ИИ в продажах

Материал из Вики Optimism
Перейти к навигации Перейти к поиску

ИИ в продажах это применение прогнозных и языковых моделей к работе с обращением, которое уже поступило: к квалификации заявки, подсказке во время разговора, сводке после звонка, прогнозу по сделке и контролю работы менеджеров. Предмет здесь не продукт, а набор операций внутри отдела продаж. У каждой операции своя зрелость, своя цена ошибки и свой способ проверки, и складывать их в одно слово «ИИ» удобно только продавцу такого решения.

Граница с соседней темой проходит по заявке. Статья про ИИ в маркетинге отвечает за путь до обращения: трафик, креативы, сегменты, ставки. Всё, что начинается в момент, когда человек оставил номер или написал в чат, разобрано здесь.

Тяжесть темы не в технике. Модель подключается за вечер, а числа вокруг неё живут своей жизнью: рост конверсии на двадцать пять процентов, экономия фонда оплаты труда, сокращение участия менеджера на три четверти. Почти всегда эти числа называет тот, кто продаёт инструмент, и почти никогда рядом не стоит период, выборка и контрольная группа. Ниже разобрано, что модель делает на каждом этапе сделки, что остаётся человеку, сколько истории нужно системе, чтобы скоринг вообще запустился, и какие цифры эффекта выдерживают проверку по первоисточнику.

Чем отличается от соседних понятий

ИИ в маркетинге работает до заявки, эта статья после неё. Там же разобран способ отделить эффект внедрения от общего роста через контрольную группу, и здесь он не повторяется.

Предиктивная аналитика это метод: целевая переменная, обучающая выборка, порог отсечения, цена ошибки в рублях. ИИ в продажах это место, где метод применяют, а вместе с ним применяют и языковые модели, которым обучающая выборка компании не нужна вовсе.

Чат-бот и Голосовой робот это каналы, текстовый и телефонный. Модель внутри может быть той же самой, а ограничения канала разные.

Речевая аналитика отвечает на вопрос, что было сказано в разговоре: расшифровка, разметка, контроль скриптов. Отдел продаж пользуется её результатом, но механика расшифровки разобрана там.

ИИ-ассистент и ИИ-агент это форма инструмента: помощник, который отвечает на вопрос текстом или действием по документам компании, и связка, где следующий шаг выбирает сама модель. Что именно она делает в продажах, определяет настройка. По названию это не читается.

CRM-маркетинг работает с теми, кто уже купил: повторные продажи, удержание, возврат. Здесь предмет обрывается на первой сделке.

Внедрение ИИ про то, как довести удачный пилот до системы, за которую кто-то отвечает по регламенту.

Откуда взялось

Разговор про ИИ в продажах выглядит новым, но складывался он тремя слоями и занял восемь лет.

Скоринг заявок. Предиктивный скоринг лидов описан в плане выпуска Dynamics 365 Sales за апрель 2018 года: модель машинного обучения считает балл для всех открытых лидов, а рядом показывает причины балла, чтобы продавец мог модель проверить. Приём при этом не новый: заявка сворачивается в одно число по многим признакам, и решение принимается по порогу этого числа. Так же устроен банковский скоринг заёмщика.

Разбор разговоров. В первой волне выпуска 2020 года (2020 release wave 1) Microsoft добавила в Dynamics 365 Sales сводку звонка и извлечение пунктов действий прямо в карточку, а вместе с ними модели, определяющие эмоции и темы разговора. До этого записи звонков в большинстве компаний просто лежали.

Генеративный слой. 30 ноября 2022 года вышел ChatGPT, и черновик письма, сводка переписки и ответ на возражение стали обычной операцией. Вместе с этим слоем на рынке появилось название «ИИ-менеджер по продажам»: под ним продают и сценарный бот на два вопроса, и связку из большой языковой модели с базой знаний и CRM.

Как это устроено

Квалификация заявки

Модель ставит заявке число и сортирует очередь. Работает это только на своей истории: нужны закрытые заявки с известным исходом, а не текущее состояние карточек.

