Разбираю на исследованиях и цифрах, какие задачи в продажах можно передать ИИ, как считать экономический эффект и почему автоматизация часто ускоряет существующий бардак.
Сейчас ИИ-агента продают как сотрудника, который работает круглосуточно, не забывает клиентов, сам заполняет CRM и доводит сделки до результата.
Звучит хорошо. Но у агента есть одна особенность: он не исправляет процесс, а ускоряет его. Если отдел продаж работает нормально, агент может сократить издержки и увеличить пропускную способность. Если внутри бардак, компания просто начинает быстрее производить ошибки.
Поэтому вопрос не в том, нужен ли бизнесу ИИ. Вопрос в другом: какую конкретно операцию ему можно передать и как после этого изменится экономика продаж.
Сначала разберёмся, что именно называют агентом
На рынке этим словом обозначают практически всё, где есть нейросеть.
ИИ-помощник расшифровывает разговор, готовит резюме встречи, предлагает ответ или собирает информацию. Решение принимает человек.
Автоматизация выполняет заранее заданные правила. Например, если клиент не ответил в течение двух дней, система создаёт менеджеру задачу.
ИИ-агент получает цель и права на выполнение определённых действий. Он может самостоятельно найти информацию, выбрать следующий шаг, изменить данные в CRM, подготовить сообщение, назначить задачу или запустить другой процесс.
Разница не терминологическая. Чем больше самостоятельности получает система, тем выше возможная экономия. Одновременно растёт стоимость ошибки.
Проблема дошла до того, что Gartner использует термин agent washing. Так аналитики называют ситуации, когда обычного чат-бота, помощника или автоматизацию переименовывают в агента. Gartner прогнозирует, что более 40% проектов в области агентного ИИ будут закрыты к концу 2027 года из-за роста стоимости, неясной экономической ценности и слабого контроля рисков. Это именно прогноз, а не уже зафиксированная доля неудачных проектов. Источник Gartner
Где агент действительно может приносить деньги
Лучше всего начинать с операций, которые выполняются часто, стоят дорого и имеют ограниченное количество исключений.
Подготовка менеджера к контакту
Перед разговором менеджер собирает информацию о компании, участниках сделки, предыдущих обращениях, используемых продуктах и возможных потребностях.
Агент может делать эту работу автоматически, если у него есть доступ к CRM, внутренним данным и внешним источникам, которые компания имеет право использовать.
Экономика здесь возникает за счёт сокращения времени на подготовку и увеличения количества содержательных контактов. Но только при условии, что собранная информация действительно используется менеджером. Если сотрудник продолжает звонить всем по одному сценарию, исследование клиента превращается в дополнительную статью расходов.
Работа после звонка
После разговора менеджеру нужно заполнить CRM, зафиксировать договорённости, создать задачи, обновить стадию сделки и подготовить письмо.
Это один из самых понятных сценариев применения ИИ. Результат легко проверить, а ошибка обычно обратима.
Здесь агент может:
- расшифровать разговор;
- подготовить краткое содержание;
- выделить договорённости;
- предложить следующую задачу;
- заполнить нужные поля CRM;
- составить письмо клиенту.
Но отправка письма, изменение суммы сделки или перенос её на другую стадию могут требовать подтверждения менеджера. Уровень самостоятельности должен зависеть от цены возможной ошибки.
Контроль качества разговоров
Обычно руководитель прослушивает небольшую часть звонков. Из-за этого он видит отдельные эпизоды, а не реальную картину работы отдела.
ИИ может анализировать весь доступный поток коммуникаций, если разговоры записываются, система подключена к нужным каналам, а критерии оценки формализованы.
Он способен находить:
- пропущенные вопросы;
- неподтверждённые договорённости;
- нарушения сценария;
- типовые возражения;
- ошибки в презентации продукта;
- причины потери интереса клиента.
Но автоматическая оценка не должна сразу становиться основанием для штрафов или кадровых решений. Сначала выводы системы нужно сравнить с ручной проверкой и понять, где она ошибается.
