬ.

Это сильнее, чем тезис:

«нейросеть анализирует 100% звонков и повышает продажи».

Последнее может быть маркетинговым обещанием конкретного поставщика, но не универсальным фактом для вашего отдела.

Как считать экономику

Простой вариант:

Ценность = сэкономленное время + сокращённая ручная работа + дополнительный полезный результат − стоимость инструмента − стоимость внедрения − стоимость проверки человеком − цена ошибок.

Не обязательно переводить всё в рубли на первом пилоте.

Но минимум должно быть ясно:

• что стало быстрее;

• что стало качественнее;

• что стало возможным;

• что стало дороже/сложнее.

Если единственный эффект:

«у нас теперь ИИ»,

экономического кейса нет.

Когда ИИ не надо внедрять

1. Процесс сам не определён.

Если два руководителя по-разному понимают хороший звонок, автоматическая оценка ИИ лишь ускорит этот спор, но не решит его.

2. Данные плохие.

Плохие данные в CRM + ИИ = более быстрый анализ плохих данных.

3. Нет объёма.

Если задача возникает раз в месяц, стоимость автоматизации может не окупиться.

4. Нельзя независимо проверить результат.

Особенно опасно для решений, где ошибка может дорого стоить.

5. Нет ответственного.

Вывод ИИ без человека, который делает следующее действие, остаётся ещё одним отчётом.

6. Нет критерия остановки.

Тогда пилот почти всегда объявляется успешным просто потому, что на него уже потратили время.

Безопасность данных

Перед отправкой выгрузок из CRM, расшифровок звонков и клиентских данных во внешний сервис ИИ нужно отдельно проверить:

• какие данные разрешено передавать;

• где они обрабатываются/хранятся;

• кто имеет доступ;

• нужны ли обезличивание и дополнительные согласования;

• соответствует ли выбранный режим требованиям вашей организации и применимому законодательству.

Для пилота по умолчанию безопаснее использовать минимально необходимый и обезличенный набор.

Если в исходных данных есть персональные данные, сначала проверьте правовое основание обработки и передачи, объём данных, доступы и условия конкретного поставщика. Для компаний, работающих в российском правовом поле, базовые требования задаёт Федеральный закон № 152-ФЗ «О персональных данных». Для управления рисками самого ИИ можно использовать NIST AI Risk Management Framework и профиль для генеративного ИИ как независимую рамку проверки рисков, контроля и ответственности.

Чек-лист теста ИИ

□ Одна конкретная задача.

□ Зафиксировано исходное состояние.

□ Входные данные доступны и достаточно качественные.

□ Персональные и другие чувствительные данные обрабатываются безопасно.

□ Назначен человек, который проверяет результат.

□ Критерий успеха записан до теста.

□ Критерий остановки записан до теста.

□ Выборку можно независимо проверить.

□ ИИ не придумывает отсутствующие факты.

□ После периода принято МАСШТАБИРОВАТЬ / ИЗМЕНИТЬ / ОСТАНОВИТЬ.

□ Экономика учитывает стоимость проверки человеком и цену ошибок.

Что сделать сегодня

1. Выпишите три самые повторяемые ручные задачи отдела.

2. Отметьте, где уже есть данные.

3. Уберите задачи, где результат нельзя нормально проверить.

4. Выберите один сценарий.

5. Зафиксируйте исходное состояние.

6. Задайте критерии успеха и остановки.

7. Проведите небольшой проверяемый тест.

Итог: как внедрять ИИ без лишнего риска

ИИ приносит пользу не тогда, когда компания подключила больше сервисов, а когда одна конкретная повторяемая задача стала выполняться быстрее, дешевле или качественнее — и это можно проверить на данных.

Поэтому лучший первый шаг — выбрать один сценарий, зафиксировать исходное состояние, провести небольшой тест, проверить результат человеком и только после этого решать, масштабировать ли решение.