ИИ в отделе продаж: где нейросети дают результат, а где нужен человек
В феврале 2024 года шведский финтех Klarna передал ИИ-ассистенту две трети клиентских чатов. Через пятнадцать месяцев его глава признал, что качество сервиса упало, и компания начала возвращать людей в поддержку. Эта история показывает, где проходит граница применимости нейросетей в продажах и сервисе.
Что нейросети делают в продажах
На практике применение сводится к четырём задачам:
- Ведение CRM. Система расшифровывает диалог и вносит в карточку данные о звонках, встречах и договорённостях.
- Приоритизация лидов. Модель оценивает входящие заявки и подсказывает менеджеру, с кем связаться в первую очередь.
- Письма после созвона. Языковая модель (LLM) готовит персонализированное сообщение с учётом контекста разговора.
- Скрипты и сценарии. LLM предлагает формулировки и варианты развития диалога, которым может следовать сотрудник.
Эти функции часто описывают как «цифровых сотрудников». Аналитик данных обрабатывает историю покупок, поведение на сайте и рыночные тренды. Ассистент по работе с клиентами ведёт простые диалоги. Рекламный алгоритм распределяет бюджет между каналами и прогнозирует отклик на креативы. Границы каждой роли задают данные, на которых обучена модель, и качество этих данных.
Урок Klarna: ИИ забирает рутину, но не сложные разговоры
В феврале 2024 года Klarna сообщила, что её ассистент за первый месяц обработал 2,3 млн чатов, а среднее время решения вопроса составило меньше двух минут. В интервью Bloomberg в мае 2025 года глава компании Себастьян Семятковский признал, что упор на экономию снизил качество, и объявил набор сотрудников поддержки.
От ИИ Klarna при этом не отказалась. По данным на май 2025 года, бот по-прежнему обрабатывает около двух третей обращений, а клиент всегда может выйти на живого сотрудника. Подробности есть в обзоре CX Dive.
К близкому выводу пришли аналитики McKinsey в исследовании о контакт-центрах. Контакт-центр будущего, по их оценке, будет ориентирован на ИИ, но темп перехода остаётся неопределённым. Люди сохраняют роль в сложных обращениях и как контроль качества ответов самой нейросети.
Прогнозирование: какие данные нужны модели
Прогноз по личному опыту менеджера или усреднённым формулам плохо учитывает контекст сделки. Модель работает с тремя группами данных:
- внутренние: история сделок по сезонам, эффективность менеджеров, длительность циклов продаж;
- внешние: макроэкономические показатели, активность конкурентов, для отдельных отраслей ещё и погода;
- данные воронки: количество и качество лидов на каждой стадии.
На этой основе система оценивает вероятность закрытия каждой сделки по этапам, выделяет клиентов с высоким риском оттока и моделирует, как изменение цены, рекламная кампания или выход на новый рынок повлияют на выручку. Руководитель перераспределяет ресурсы до просадки в отчёте. Качество прогноза зависит от полноты и чистоты данных в CRM.
Роботы, тренажёры и речевая аналитика: три класса инструментов
Голосовые роботы. Берут на себя холодный обзвон: выявляют заинтересованных клиентов, сообщают об акциях и статусах заявок, задают уточняющие вопросы, квалифицируют лид и передают контакт в CRM. Робот справляется с простыми диалогами, сложные разговоры остаются за менеджером.
Тренажёры. Менеджер ведёт диалог с виртуальным клиентом: от холодного звонка до переговоров о цене, с разными типажами собеседников, от агрессивного до придирчивого. Ошибка в тренажёре не стоит реальной сделки, поэтому на нём удобно отрабатывать сложные сценарии, и новичкам, и опытным сотрудникам.
Речевая аналитика. Система расшифровывает все звонки, а не выборку, которую успевает прослушать отдел контроля качества. Она оценивает эмоциональный тон клиента, соотношение говорения и слушания у менеджера, использование ключевых фраз и скриптов, возражения и то, как менеджер их отработал. Руководитель получает данные по каждому сотруднику вместо субъективной оценки.
Скрипты: от жёсткого текста к набору сценариев
Один скрипт не подходит всем клиентам, а вручную поддерживать несколько версий под разные сегменты долго. Нейросеть ускоряет эту работу. Менеджер или маркетолог задаёт параметры, например:
- аудитория: директора небольших IT-компаний;
- продукт: облачное хранилище с повышенной безопасностью;
- цель контакта: запись на демонстрацию;
- ключевые проблемы аудитории: риск утечек данных, сложность управления доступом.
На выходе получается несколько вариантов диалога, ответы на типовые возражения и формулировки, объясняющие ценность продукта. Для другой отрасли сценарий пересобирается быстро. Оценивать версии стоит по конверсии на реальных звонках: убедительный на слух текст ещё не означает рабочий.
Внедрение: почему пилоты не дают отдачи
По данным исследования BCG, которое охватило 1 000 руководителей из 59 стран, только 26% компаний обладают компетенциями, чтобы выйти за рамки пилотов и получать от ИИ измеримую отдачу. У остальных 74% она пока не появилась. Причины мы видим в разрозненных процессах и фрагментированных данных: набор несвязанных инструментов усложняет работу отдела.
Начать стоит с аудита процессов. Нужно найти узкие места, например холодные звонки, низкую конверсию или неточные прогнозы, и подобрать решение под каждое. Затем необходимо обучить команду. Программа обучения включает:
- базовое понимание, что такое нейросети и какие задачи они решают;
- разговор об опасениях сотрудников, что ИИ их заменит: инструмент снимает рутину, а общение с клиентами остаётся за людьми;
- инструкции по конкретным инструментам: как читать данные CRM с ИИ-аналитикой и прогнозные отчёты;
- переход к решениям на основе данных вместо интуиции.
«Перед запуском ИИ выберите одну метрику, которую хотите улучшить, и зафиксируйте её значение на текущем процессе. Затем подключите нейросеть только части менеджеров, а остальных оставьте работать по-старому, и сравните группы после полного цикла сделки. Без такого замера вы не отличите эффект инструмента от сезонности, смены базы или просто удачного квартала».
Какие задачи отдела продаж вы уже передали ИИ, а какие после тестов вернули людям?