Эксперт SL Soft fabricaONE.AI (акционер — ГК Softline) — о том, как ИИ-агенты меняют автоматизацию B2B-продаж
Еще недавно автоматизация продаж в основном сводилась к переносу операций из таблиц и почты в CRM. Сегодня этого уже недостаточно. В отделах продаж накапливаются большие объемы неструктурированной информации — переписки, записи встреч, технические задания, документы и данные из внешних источников. На этом фоне следующий этап автоматизации связан не столько с очередным набором функций CRM, сколько с появлением цифровых сотрудников, способных самостоятельно работать с информацией и выполнять цепочки действий.
Мы в SL Soft fabricaONE.AI (акционер — ГК Softline) отметили, что в B2B-продажах особенно сильно проявляется противоречие между количеством автоматизированных инструментов и объемом ручной работы. У компании может быть CRM, система телефонии, корпоративная почта, сервис видеоконференций, базы данных и аналитические системы. Но менеджеру по-прежнему приходится переносить информацию между ними, читать документы, фиксировать результаты встреч, искать сведения о клиенте и готовить отчеты.
В результате специалист, которого нанимали для переговоров и развития отношений с заказчиками, значительную часть рабочего времени тратит на функции оператора ввода данных и аналитика.
Почему традиционной автоматизации становится недостаточно
Классическая автоматизация хорошо работает там, где процесс можно описать последовательностью четких правил: получить данные из одной системы, проверить условие, перенести информацию в другую, сформировать документ. Но продажи редко укладываются в такую схему.
Клиент может прислать письмо с техническим заданием в PDF, обсудить детали на видеоконференции, задать дополнительные вопросы в мессенджере, а затем запросить коммерческое предложение. В CRM при этом окажется лишь часть информации. Остальное будет распределено между почтой, файлами, перепиской и памятью менеджера. Именно неструктурированные данные становятся одним из главных ограничений для дальнейшей автоматизации продаж.
Запись встречи сама по себе не помогает бизнесу, если ее никто не анализирует. Техническое задание не приносит пользы, пока менеджер вручную не выделит из него требования. История отношений с клиентом мало ценна, если для ее восстановления нужно просмотреть десятки писем и документов.
Поэтому задача нового этапа автоматизации — не просто перенести очередную операцию в информационную систему, а научить систему работать с контекстом.
От робота по правилам к агенту
На этом фоне меняется и само понимание цифровой автоматизации. RPA-робот выполняет заданный алгоритм: открывает приложение, переносит данные, запускает операцию, формирует отчет. Это по-прежнему востребованный подход, особенно для операций, где важны предсказуемость и контроль.
ИИ-агент работает иначе. Ему можно поставить задачу на естественном языке, а для ее выполнения он способен использовать несколько источников информации и инструментов.
Например, менеджеру необходимо подготовиться к встрече с крупным заказчиком. Традиционный сценарий предполагает самостоятельный поиск информации: изучить сайт компании, новости, финансовые показатели, судебные дела, историю предыдущих взаимодействий, обращения в службу поддержки, условия прошлых сделок.
Агент может собрать эти сведения из внешних и внутренних источников, сопоставить их и подготовить краткую сводку. При этом принципиально важно разделять два информационных контура. Первый — внешний: открытые источники, отраслевые ресурсы, новости, тендерные площадки и другие доступные данные. Второй — корпоративный: CRM, переписка, документы, история взаимодействия, коммерческие условия, данные других подразделений. Именно соединение этих двух контуров позволяет перейти от общего профиля клиента к контексту конкретных отношений с ним.
Где агенты могут быть полезны продажам
Практические сценарии применения ИИ в продажах уже выходят далеко за пределы генерации текстов.
1. Обработка входящих обращений
Одна из наиболее понятных задач — первая линия коммуникации. Цифровой сотрудник может принять обращение по телефону, электронной почте или через чат, определить его содержание, задать уточняющие вопросы, проверить наличие клиента в CRM и собрать информацию, необходимую менеджеру.
Вместо сообщения «нам написал потенциальный клиент» продавец получает уже структурированную задачу: кто обратился, с каким вопросом, какие требования сформулированы и что необходимо сделать дальше.
Особенно полезен такой подход там, где поток обращений велик, а значительная их часть содержит типовые вопросы или требует предварительной квалификации.
2. Анализ встреч и заполнение CRM
Другой очевидный сценарий связан с переговорами. После встречи менеджеру обычно необходимо восстановить основные договоренности, зафиксировать задачи, сроки и потребности клиента, а затем перенести эту информацию в CRM. Если встреч много, эта работа становится отдельной административной нагрузкой.
Технологии транскрибации и языковые модели позволяют превратить запись разговора в структурированный протокол. Его можно использовать как основу для заполнения CRM, постановки задач или подготовки последующего письма клиенту.
При этом полностью отказываться от участия человека необязательно. На практике разумнее рассматривать автоматически сформированный протокол как черновик, который менеджер проверяет и при необходимости корректирует. Такой подход одновременно экономит время и сохраняет контроль над содержанием коммуникации.
3. Проактивный поиск потенциальных клиентов
Еще один сценарий — автоматизированный поиск поводов для контакта. Система может отслеживать внешние источники: тендеры, новости компаний, отраслевые публикации, объявления о найме и другие события. Но простого обнаружения подходящего инфоповода недостаточно. Если автоматически отправлять сообщения всем найденным компаниям, автоматизация быстро превращается в массовый спам. Поэтому следующий уровень — сопоставление внешнего сигнала с внутренней историей клиента. Система проверяет, есть ли компания уже в CRM, были ли предыдущие переговоры, какие продукты ей предлагались, не ведется ли сейчас сделка и не было ли негативного опыта взаимодействия. Только после этого можно сформировать персонализированный повод для контакта.
