Полная версия:
Антон Аракчеев Продажи+ИИ
- + Увеличить шрифт
- - Уменьшить шрифт
Retention меняет экономику воронки радикальнее. Если в классической воронке после сделки клиент «выпадает» и его нужно снова привлекать через рекламу, в новой воронке клиент остаётся в системе. ИИ отслеживает его поведение после покупки и предлагает следующий сценарий: апсейл, кросс-сейл, продление, рекомендация другу. LTV клиента растёт в 2-5 раз по сравнению с разовой покупкой.
Метод: где традиционная воронка теряет клиентов
Анализ типичных точек потери в традиционной воронке продаж даёт следующую картину:
Точка 1 — между рекламой и лидом. Трафик есть, заявки нет. Причина: лендинг не отвечает на вопросы клиента, форма заявки слишком длинная, нет понятного призыва к действию. ИИ-решение: анализ поведения пользователя на сайте (heatmaps, scroll, время на странице) с автоматическими рекомендациями по улучшению.
Точка 2 — между лидом и контактом. Заявка есть, но менеджер не дозванивается или клиент не отвечает в мессенджере. Причина: скорость обработки заявки, неудобное время звонка, отсутствие омниканальности. ИИ-решение: AI-бот мгновенно отвечает в мессенджере и договаривается об удобном времени.
Точка 3 — между контактом и квалификацией. Менеджер поговорил с клиентом, но не выяснил ключевые параметры — потребность, бюджет, срочность, лицо, принимающее решение. Сделка зависает на неопределённое время. ИИ-решение: анализ звонка или переписки с автоматическим извлечением ключевых параметров квалификации.
Точка 4 — между квалификацией и предложением. Клиент квалифицирован, но КП готовится неделями, за это время интерес угасает. ИИ-решение: AI-генерация персонального КП за минуты на основе квалификационных данных.
Точка 5 — между предложением и сделкой. КП отправлено, но клиент не отвечает. Причина: нет follow-up, нет напоминания, нет дополнительной ценности. ИИ-решение: автоматический follow-up сценарий с учётом поведения клиента после получения КП.
Точка 6 — между сделкой и повторной покупкой. Клиент купил, но не вернулся. Причина: нет отслеживания удовлетворённости, нет своевременного предложения следующего продукта. ИИ-решение: AI Retention Engine — анализ поведения после покупки и своевременное предложение.
AI-инструменты для новой воронки
Внедрение новой воронки требует не одного инструмента, а экосистемы. Базовые компоненты, доступные в сентябре 2026:
CRM с встроенной интеграцией AI-ассистента (Bitrix24 с AI-ассистентом, amoCRM с GPT-интеграцией, HubSpot с AI-функциями, отечественные решения).
Коллтрекинг с AI-анализом разговоров (Calltouch, UIS, CoMagic, Манго).
Сервисы омниканальной коммуникации (Telegram, MAX, VK, WhatsApp Business, онлайн-чат) с AI-маршрутизацией диалогов.
AI-генерация КП на основе данных CRM — отдельные SaaS-решения или встроенные функции CRM.
Сервисы автоматического follow-up — напоминания менеджерам, AI-генерация текстов follow-up.
AI Retention Engine — анализ поведения после покупки и предложения следующих сценариев.
Сценарный пример: интернет-магазин
Сценарный пример. Интернет-магазин одежды имеет воронку: трафик → просмотр карточки товара → добавление в корзину → оформление заказа → оплата → повторная покупка в течение 60 дней. Классические точки потери: 65% посетителей уходят с сайта без добавления в корзину, 40% корзин брошены без оплаты, 70% купивших не возвращаются в течение 60 дней.
Внедрение AI-решений: на этапе «трафик → корзина» — AI-рекомендации «с этим товаром покупают» и персональные блоки товаров на главной. На этапе «корзина → оплата» — AI-бот в мессенджере напоминает о брошенной корзине с персональным предложением (скидка, бесплатная доставка). На этапе «оплата → повторная покупка» — AI-анализирует, какие категории товаров покупал клиент, и присылает персональные подборки новинок в этих категориях через 30 дней после покупки.