В одном из кейсов McKinsey продавцы, использовавшие инструмент ИИ-коучинга, показали рост конверсии на 4,5 процентного пункта. Это хороший результат, но отчёт не раскрывает размер выборки, наличие контрольной группы и продолжительность наблюдения. Поэтому его нельзя считать универсальным прогнозом для любого отдела продаж. Материалы McKinsey
Помощь менее опытным сотрудникам
Одно из наиболее качественных исследований генеративного ИИ было проведено на 5 172 сотрудниках клиентской поддержки.
Использование ИИ-помощника увеличило количество успешно решённых обращений в час в среднем на 15%. Наибольшую пользу получили менее опытные сотрудники. У наиболее сильных работников рост скорости был небольшим, а в отдельных случаях качество немного снижалось. Исследование в Quarterly Journal of Economics
Это исследование не про автономного продавца. Сотрудник видел рекомендации ИИ и мог их изменить или не использовать. Но оно показывает важный эффект: система может быстрее распространять внутри команды удачные практики и сокращать разрыв между новичками и опытными сотрудниками.
Большая часть приведённой здесь надёжной эмпирики относится именно к ИИ-помощникам и чат-ботам, а не к автономным агентам в сложных B2B-продажах.
Автономный агент в исходящих продажах
Прямые данные по автономным агентам только начинают появляться.
В 2026 году была опубликована предварительная работа на данных китайской финтех-компании. Авторы проанализировали 7,41 млн исходящих контактов. Клиентов обзванивали человеческие операторы, обычный LLM-агент и агент с RAG, подключённый к проверенной внутренней базе знаний.
В общей модели авторы получили для RAG-агента на 213,9% более высокие шансы оформления займа в тот же день по сравнению с человеком. В одной из отдельных парных регрессионных моделей расчётная вероятность составила 24,2% для RAG-агента против 8,4% для человеческого оператора.
Это не сырые показатели конверсии. Оба значения рассчитаны моделью, причём базовые 8,4% получены при средних значениях контрольных переменных. Работа на SSRN
Результат выглядит впечатляюще, но у исследования есть существенные ограничения.
Это рабочая статья 2026 года, которая пока не прошла полноценное журнальное рецензирование. Дизайн исследования квазиэкспериментальный, а не случайное распределение клиентов между группами. Компания явно не сообщала клиентам, что с ними разговаривает ИИ. Основным результатом считалось оформление займа в тот же день, а не прибыль, размер выданного кредита, качество заёмщика, возврат займа или LTV.
Работа показывает потенциал автономного агента в массовых продажах одного финансового продукта. Переносить результат на сложные B2B-сделки с несколькими участниками, индивидуальными условиями и длинным циклом нельзя.
Первичная обработка входящих обращений
Агент может отвечать клиентам ночью и в выходные, уточнять базовые параметры запроса, подбирать материалы и передавать обращение нужному менеджеру.
Такой сценарий имеет смысл, если компания заранее определила:
- какие вопросы агент имеет право задавать;
- какие данные он может использовать;
- по каким критериям обращение считается квалифицированным;
- в какой момент подключается человек;
- какие обещания агент не имеет права давать.
Если эти правила не определены, круглосуточная работа превращается в круглосуточное производство неправильных ответов.
Где агент начинает масштабировать хаос
Грязные данные
Если в CRM дубли, устаревшие контакты, свободно заполненные поля и непонятные стадии, агент будет принимать решения на основании этой информации.
Он не исправит проблему автоматически. Он просто начнёт быстрее создавать задачи не тем людям, писать неактуальным контактам и строить отчёты на недостоверных данных.
В опросе Salesforce участвовали 4 050 специалистов по продажам. Среди руководителей, уже использующих ИИ, 51% сообщили, что разрозненные системы замедляют инициативы. В организациях, отнесённых авторами отчёта к высокорезультативным, 79% респондентов ставят гигиену данных в приоритет. Среди слабых организаций таких 54%.