Это принципиальное отличие интеллектуальной автоматизации от простой рассылки: внешний сигнал рассматривается не сам по себе, а в контексте конкретных отношений компании с клиентом.
4. Подготовка менеджера к сложной сделке
Чем крупнее сделка, тем больше информации необходимо учесть. Менеджеру могут понадобиться сведения о текущих проектах клиента, финансовом состоянии, тендерах, судебных рисках, предыдущих переговорах, условиях прошлых поставок и обращениях в службу поддержки. Часть этой информации находится во внешних источниках, часть — внутри компании. Самостоятельный анализ занимает значительное время, поэтому на практике менеджер часто использует только часть доступных данных.
ИИ-агент может предварительно собрать и структурировать эту информацию. В результате специалист получает не массив документов, а компактную аналитическую справку: что происходит у клиента, какие есть возможности для развития отношений, какие риски следует учитывать и на какие темы стоит обратить внимание на встрече. Это уже не автоматизация отдельной операции, а усиление интеллектуальной работы менеджера.
IDP, RPA и ИИ: почему технологии работают лучше вместе
При этом было бы ошибкой противопоставлять ИИ традиционную автоматизацию. У каждой технологии своя зона ответственности:
- RPA хорошо подходит для регламентированных операций, где действия должны выполняться строго по заданному алгоритму.
- IDP используется для обработки документов: извлечения данных из счетов, договоров, технических заданий и других документов, где недостаточно просто распознать текст — необходимо понять его структуру и выделить нужные сведения.
- Языковые модели и ИИ-агенты полезны там, где требуется работать с естественным языком, анализировать контекст, сопоставлять информацию из разных источников и выполнять многошаговые задачи.
В реальном бизнес-процессе эти технологии могут дополнять друг друга. Например, клиент отправляет техническое задание по электронной почте. Система извлекает из документа требования с помощью IDP, агент анализирует запрос и определяет, какие дополнительные сведения необходимо получить, затем RPA переносит структурированные данные в CRM. После этого менеджер получает готовую задачу с кратким описанием потребности клиента. В таком сценарии ИИ не заменяет классическую автоматизацию, а становится новым уровнем над ней.
Почему корпоративный контур важнее самого ИИ
Для бизнеса вопрос применения генеративного ИИ не ограничивается качеством ответов модели. Не менее важны данные, к которым получает доступ система, и действия, которые она может выполнять.
Публичный чат-бот может написать письмо или проанализировать переданный ему документ. Но он не знает автоматически, какие условия компания предоставляла конкретному клиенту, какие счета тот не оплатил, о чем договорился с другим подразделением и какие обращения уже находятся в работе.
Корпоративный агент, напротив, может быть подключен к внутренним системам и работать с учетом прав доступа пользователя. Это особенно важно для B2B-продаж, где информация о клиентах, ценах, скидках, договорах и переговорах может относиться к коммерчески чувствительным данным.
Поэтому при внедрении ИИ необходимо оценивать не только возможности модели, но и архитектуру решения: где обрабатываются данные, какие системы подключены, кто имеет доступ к информации, какие действия агент может выполнять самостоятельно и на каких этапах требуется подтверждение сотрудника. Для компаний с повышенными требованиями к безопасности одним из вариантов становится развертывание решений в закрытом корпоративном контуре с использованием локальных моделей.
Человек остается частью процесса
Распространенная ошибка при обсуждении ИИ-агентов — представлять их как полностью автономных сотрудников, которым можно без контроля передать бизнес-процесс.
На практике уровень автономности должен зависеть от цены ошибки. Если агент формирует черновик протокола встречи, менеджер может быстро его проверить. Если система готовит персонализированное письмо потенциальному клиенту, разумно предусмотреть подтверждение перед отправкой. Если же речь идет о финансовой операции или действиях с персональными данными, требования к контролю должны быть значительно выше.
Поэтому зрелая модель автоматизации — это не отказ от человека, а правильное распределение ролей. Машина берет на себя поиск, обработку больших массивов информации, рутинные действия и подготовку результата. Человек принимает решения там, где необходимы ответственность, переговоры, экспертиза и понимание бизнес-контекста.
Что изменится в работе отдела продаж
Если такой подход будет масштабироваться, роль CRM-системы также начнет меняться. Сегодня CRM во многом является базой данных, которую сотрудники должны регулярно заполнять. В перспективе она может стать одним из источников корпоративного контекста для цифровых сотрудников.
Менеджеру не обязательно каждый раз вручную искать информацию в нескольких системах. Он сможет сформулировать задачу на естественном языке: подготовить историю отношений с клиентом, проанализировать результаты последней встречи, найти потенциальные точки развития или подготовить проект письма. При этом ценность автоматизации будет измеряться скоростью и качеством выводов исходя из обработанной информации в рамках взаимодействия с клиентами.
Если менеджер тратит меньше времени на заполнение карточек и поиск информации, он может провести больше качественных переговоров. Если первая линия быстрее квалифицирует обращения, до продавцов доходит меньше нерелевантных запросов. Если подготовка к встрече занимает минуты вместо часов, специалисты могут глубже работать с ключевыми клиентами.
В конечном счете цель интеллектуальной автоматизации продаж состоит не в том, чтобы сделать продажи «безлюдными». Напротив, она позволяет вернуть людям ту часть работы, в которой их участие действительно создает ценность: переговоры, отношения с клиентами, принятие решений и развитие бизнеса.
Следующий этап развития корпоративной автоматизации, вероятно, будет связан именно с этим переходом — от отдельных роботов, которые выполняют конкретные операции, к цифровым командам, способным работать с информацией, взаимодействовать с корпоративными системами и совместно с сотрудниками выполнять целые цепочки бизнес-задач.