Эффект сценарный: конверсия в корзину вырастает с 35% до 42%, восстановление брошенных корзин — с 5% до 18%, повторные покупки в течение 60 дней — с 30% до 48%. Главная точка роста — восстановление корзин, потому что здесь ИИ работает с уже тёплыми клиентами, добавившими товар, но не завершившими покупку.
Промпт для главы 3
Ты — архитектор воронки продаж. Опиши идеальную воронку для компании в нише [вставить нишу] со следующими параметрами: продукт [описание], средний чек [сумма], цикл сделки [длительность], каналы привлечения [список]. Для каждого этапа воронки укажи: 1) что делает клиент, 2) что делает менеджер/система, 3) какую роль играет ИИ, 4) метрику конверсии этапа, 5) точку потери и способ её устранения. Сформируй ответ в виде таблицы.
Чек-лист главы 3
Воронка продаж учитывает действия клиента, а не только действия менеджера
Между лидом и менеджером есть шаг AI-квалификации
После сделки клиент не «выпадает», а переходит в retention-сценарий
Каждый этап воронки имеет метрику и цель
Я могу назвать три главные точки потери воронки и план работы с ними
Практическое задание
Опишите текущую воронку продаж вашей компании на одном листе. Отметьте, на каких этапах работает ИИ, на каких — нет. Определите, какой этап без ИИ даёт наибольшие потери. Оцените потенциальный эффект внедрения ИИ на этом этапе — даже грубо, в процентах. Сравните с двумя другими этапами. Выберите этап с максимальным отношением эффект/усилия — это ваша первая точка внедрения ИИ.
Глава 4. AI-квалификация лидов
Проблема: все лиды не одинаковы
Менеджер по продажам в B2B-компании получает за день 20 заявок. Из них 3-5 — реальные клиенты, готовые к разговору и покупке. 5-7 — клиенты, которые пока не готовы, но через 1-3 месяца могут дойти до сделки. 8-10 — лиды, которые не подходят по нише, бюджету или продукту. Менеджер не знает заранее, кто есть кто — он тратит одинаковое время на каждый разговор и устаёт, прежде чем добирается до тёплых лидов.
Это классическая проблема: кажущееся равенство лидов. На практике разница между лидом с вероятностью сделки 70% и лидом с вероятностью 5% огромна — но без квалификации менеджер работает с ними одинаково. Результат: тёплые лиды не получают достаточно внимания, холодные отнимают время, общая конверсия отдела проседает.
Проблема усугубляется тем, что квалификацию лидов часто поручают самим менеджерам. Но менеджер — заинтересованная сторона: он хочет показать свою активность, поэтому иногда квалифицирует как «тёплые» лиды, которые объективно холодные. Через неделю такой лид «отвалится», но к тому времени менеджер уже перешёл к следующему. Это создаёт системное завышение квалификации.
Новая реальность: AI-квалификация как фильтр
AI-квалификация лидов — это автоматическая оценка каждого входящего лида по ряду факторов и присвоение ему приоритета до того, как им займётся менеджер. ИИ не принимает решение о работе с лидом — он помогает менеджеру понять, с каким лидом имеет смысл работать в первую очередь, а какой можно отложить или передать в автоматический сценарий.
AI-квалификация работает с двумя типами данных. Первый — текстовые: что клиент написал в форме заявки, в переписке, в отзывах. Второй — поведенческие: откуда пришёл (UTM-метки, рефереры), какие страницы сайта открывал, сколько времени провёл, какие документы скачал, был ли на вебинаре. Современные LLM с контекстным окном 32k+ токенов могут анализировать всю эту информацию за секунды и давать оценку.
Метод: Lead Scoring Model
Lead Scoring — модель оценки лида по баллам. Чем больше баллов, тем выше вероятность квалификации и сделки. Базовая модель Lead Scoring учитывает шесть групп факторов:
Фактор 1 — потребность. Клиент прямо описал задачу, которая решается вашим продуктом — высокий балл. Написал общую фразу «хочу узнать подробнее» — низкий балл. ИИ анализирует текст заявки и определяет, насколько конкретна потребность.
Фактор 2 — бюджет. Если клиент упоминает бюджет или средства уже выделены — высокий балл. Если спрашивает «сколько стоит» без контекста — средний. Если явно говорит «дорого» без обсуждения — низкий. ИИ по тексту определяет стадию готовности тратить деньги.