Порядок величин виден по требованиям, которые вендор публикует открыто. Dynamics 365 Sales не даёт построить модель скоринга лидов, пока в организации нет хотя бы сорока квалифицированных и сорока отклонённых лидов, созданных и закрытых внутри выбранного окна обучения; окно выбирается от трёх месяцев до двух лет, по умолчанию два года. Модель обучается на 80 % закрытых записей, проверяется на оставшихся 20 %, причём в проверочную часть уходят самые свежие записи. Порог, выше которого заявка считается перспективной, подбирается так, чтобы максимизировать F1. При включённой опции модель переобучается раз в пятнадцать дней. Данные уезжают в хранилище около четырёх часов, поэтому вчерашние сделки модель ещё не видит.

Отсюда практический вывод: компания с двумя десятками сделок в год скоринг не построит. Там работает простое правило, записанное человеком, и оно стоит ноль.

Подсказка в разговоре и сводка после него

Второй слой снимает с менеджера ручную работу, решение остаётся за ним. Звонок расшифровывается, из расшифровки достают ключевые слова, названия конкурентов, упоминания цены и пункты действий; на шкале воспроизведения показывается тональность реплик. Дальше сводка попадает в карточку сделки, и менеджер не переписывает разговор вручную.

Здесь же лежит главный технический подвох темы. Сводка всегда выглядит правдоподобно, независимо от того, верна ли она. Модель сокращает текст и не проверяет его: в документации Сбера образцовый промпт суммаризации так и устроен, там задан объём не более пятой части исходного текста и запрет на выводы, оценки и примеры от себя. Ошибка в такой сводке не выглядит ошибкой, и находят её только сверкой с записью.

Границы у этого слоя тоже вендорские и тоже опубликованы. В Dynamics 365 Sales автоматические подсказки к заметкам не формируются, если запись встречи длиннее семидесяти минут. От чего зависит качество самой расшифровки, разобрано в статье Речевая аналитика.

Прогноз по сделке

Скоринг сделок устроен так же, как скоринг заявок, и упирается в те же объёмы: минимум сорок выигранных и сорок проигранных сделок, закрытых внутри выбранного периода. Модель с разбивкой по этапам процесса требует ещё и сорока закрытых сделок на последнем этапе.

Балл сделки показывает вероятность. Обещанием он не является. Прогноз выручки на квартал из суммы баллов получается только тогда, когда цикл сделки короче горизонта прогноза, а воронка не поменялась в середине периода. Метрики, которыми проверяют такую модель, разобраны в статье Предиктивная аналитика, а устройство самих этапов в статье Воронка продаж.

Черновики писем, ответов и коммерческих предложений

Языковой модели история компании для этого не нужна, ей нужен контекст: переписка, карточка клиента и документы с условиями. Способ подать документы модели разобран в статьях RAG и База знаний; без них модель сочиняет условия, которых у компании нет, и делает это гладким деловым языком.

Что делает модель, а что остаётся человеку

Разделение простое по формулировке и трудное в работе: модель готовит материал, человек принимает решение и отвечает за слово, данное клиенту.

Этап сделки Что делает модель Что остаётся человеку Чем проверяется
Очередь заявок Ставит балл, сортирует список, подсвечивает признаки, повлиявшие на балл Решение, звонить ли вообще, и с чем идти в разговор Доля состоявшихся сделок в верхней и нижней частях списка за одинаковый период
Первый ответ Отвечает на типовой вопрос в любое время суток, уточняет потребность, собирает контакты Разговор, как только клиент выходит за рамки сценария Доля диалогов, переданных человеку, и причина передачи
Разговор Подсказывает формулировку и ответ на возражение по базе знаний, ищет условия в документах Сам разговор и обещания, которые в нём прозвучали Выборочная сверка подсказок с документом-первоисточником
После разговора Пишет сводку, достаёт договорённости, сроки и задачи, заполняет поля карточки Подтверждение сводки и правка, пока разговор ещё в памяти Доля сводок, принятых без правок, и доля правок по существу
Коммерческое предложение Собирает черновик по шаблону, карточке клиента и прайсу Цены, сроки, скидки и юридические условия Сверка каждой цифры черновика с действующим прайсом, теми же приёмами, что и у входящих документов (ИИ для работы с документами)
Прогноз Считает балл сделки и вероятную дату закрытия План перед руководством и решение, что делать с провисающей сделкой Сравнение прогноза с фактом по уже закрытым периодам
Контроль качества Размечает звонки по чек-листу, находит нарушения скрипта и спорные места Разбор спорных случаев, изменение скрипта, разговор с сотрудником Ручной разбор доли звонков, помеченных моделью, и доли пропущенных