Это исследование самого поставщика CRM и оно основано на ответах участников, а не на объективном измерении качества их данных. Но разница хорошо показывает, почему подключение ИИ обычно начинается не с модели, а с наведения порядка в источниках информации. Отчёт Salesforce
Неправильный показатель эффективности
Если агента оценивают по количеству назначенных встреч, он будет стремиться назначать больше встреч.
При этом встречи могут оказаться:
- нецелевыми;
- назначенными без подтверждённой потребности;
- с людьми, которые не принимают решения;
- созданными за счёт слишком агрессивной коммуникации.
Формально показатель растёт. Экономического результата нет.
В исследовании LinkedIn и Ipsos 72% опрошенных B2B-продавцов согласились, что массовые нерелевантные обращения снижают доверие покупателей. В опросе участвовали 875 продавцов из семи стран. Это оценка самих продавцов, а не прямое измерение поведения покупателей, но риск понятен: автоматизация позволяет очень быстро испортить репутацию компании. Отчёт LinkedIn и Ipsos
Отсутствие владельца процесса
У проекта должен быть человек, отвечающий не за работу модели, а за бизнес-результат.
Иначе продажи считают, что системой занимается IT. IT считает, что сценарии должны описать продажи. Интегратор выполняет техническое задание. Руководитель ждёт роста выручки.
Модель при этом может работать исправно. Только никто не отвечает на вопрос, зачем она вообще была внедрена.
Слишком широкие полномочия
Агенту не обязательно сразу давать право самостоятельно отправлять коммерческие предложения, менять цены, обещать условия, закрывать сделки или массово связываться с клиентами.
Полномочия лучше распределять по цене ошибки.
Рутинное и обратимое действие можно выполнять автоматически. Действие, влияющее на деньги, обязательства компании или отношения с клиентом, должно проходить через человека либо жёсткие правила.
Чем выше автономность, тем важнее журнал действий, возможность отмены, ограничение объёма операций и понятная процедура остановки системы.
Попытка автоматизировать неописанный процесс
Если два менеджера по-разному определяют квалифицированного клиента, агент не сможет принять правильное решение.
Если руководитель не понимает причины проигранных сделок, ИИ тоже не найдёт их автоматически.
Если этапы в CRM меняются задним числом для отчётности, агент будет учиться на искажённой истории.
В исследовании McKinsey 2025 года не более 10% респондентов сообщили о масштабировании агентных систем внутри какой-либо одной функции. При этом 23% масштабировали хотя бы одну агентную систему где-либо в компании.
Компании, которые получают от ИИ наибольший финансовый эффект, почти втрое чаще фундаментально перестраивают рабочие процессы. Это корреляция, а не доказательство того, что именно перестройка процессов вызвала результат. Но попытка просто поставить агента поверх существующей системы редко меняет экономику бизнеса. State of AI 2025
Как считать экономику
Предположим, в отделе работают десять менеджеров. Каждый тратит полтора часа в день на заполнение CRM, подготовку писем и создание задач.
Получается:
10 менеджеров × 1,5 часа × 22 рабочих дня = 330 часов в месяц.
Допустим, агент сокращает эти затраты вдвое. Компания высвобождает 165 часов.
Но 165 часов не равны экономии.
Если зарплаты сотрудников не уменьшились, штат не сократился, пропускная способность не выросла, а менеджеры не использовали это время для дополнительных продаж, прямой экономический эффект равен нулю. После оплаты системы проект становится убыточным.
Рабочая формула должна выглядеть примерно так:
Экономический эффект = дополнительная маржинальная прибыль + фактически предотвращённые расходы − полная стоимость владения − ожидаемые потери от ошибок.
Ожидаемые потери от ошибок можно считать как вероятность события, умноженную на размер возможного ущерба.
Нельзя одновременно записывать стоимость высвобождённых часов в экономию и считать всю дополнительную прибыль, полученную благодаря этим же часам. Иначе один эффект учитывается дважды.