Фактор 3 — срочность. Клиент говорит «нужно на этой неделе» — высокий балл. «Изучаю рынок» — низкий. ИИ определяет временной горизонт по ключевым словам и контексту.
Фактор 4 — соответствие продукту. Если у вас продукт для B2B-сегмента, а клиент — физлицо с бытовым запросом, лид не подходит. ИИ сравнивает профиль клиента с профилем ваших лучших клиентов (ideal customer profile).
Фактор 5 — поведение. Клиент пришёл с прямой ссылки после вебинара — высокий балл. С рекламы по общему запросу — средний. Случайный переход — низкий. ИИ анализирует источники и поведение на сайте.
Фактор 6 — история коммуникации. Если клиент уже обращался раньше, но не купил — анализ причин. Если обращался и купил — анализ возможностей повторной продажи. ИИ работает с историей CRM.
Каждый фактор оценивается в баллах (например, 0-20), итоговая оценка — сумма. Лид с 80+ баллами — горячий, обработать в первый час. 50-79 — тёплый, обработать в день обращения. 30-49 — холодный, обработать в течение 2-3 дней. Ниже 30 — не целевой, передать в автоматический сценарий или закрыть.
AI-инструменты квалификации
Встроенные скоринговые модели CRM (Bitrix24, amoCRM, HubSpot) — можно настроить под свою нишу, но требуют ручной настройки правил.
AI-сервисы квалификации на основе языковых моделей — анализируют текст заявки и присваивают оценку. Решения существуют как SaaS, так и в виде библиотек для самостоятельной интеграции.
AI-агенты квалификации — самостоятельные модули, которые общаются с клиентом в мессенджере, задают квалификационные вопросы и передают менеджеру уже подготовленный профиль. В 2026 году доступны как готовые SaaS-решения и как open-source фреймворки.
AI-обогащение данных — сервисы, которые по email или телефону клиента подтягивают информацию из открытых источников: сайт компании, профиль в соцсетях, регистрационные данные юрлица. Дают контекст до первого касания.
Сценарный пример: B2B-услуги
Сценарный пример. Юридическая компания получает через форму на сайте 30 заявок в день. Без квалификации менеджер обрабатывает все 30 — на каждую уходит 15-20 минут, итоговая конверсия в платную консультацию 12%. С AI-квалификацией каждый лид автоматически оценивается по 6 факторам, и менеджер получает приоритизированный список. Менеджер начинает с лидов с высоким баллом, успевает обработать 15 лидов за день, но эти 15 — самые качественные. Итоговая конверсия вырастает до 22%.
Побочный эффект: 15 лидов с низким баллом не обрабатываются менеджером — им отправляется автоматический ответ с предложением бесплатных материалов или записи на вебинар. Часть из них через 2-3 месяца становится тёплыми лидами. Канал, который раньше терялся, теперь работает как инкубатор.
Промпт для главы 4
Ты — AI-система квалификации лидов. Проанализируй заявку клиента: текст [вставить текст заявки], источник [вставить UTM-метку], поведение на сайте [вставить данные аналитики], история [вставить данные CRM из прошлых обращений]. Оцени лид по 6 факторам (потребность, бюджет, срочность, соответствие продукту, поведение, история) — каждому фактору балл от 0 до 20. Итоговый балл — сумма. Дай рекомендацию: обработать в первый час / в день / в течение 2-3 дней / передать в автоматический сценарий. Объясни главные причины такой оценки.
Чек-лист главы 4
Каждый лид получает оценку до того, как им займётся менеджер
Менеджер работает с лидами в порядке приоритета, а не в порядке поступления
Lead Scoring Model учитывает минимум 4-6 факторов
Факторы и их веса пересматриваются минимум раз в квартал
Холодные лиды не теряются, а передаются в сценарий инкубации
Практическое задание
Возьмите 20 последних заявок. По каждой вручную оцените 6 факторов по шкале 0-20. Просуммируйте баллы. Разделите заявки на 4 группы: 80+, 50-79, 30-49, ниже 30. Сравните результаты с фактическими — какие лиды закрылись в сделку. Если в группе 80+ конверсия в сделку выше 40%, а в группе ниже 30 — ниже 5%, ваша модель работает. Если разницы нет — факторы или их веса нужно менять.