Одно правило проходит через всю таблицу. Там, где решение затрагивает права клиента, автоматика не может быть последней инстанцией: ограничение на решения, принятые исключительно машиной, ставит статья 16 закона № 152-ФЗ, а саму норму вместе с обязанностями оператора по ней разбирает статья про предиктивную аналитику, ссылка на неё стоит выше. В продажах под эту рамку попадают отказ в сделке, автоматическое изменение условий, отключение услуги. Толкование конкретного случая остаётся работой юриста, и справочная статья такой разбор на себя не берёт.

ИИ внутри CRM-системы

Подключить модель к продажам можно двумя способами, и различие видно не в интерфейсе, а в счетах и в договоре.

Функция самой системы. Скоринг, сводки и черновики включаются настройкой, работают на данных, которые уже лежат внутри, и никуда их не выгружают. Ограничения при этом тоже вендорские. У Dynamics 365 Sales на лицензии Enterprise быстрый режим скоринга даёт 1 500 оценённых записей в месяц, моделей можно создать до десяти, а историческая выборка после окончания подписки удаляется через тридцать дней. Ни одно из этих чисел не следует из технологии, все они следуют из тарифа, и у другой системы они будут другими.

Отдельный сервис рядом с CRM. Гибче и обычно дешевле на старте, но требует выгрузки клиентских данных наружу. Что можно и чего нельзя отдавать облачной модели, разобрано в статье Нейросети для бизнеса, а связывание такого сервиса с учётными системами в статье Автоматизация бизнес-процессов.

Что спросить у поставщика до подключения, независимо от способа:

  • на каких данных обучается модель и уходят ли данные компании в общее обучение;
  • сколько записей, минут или запросов входит в тариф и что происходит при превышении;
  • где физически хранятся расшифровки разговоров и сводки;
  • можно ли выключить функцию по одному отделу, не трогая остальных;
  • что остаётся компании при расторжении договора: выгрузка сводок, расшифровок, баллов.

Отдельная мелочь с длинными последствиями: карточка, заполненная моделью, попадает в те же отчёты, что и заполненная руками. Ошибка в сводке становится ошибкой в сквозной аналитике и в прогнозе, а источник её не виден, потому что поле выглядит обычным.

Что делать на практике

  1. Выбрать этап, на котором результат считается числом. «Ускорить работу отдела» проверке не поддаётся, «время до первого ответа на заявку» поддаётся.
  2. Проверить историю до покупки инструмента: сколько заявок с известным исходом закрыто за последние два года. Меньше сотни закрытых записей означает, что скоринг подождёт, а начинать надо со сводок и черновиков.
  3. Снять базовую линию числами: время до первого ответа, доля заявок без ответа за сутки, конверсия по этапам воронки, время менеджера на оформление одной сделки.
  4. Решить до запуска, кто служит контрольной группой: часть менеджеров, регион или следующая волна подключения.
  5. Сначала отдать модели то, что не решает: сводки, заполнение полей, черновики. Решения о клиенте передаются последними и не полностью.
  6. Написать регламент на ошибку модели: кто её замечает, куда сообщает, за какое время правится карточка.
  7. Перечислить письменно, какие данные клиента уходят во внешний сервис и на каком основании.
  8. Заложить в смету стоимость проверки. Выборочная сверка сводок и подсказок это постоянная работа, а не разовая приёмка.

Чем измеряют

  • Время до первого ответа на заявку и доля заявок, оставшихся без ответа за сутки.
  • Конверсия по этапу против контрольной группы за тот же период, а не против прошлого квартала.
  • Лифт скоринга: во сколько раз доля сделок в верхнем дециле списка выше, чем в базе целиком.
  • Доля сводок, принятых без правок, и отдельно доля правок, меняющих смысл договорённости.
  • Доля карточек, заполненных автоматически, и доля полей, исправленных вручную после этого.
  • Время менеджера на оформление одной сделки до и внутри эксперимента.
  • Доля диалогов, переданных человеку, с разбивкой по причине передачи.
  • Не метрика: число обращений к модели и количество сгенерированных текстов. Это мера использования инструмента, а не результата, и растёт она сама по себе.

