ИИ в отделе продаж часто продают как робота, который сам закрывает сделки. На деле работают вещи скромнее и полезнее. Модель разбирает звонки, готовит черновики, подсказывает менеджеру и показывает руководителю то, что раньше терялось в записях и переписке.
Ниже шесть функций, которые реально работают сегодня, с честным разбором. Что каждая дает, какие данные ей нужны и где она ломается. Одни можно включить почти сразу, другим нужна история сделок, которой у многих компаний пока нет.
Что нужно каждой функции по данным
Граница проходит между задачами, где модель читает конкретный разговор или документ, и задачами, где она ищет закономерность в прошлом. Первые работают с первого дня. Вторые без накопленных данных превращаются в генератор уверенных цифр.
Разбор звонков и переписки
Запись разговора превращается в текст, а модель достает из него суть. О чем договорились, какой следующий шаг, какие прозвучали возражения, упоминался ли конкурент. Результат ложится в поля карточки сделки, и менеджеру не нужно писать отчет о звонке.
Для руководителя это первый способ узнать, что на самом деле говорят клиентам. Не выборочно прослушав пять звонков в неделю, а по всему потоку.
Что нужно по данным. Записи звонков из телефонии и переписка, связанные с карточкой клиента в CRM. Если телефония к CRM не привязана, начинать придется с интеграции. В разговорах есть персональные данные, поэтому место обработки выбирается заранее — подробнее в статье нейросети и 152-ФЗ.
Черновики КП и писем
Модель собирает черновик коммерческого предложения или письма по контексту сделки. Что обсуждали, что клиент просил, какие позиции ему интересны. Менеджер правит готовый текст, а не пишет с нуля.
Главный эффект здесь не в скорости. Черновики выравнивают качество между сильными и слабыми продавцами, и новичок отправляет письмо того же уровня, что опытный коллега.
Что нужно по данным. Шаблоны документов, актуальный прайс и расчет цены в системе, а не в голове у менеджера. Важная граница — цифры в КП считает код по вашим правилам, а модель пишет текст вокруг них. Модель, которой разрешили самой придумывать цену или скидку, рано или поздно отправит клиенту неправильную.
Подсказки менеджеру
Менеджер спрашивает обычными словами. Чем мы отличаемся от конкурента, какие условия отсрочки для дилеров, что ответить на «дорого». Ассистент отвечает по регламентам, прайсам и базе ответов на возражения и показывает, откуда взял ответ.
Подсказки прямо во время звонка технически возможны, но дороже и капризнее. Начинать разумно с подсказок между звонками, когда менеджер готовится к разговору или пишет клиенту.
Что нужно по данным. База знаний, за актуальность которой кто-то отвечает. Если регламенты противоречат друг другу, подсказки будут противоречить тоже. Как такой ИИ-ассистент на данных компании устроен и почему он иногда ошибается, разобрали в статье про ассистента по базе знаний.
Контроль качества разговоров
Раньше руководитель слушал малую долю звонков. Теперь модель может проверить каждый разговор по чек-листу. Выяснил ли менеджер потребность, назвал ли следующий шаг, не пообещал ли лишнего.
Что нужно по данным. Чек-лист, в котором хороший звонок описан проверяемыми пунктами. «Был вежлив» модель оценит по-разному от раза к разу, «назвал срок следующего контакта» — надежно. Первые недели оценки модели сверяют с оценками человека на одной и той же выборке, иначе менеджеры быстро перестанут им доверять.
Честно о границе. Контроль качества хорошо работает как инструмент обучения. Когда его оценки напрямую идут в премию без проверки человеком, спор о каждой оценке съедает всю пользу.
Приоритет заявок
Модель оценивает входящую заявку по вероятности сделки и ставит ее в очередь. Отдел берет сначала те, что скорее закроются, и горячий клиент не ждет, пока менеджер разберет нецелевые обращения.
Что нужно по данным. История сделок с известным исходом, включая проигранные, и признаки, которые были известны в момент заявки. Источник, регион, объем, отрасль, скорость первого ответа. Нужны сотни закрытых сделок — на десятках модель выучит случайность и будет уверенно ее воспроизводить.