Глава 5. AI-продавец и AI-помощник
Проблема: путаница между «помогает» и «заменяет»
Когда говорят про ИИ в продажах, часто путают две принципиально разные вещи: AI-ассистент, который помогает менеджеру, и AI-агент, который самостоятельно ведёт диалог с клиентом. Эта путаница приводит к двум типичным ошибкам. Первая — пытаются заменить менеджера на всех этапах и получают катастрофу: ИИ не справляется со сложными переговорами, клиенты уходят. Вторая — используют ИИ только как генератор текстов для писем и не реализуют 80% потенциала.
Чёткое разделение: AI Assistant — инструмент в руках менеджера. Менеджер остаётся главным, ИИ ему помогает готовить ответы, искать информацию, формировать КП, напоминать про follow-up. AI Sales Agent — самостоятельный модуль, который общается с клиентом в ограниченных сценариях: первичный контакт, сбор данных, назначение встречи, ответ на типовые вопросы. В сложных сценариях он передаёт диалог менеджеру.
Принципиальное отличие: ответственность. В AI Assistant ответственность всегда на менеджере. В AI Sales Agent — ответственность за сценарий делится: ИИ отвечает за выполнение сценария, человек — за сценарий как таковый. Это означает: если ИИ дал неверный ответ на типовой вопрос — виноват сценарий, который написал человек. Если ИИ передал сложный диалог менеджеру, а менеджер не справился — виноват менеджер. ИИ не несёт ответственности за сложные переговоры, финальную цену, условия сделки, юридические вопросы.
Новая реальность: разделение ролей
В правильно построенной системе AI-продаж ИИ и человек работают вместе, но у каждого своя зона. ИИ берёт на себя рутину: типовые вопросы, сбор данных, назначение встреч, follow-up напоминания, генерация черновиков. Человек берёт на себя экспертизу: сложные консультации, переговоры о цене, работу с возражениями, финальные предложения, юридически значимые решения.
Это разделение не уменьшает роль человека — наоборот, оно её усиливает. Менеджер, освобождённый от рутины, может провести больше качественных разговоров, глубже работать с каждым клиентом, не уставать к концу дня. Это особенно важно в B2B с длинным циклом сделки — там, где менеджер ведёт 30-50 параллельных переговоров, без AI-помощника он физически не справляется с контекстом.
Метод: где AI отвечает, где передаёт менеджеру
Принципиальная схема разделения:
AI Sales Agent отвечает, когда:
Клиент задаёт типовой вопрос, на который есть стандартный ответ (стоимость базовой услуги, время доставки, состав пакета).
Клиент хочет записаться на встречу или демо — ИИ предлагает слоты и бронирует.
Клиент спрашивает про наличие продукта или базовые характеристики.
Клиент обращается в нерабочее время — ИИ собирает данные и передаёт менеджеру на утро.
Клиент — явно холодный, и нужна первичная квалификация, прежде чем тратить время менеджера.
AI Sales Agent квалифицирует, когда:
Клиент обращается впервые — ИИ задаёт 3-5 квалификационных вопросов (сфера деятельности, размер компании, задача, срок, бюджет).
Клиент пришёл с вебинара или рекламы — ИИ уточняет, что именно зацепило, и какие задачи клиент хочет решить.
Клиент вернулся после долгого перерыва — ИИ выясняет, что изменилось.
AI Sales Agent собирает информацию, когда:
Клиент готов прислать документы, требования, техническое задание — ИИ принимает файлы, структурирует, передаёт менеджеру.
Нужно собрать данные о компании клиента — ИИ подхватывает информацию из открытых источников и дополняет профиль.
AI Sales Agent передаёт менеджеру, когда:
Клиент задаёт вопрос, выходящий за рамки сценария — ИИ честно говорит «я не готов ответить на этот вопрос, передаю менеджеру, он свяжется с вами в течение N минут».
Клиент проявляет явный интерес и готов к предложению — ИИ передаёт тёплого клиента менеджеру для закрытия.
Клиент недоволен или возражает — ИИ не пытается отрабатывать возражения, а передаёт менеджеру.
Сценарий предусматривает согласование цены, скидок, индивидуальных условий — ИИ не имеет права обсуждать цену.
