Полгода работы отдела продаж с ИИ-ассистентом: критерий делегирования, три уровня допуска к системе, эффекты за пределами отдела и процедура контроля, без которой внедрение теряет смысл.
Рынок дал повод ускориться. По исследованию Salesforce State of Sales 2026 менеджер тратит на живую продажу 30% рабочего дня, остальное уходит на подготовку коммерческих предложений, ввод данных и внутренние коммуникации — четырьмя годами ранее продавали 28%. Девять команд из десяти по тому же отчету используют ИИ-агентов или планируют внедрение в двухлетнем горизонте. Российский фон: опрос hh.ru и Touch Instinct — четверть работников регулярно пользуются нейросетями, еще около трети эпизодически, каждый четвертый работодатель планирует проверять навык при найме. Управленческий вопрос при этом сместился: речь уже не о том, внедрять ли технологию, а о том, как выстроить контроль над ее результатами. Опыт отдела продаж и маркетинга Аспро.Cloud, где ассистент трудится полгода, — кейс ровно об этом.
Фильтр, по которому задача уходит машине, устроен как сравнение двух цен: стоимость самостоятельного выполнения против стоимость контроля результата. Сводка по шести метрикам вручную занимает полтора часа, ее проверка — две минуты просмотра перечня сделок-источников; асимметрия оправдывает делегирование. Квартальная стратегия пишется моделью мгновенно, но выверка потребует недели и всей экспертизы, за которую руководителю платят; асимметрия запрещает. Критерий технологически нейтрален — он работает с любым ИИ, подключенным к корпоративным данным.
Из критерия следует карта из трех зон допуска:
Допуск наращивается ступенями: чтение и счет, затем поиск и сопоставление, и только потом создание записей — с одобрением каждого шага. Первый месяц каждое третье предложение ассистента отклонялось: пока трактовки формулировок не изучены, отказ стоит дешевле неожиданности в системе. Ступенчатый допуск к записи — не перестраховка, а период обучения обеих сторон: руководитель узнает слабые места машины, машина — семантику управленческих указаний.
Первой автоматизации стала сводка по шести метрикам продаж одним запросом; управленческая рутина этого рода сократилась более чем наполовину. Управленчески ценнее побочный эффект: шесть показателей в одной таблице обнажают разрывы, невидимые по разделам системы. Рост заявок при просевших демонстрациях, лиды без конверсии во встречи — прежде такие разрывы всплывали через месяц вместе с провалом плана, теперь — в пятницу, когда данные сошлись.
Статус проекта закрывается одним вопросом: ассистент обходит доску и возвращает итог — что завершено, что в работе, где застряло. Кросс-функциональная цена такого сокращения: руководитель перестает быть узким горлышком информационных потоков, вопросы статуса больше не требуют присутствия человека.
Чужие описания задач любого качества превращаются в чеклист или пару фраз с конкретикой: исполнитель не перечитывает многостраничные пояснения, руководителю не приходится восстанавливать смысл. Для распределенной команды это сглаживает разницу в культуре постановки задач между отделами.
Пакетная постановка — самый показательный кейс по данным. Пул из 30–40 однотипных задач на направление ассистент заводит с описаниями, автором, ответственным, направлением, спринтом, этапом воронки, трудозатратами и категорией. Полдня сжимаются до 15 минут; поля, которые люди заполняли нерегулярно, заполнены всегда — и по ним же модель собирает аналитику. До автоматизации списки уходили в мессенджер, через месяц обнаруживалась пропажа четверти задач. Развертка нового направления по той же схеме — структура, задачи с описаниями и сроками, права доступа — заняла 3 часа вместо двух дней, где основное время ушло на вычитку.
Техподдержка: более половины обращений закрывает бот по документации — рутинные вопросы решаются без оператора, нетривиальные маршрутизируются специалистам. Время первого ответа для клиента сокращается до мгновенного, очередь в поддержку перестает быть узким местом роста клиентской базы.
Онбординг: новый сотрудник осваивает продукт через вопросы вместо недельной программы адаптации — база знаний компании стала интерфейсом входа в профессию. Стоимость и срок введения в должность снижаются одновременно.
Межфункциональные запросы: маркетологи перестали отвлекать разработчиков пояснениями, PR-менеджер готовит продукт к участию в отраслевом рейтинге без погружения в технические детали — вопрос документации возвращает ответ за минуту. Инженерное время высвобождается там, где раньше тратилось на устные консультации, а число контактов между отделами перестает зависеть от графика загрузки специалистов.
Схема с универсальным чатом — экспорт из CRM и загрузка в модель — на регулярных процессах не выдерживает трех возражений: выгрузка устаревает раньше, чем сохранена, клиентские данные покидают контур компании, чат возвращает совет вместо действия. Сдвиг произошел с появлением агента внутри системы: ассистент работает с порталом напрямую в рамках прав пользователя — находит сделки, задачи, проекты и финансы, заводит и меняет записи после подтверждения.
Внешние модели подключаются по протоколу MCP (разбор протокола — в отдельной статье) и управляют другими сервисами с удержанием общего контекста. Результат возвращается в источник: задачами, записями, сводками.
Ошибка границ оказалась главной угрозой — не галлюцинации. Ассистент почти не выдумывал факты, но буквально трактовал, что относить к продлениям: цифры в отчете настоящие, интерпретация ложная. Такой сбой не бросается в глаза и вскрывается только сверкой со списком источников. Отдельная закономерность — аналитика: широкий вопрос по трехлетним данным рождает банальности уровня сезонности, узкий вопрос по сегменту — проверяемые гипотезы о точках отвала продлений и начале спада конверсии в отрасли.
Исследование Microsoft Research и Университета Карнеги-Меллона 2025 года задало рамку: растущее доверие к инструменту сокращает усилия на проверку его ответов; специалисты, уверенные в собственных навыках, контролируют активнее. Каждая ошибка ассистента в кейсе была исправима — системную угрозу представляла человеческая привычка смотреть на отчеты все реже. Ответ — процедура: первый месяц каждая новая автоматизация идет с пересчетом вручную по каждой сводке, после месяца, когда расхождения становятся предсказуемыми, — выборочный контроль.
Перечень вместо итога. Цифра без происхождения непрозрачна; список сделок-источников вскрывает огрех границ мгновенно.
Месяц ручного дубля. Параллельная выборка к каждой сводке — единственный способ узнать расхождения, характерные для ваших данных.
Недоверие к красивым цифрам. Плохая метрика провоцирует проверку рефлекторно, хорошая проходит мимо критического взгляда. Рекорд на падающем рынке и улучшение без причины — первая очередь контроля.
Решения у человека. Модель — сторона обязательной проверки; стратегические выводы с первого запроса не приходят, до ИИ с пониманием контекста компании проходит около полугода.
Итоговая рамка кейса: ассистент расширил охват данных для решений, но не отменил ответственность за них. Кадровые решения, стратегия, финальные ставки на квартал — все это осталось за руководителем, и не по инерции, а по цене ошибки: в этих зонах проверка стоит дороже самого решения, арифметика делегирования не сходится. Решение становится максимально близким к правильному — правильным его по-прежнему делает человек.