Частые ошибки

Покупка скоринга при отсутствии истории. Сорок закрытых заявок каждого исхода это нижняя граница у конкретного вендора. В универсальную норму она не превращается, хотя порядок величины у всех один. Без истории модель обучится на шуме и выдаст уверенные баллы.

Проверка прогноза по совпадению с планом. Прогноз сверяется с фактом по уже закрытым периодам. Сверка с планом показывает только то, насколько план был оптимистичен.

Сводка без сверки. Модель переносит в карточку то, чего в разговоре не было, и такая запись живёт до первого спора с клиентом. Выборочный разбор записей идёт всё время работы системы, включая месяцы после запуска.

Скрытая замена канала. Клиенту, который думает, что пишет человеку, отвечает модель. Это вопрос не только этики: правила площадок и требования к ответам разобраны в статье Чат-бот.

Отчёт по одному менеджеру. Сильный продавец с инструментом и слабый без него отличаются не инструментом. Сравнивать надо группы, собранные заранее.

Модель, подключённая к грязным данным. Дубли клиентов, незаполненные причины отказа и сделки, закрытые задним числом, дают модели ровно ту картину, которая в базе. Что такое пригодная для обучения выборка, разобрано в статье Датасет.

Оценка эффекта по скорости. Менеджер тратит на оформление вдвое меньше времени, а число сделок прежнее: узкое место было в другом месте воронки.

Ограничения и спорные места

Полевых замеров именно по продажам мало. Самый подробный из тех, что удалось открыть на сентябрь 2026 года, это работа команды Li Auto, производителя электромобилей. Ранжирование заявок языковой моделью сравнивали с прежним алгоритмом в A/B-тесте на 132 дня по всем продажам одной провинции Китая: менеджеров разделили на две группы с равными исходными показателями, прирост конверсии заявок составил 9,5 % относительно контрольной группы при p < 0,001. Оговорки важнее цифры. Метод разработан той же командой, которая замеряла результат. Абсолютные значения в статье нормализованы по юридическим причинам, то есть исходных чисел в публикации нет. Бренд в тексте прямо не назван. Офлайновая часть работы сделана на выборке в 6,14 млн записей с долей целевого события 1,33 %. Один и тот же прирост в 9,5 % описан двумя препринтами разных лет с пересекающимся составом авторов, поэтому считать это двумя независимыми измерениями нельзя.

Отраслевые проценты это самоотчёт руководителей. Числа, которые чаще всего цитируют, приходят из опросов McKinsey & Company за 2024 год; здесь они взяты по выпуску AI Index 2025, тогда как соседние статьи куста опираются на выпуск 2026 года. Устройство опроса: две волны, 2 854 респондента суммарно, вторая волна в поле с 16 по 31 июля 2024 года, 1 491 участник из 101 страны, 42 % работают в организациях с выручкой выше 500 млн долларов. В маркетинге и продажах о росте выручки от аналитического ИИ сообщили 71 % пользователей, от генеративного 66 %, и самый частый названный масштаб роста это до 5 %. Это мнение респондента о своей компании, собранное анкетой. Ни контрольных групп, ни выгрузок из учётных систем за такими процентами не стоит.

Крупное обещание без описания замера. В открытом доступе лежит препринт 2025 года, где системе подсказок приписан рост конверсии на 43,2 %. Модель обучена на синтетических диалогах, компания не названа, размер выборки и устройство сравнения не описаны, рецензирования у препринта нет. Проверить такую цифру нечем, и в качестве рыночного ориентира она не годится.

Арифметика в чужих иллюстрациях не всегда сходится. В выдаче по теме встречается инфографика про доли клиентов на разных стадиях готовности к покупке, где взаимоисключающие сегменты дают в сумме 127 %, а текст той же страницы называет для одного из этих сегментов совсем другое число. Замер редакции по выдаче, 19.09.2026. Проверять такие иллюстрации стоит сложением долей: это занимает секунды.

Отделение эффекта от фона сюда не переносится. Внедрение в продажах почти всегда совпадает со сменой скрипта, сезоном или новым планом. Способ развести эффект и фон разобран в соседней статье про ИИ в маркетинге, и без контрольной группы любой отчёт по продажам остаётся описанием периода.