Если история короткая, работают правила. Заявка из целевого региона с объемом выше порога идет в приоритет. Это не ИИ, но дает большую часть эффекта и заодно копит данные для будущей модели.
Прогноз по воронке
Прогноз отвечает на вопрос, сколько денег придет в этом месяце, не по ощущениям менеджеров, а по тому, как раньше закрывались сделки с похожей историей. Это классическое машинное обучение на числах, а не языковая модель. Как такие системы учатся предсказывать, разобрано в статье про предиктивную аналитику.
Что нужно по данным. История воронки по месяцам — когда сделка переходила между этапами, сколько стояла, чем закончилась. Если этапы меняли задним числом, а менеджеры двигают сделки раз в неделю, прогноз будет честно повторять эти искажения.
Где ИИ в продажах пока не нужен
- CRM нет или она пустая. Когда сделки живут в личных мессенджерах и таблицах менеджеров, анализировать нечего. Сначала нужна система, где фиксируется каждый контакт, — об этом статья про разработку собственной CRM на заказ.
- Поток небольшой. Десяток заявок в неделю руководитель видит глазами. Скоринг здесь стоит дороже пользы.
- Проблема в продукте или цене. Разбор звонков покажет, что клиенты уходят из-за цены, но цену за вас не исправит.
- Хочется заменить продавцов. Робот, который сам ведет сложную сделку от первого звонка до оплаты, пока скорее демо, чем рабочий инструмент. Модель усиливает менеджера, а не заменяет его. Где агенты действительно закрывают задачи сами, разобрали в статье про ИИ-агентов для бизнеса.
С чего начать
- Навести порядок в CRM. Звонки и письма привязаны к сделкам, этапы отражают реальность, а не отчет для руководителя.
- Зафиксировать базовую линию. Время на отчеты, скорость первого ответа, конверсия по этапам. Без этих цифр через три месяца не получится сказать, был ли эффект.
- Включить разбор звонков. Он заметен сразу и дает данные для всего остального.
- Добавить черновики и подсказки. Там, где менеджеры больше всего пишут и чаще всего ошибаются.
- Включить контроль качества. С чек-листом и сверкой с оценками человека на первых неделях.
- Скоринг и прогноз — когда накопится история. Не раньше.
Все эти функции живут внутри CRM, а не в отдельных сервисах рядом с ней. Так мы и строим CRM с ИИ под свои процессы. Как посчитать эффект до старта, чтобы не спорить о нем потом, разобрали в статье как посчитать эффект от ИИ.
Самый частый провал — начать со скоринга, потому что он лучше звучит на совещании. Без истории он выдает случайные оценки, менеджеры это видят за пару недель и перестают смотреть на любые подсказки системы, включая полезные.
Частые вопросы
Можно ли подключить ИИ к готовой CRM
Да, многие функции подключаются к amoCRM, Битрикс24 и другим системам через API — разбор звонков, черновики, подсказки. Ограничения начинаются, когда результаты нужно хранить в своих полях и строить по ним отчеты, или когда данные не должны уходить во внешние сервисы. Тогда ИИ-часть выносят в свою систему и связывают с CRM обменом.
Сколько ждать первого результата
Разбор звонков, черновики и подсказки дают эффект в первые недели после подключения телефонии и базы знаний. Скоринг и прогноз зависят от того, сколько истории уже накоплено, и иногда требуют месяцев ожидания.
Какую модель брать для анализа звонков
Ту, которой можно передавать персональные данные ваших клиентов. Чаще всего это российская облачная модель или открытая модель на своем сервере. Сравнение вариантов — в статье о том, какую языковую модель выбрать бизнесу.
Разберем ваш отдел продаж и покажем, где ИИ даст эффект
Опишите, как сейчас приходят заявки, где живут звонки и переписка и какая у вас CRM. В ответ — какие функции можно включить на ваших данных уже сейчас, какие потребуют накопить историю, и оценка первого этапа.
Если сначала нужен не ИИ, а порядок в CRM, так и скажем.