В полную стоимость владения входят не только лицензии и расходы на модель:
- интеграция с CRM и телефонией;
- подготовка данных;
- создание базы знаний;
- настройка сценариев;
- информационная безопасность;
- тестирование;
- обучение сотрудников;
- ручная проверка результатов;
- исправление ошибок;
- техническая поддержка;
- работа владельца процесса.
Поэтому производительность, конверсия и ROI не являются одним показателем.
Рабочая статья Columbia Business School объединяет семь рандомизированных полевых экспериментов в онлайн-ритейле. В зависимости от сценария влияние генеративного ИИ на продажи находилось в диапазоне от 0 до 16,3%. В части рекламных сценариев статистически различимого роста не обнаружили. Материалы Columbia Business School
Это полезная иллюстрация: само наличие ИИ не гарантирует эффекта. Результат зависит от задачи, места технологии в процессе и поведения клиента.
Эти исследования не дают готового ROI для конкретной компании. Они измеряют производительность, конверсию или продажи, но не учитывают её стоимость интеграции, контроля, исправления ошибок и владения системой.
Что измерять во время пилота
До запуска нужно зафиксировать базовый уровень показателей. Иначе после внедрения любое изменение можно объяснить работой агента.
Для оценки пилота могут использоваться:
- время менеджера на операцию;
- скорость первого ответа;
- доля правильно заполненных полей;
- доля квалифицированных обращений;
- конверсия в следующий этап;
- конверсия в продажу;
- длительность цикла;
- маржинальная прибыль;
- стоимость привлечения или обработки клиента;
- доля ошибочных действий агента;
- стоимость исправления одной ошибки;
- количество жалоб и отказов;
- влияние на повторные продажи.
Показатели нужно разделить на промежуточные и финансовые.
Сокращение времени ответа может быть хорошим промежуточным результатом. Но оно не доказывает, что компания заработала больше.
Для длинного B2B-цикла пилот должен охватывать полный период прохождения сделки либо включать достаточное количество сопоставимых контактов. До завершения сделок можно смотреть промежуточные показатели, но называть их ROI нельзя.
Как внедрять без дорогого эксперимента над отделом продаж
Начать лучше с одной дорогой ручной операции.
Не с идеи «поставить ИИ в продажи», а с конкретной проблемы. Например, менеджеры тратят слишком много времени на оформление результатов звонка, либо руководитель не может регулярно проверять качество коммуникации.
Дальше нужно определить:
- Какие данные получает система.
- Какое действие она выполняет.
- Как выглядит правильный результат.
- Какие действия ей запрещены.
- В каких ситуациях требуется человек.
- Кто отвечает за процесс.
- По каким показателям оценивается экономический результат.
Перед пилотом фиксируется базовая линия. На старте действия с высокой ценой ошибки подтверждает сотрудник. Рутинные операции агент может выполнять самостоятельно в пределах заданных ограничений.
Ошибки нужно разбирать регулярно. Не только технические сбои, но и неверные решения, неуместные сообщения, ложную квалификацию и случаи, когда агент формально выполнил задачу, но ухудшил отношения с клиентом.
Массовое масштабирование имеет смысл только тогда, когда подтверждён положительный экономический эффект, а частота и стоимость ошибок остаются приемлемыми.
ИИ-агент может стать сильным элементом отдела продаж. Но его ценность определяется не количеством функций и не уровнем автономности.
Перед внедрением достаточно ответить на четыре вопроса:
- какую конкретно операцию он заменяет или улучшает;
- какой финансовый показатель должен измениться;
- сколько стоит вся система вместе с контролем и исправлением ошибок;
- что произойдёт, если агент примет неправильное решение.
Если на эти вопросы нет ответов, компания покупает не сотрудника и не новую бизнес-модель. Она покупает дорогой способ быстрее выполнять плохо определённый процесс.
#ии #автоматизация #продажи #b2b