Часть последствий не измерена вовсе. Открытых замеров влияния таких инструментов на удовлетворённость клиента, на текучесть менеджеров и на долю возвратов найти не удалось. Утверждения об этом в обе стороны, и хвалебные, и тревожные, пока держатся на впечатлениях.

Что здесь быстро устаревает

  • Требования вендоров к объёму истории, лимиты тарифа и частота переобучения моделей: числа в разделе про CRM сверены 19.09.2026 по документации и меняются вместе с тарифом.
  • Состав доступных в России моделей и цена обращения к ним.
  • Названия функций: «сводка звонка», «ИИ-менеджер», «цифровой сотрудник» переименовываются чаще, чем меняются по существу.
  • Правовая рамка автоматических решений: 152-ФЗ взят в редакции от 26.07.2026. Признак протухания тот же, что у соседей по кусту: новый закон о внесении изменений.
  • Цифры эффекта: при выходе полевых работ с контрольными группами по продажам этот раздел придётся переписать целиком.

См. также

Источники

  1. Microsoft Learn. Configure predictive lead scoring. Документация Dynamics 365 Sales, обновлено 07.08.2025. Проверено 19.09.2026. https://learn.microsoft.com/en-us/dynamics365/sales/configure-predictive-lead-scoring
  2. Microsoft Learn. Configure predictive opportunity scoring. Документация Dynamics 365 Sales, обновлено 13.08.2025. Проверено 19.09.2026. https://learn.microsoft.com/en-us/dynamics365/sales/configure-predictive-opportunity-scoring
  3. Microsoft Learn. View accuracy and performance of predictive scoring models. Документация Dynamics 365 Sales, обновлено 02.07.2025. Проверено 19.09.2026. https://learn.microsoft.com/en-us/dynamics365/sales/scoring-model-accuracy
  4. Microsoft Learn. Predictive lead scoring. План выпуска Dynamics 365 Sales, апрель 2018. Проверено 19.09.2026. https://learn.microsoft.com/en-us/previous-versions/business-applications-release-notes/April18/dynamics365-sales/predictive-lead-scoring
  5. Microsoft Learn. Dynamics 365 Sales Insights: Conversation intelligence. План выпуска 2020 release wave 1. Проверено 19.09.2026. https://learn.microsoft.com/en-us/previous-versions/dynamics365-release-plan/2020wave1/artificial-intelligence/dynamics365-sales-insights/conversation-intelligence
  6. Microsoft Learn. View and understand call summary page in Conversation Intelligence app. Проверено 19.09.2026. https://learn.microsoft.com/en-us/dynamics365/sales/view-and-understand-call-summary
  7. Сбер. Суммаризация. Документация GigaChat для разработчиков. Проверено 19.09.2026. https://developers.sber.ru/docs/ru/gigachat/prompts-hub/summarization/map
  8. Stanford HAI. Artificial Intelligence Index Report 2025, глава 4 «Economy». Данные опросов McKinsey & Company 2024 года. Проверено 19.09.2026. https://hai.stanford.edu/assets/files/hai_ai-index-report-2025_chapter4_final.pdf
  9. Zhang C., Liu Y., Sun Y. и другие. Rethinking Sales Lead Scoring with LLM-based Hierarchical Preference Ranking. Препринт arXiv:2606.04387, 03.06.2026. Проверено 19.09.2026. https://arxiv.org/abs/2606.04387
  10. Sun Y., Liu Y., Song J. и другие. asLLR: LLM based Leads Ranking in Auto Sales. Препринт arXiv:2510.21713, 10.09.2025. Проверено 19.09.2026. https://arxiv.org/abs/2510.21713
  11. Nandakishor M. SalesRLAgent: A Reinforcement Learning Approach for Real-Time Sales Conversion Prediction and Optimization. Препринт arXiv:2503.23303, 30.03.2025. Проверено 19.09.2026. https://arxiv.org/abs/2503.23303
  12. Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных», статья 16. КонсультантПлюс. Проверено 19.09.2026. https://www.consultant.ru/document/cons_doc_LAW_61801/22e884a41450dcb5cb62d956583ad32abe2bbbe9/
  13. Wikipedia. ChatGPT. Дата выпуска 30 ноября 2022 года. Проверено 19.09.2026. https://en.wikipedia.org/wiki/ChatGPT


Источник — https://wiki.optimism.ru/index.php?title=ИИ_в_продажах&oldid=5753