AI-инструменты для разделения ролей
Готовые платформы AI-агентов для продаж — позволяют настраивать сценарии без программирования, в 2026 доступны как российские, так и зарубежные решения.
Конструкторы ботов в Telegram, MAX, VK с подключенными LLM — простой вариант для самостоятельной реализации.
AI-ассистенты в CRM — встроенные помощники, которые формируют сводки по клиенту, черновики ответов, напоминания о follow-up.
Voice-боты для входящих звонков — отвечают на типовые вопросы, маршрутизируют сложные звонки к менеджерам.
Сценарный пример: онлайн-школа
Сценарный пример. Онлайн-школа программирования получает 200 заявок в день. Без ИИ — три менеджера обрабатывают заявки по очереди, конверсия в платный курс 8%. С внедрением AI Sales Agent: бот в Telegram принимает заявку, задаёт 5 квалификационных вопросов (опыт программирования, цель обучения, удобное время, формат, бюджет), в зависимости от ответов предлагает: бесплатный вебинар (для холодных), консультацию с куратором (для тёплых), прямую запись на курс (для горячих). Менеджеры получают только тёплых и горячих клиентов — это 40 заявок в день вместо 200.
Эффект: конверсия в платный курс вырастает с 8% до 15% — за счёт того, что менеджеры теперь работают только с качественными лидами и успевают проводить глубокие консультации. Дополнительно холодные лиды, которые раньше терялись, теперь проходят через вебинар и через 1-2 месяца возвращаются как тёплые — это даёт дополнительные 5-7% конверсии.
Промпт для главы 5
Ты — AI Sales Agent для [вставить описание компании и продукта]. Твоя задача — принять первичное обращение клиента и провести квалификацию. Задай 5 вопросов в естественной форме (не списком, по одному за раз): 1) сфера деятельности, 2) размер команды/компании, 3) какая задача стоит, 4) в какой срок нужно решение, 5) есть ли бюджет или только присматриваются. По итогам квалификации прими одно из трёх решений: A) клиент горячий — передай менеджеру с пометкой «срочная передача», B) клиент тёплый — предложи запись на консультацию/вебинар, C) клиент холодный — предложи бесплатный материал иди вариант «подумать». Объясни своё решение в одном абзаце.
Чек-лист главы 5
В компании чётко разделены роли AI Assistant и AI Sales Agent
Сценарии AI Sales Agent ограничены и не пытаются «всё продать»
AI честно идентифицирует себя при общении с клиентом
Есть чёткие правила передачи диалога менеджеру
Менеджеры обучены работать с диалогами, начатыми ИИ — не начинают «с нуля»
Практическое задание
Опишите 5 типовых сценариев обращения клиента в вашу компанию. Для каждого определите: может ли AI Sales Agent вести этот сценарий самостоятельно, или нужен менеджер? Если может — какие вопросы ИИ должен задать? В каком случае ИИ должен передать диалог менеджеру? Оформите как инструкцию — это будет ваш первый сценарий для внедрения.
Глава 6. Персонализация продаж
Проблема: шаблоны убивают конверсию
Шаблонное обращение «Здравствуйте, имя! Мы компания X, предлагаем вам Y» в 2026 году не работает. Клиент получает десятки таких обращений в неделю — по почте, в мессенджерах, в LinkedIn, в Telegram. Мозг обучился их игнорировать. Конверсия шаблонных обращений в B2B-нишах упала до 0,1-0,3%, и продолжит падать — потому что количество шаблонных сообщений растёт.
Парадокс: клиент не против рекламы и не против коммуникации. Он против шаблонности. Персональное обращение — «Здравствуйте, Имя! Видел вашу статью про X, у нас есть решение похожей задачи для компании из вашей ниши, готов прислать разбор» — конвертирует в 5-10 раз лучше. Но персонализация в ручном исполнении требует времени: менеджер тратит 15-30 минут на одно персональное обращение, и успевает отправить 5-10 в день. Это не масштабируется.
Возникает дилемма: либо массовая коммуникация с низкой конверсией, либо персональная с высокой, но не масштабируемая. Современный ИИ разрывает эту дилемму — он позволяет делать персонализацию массовой.
Новая реальность: от массовой к гиперперсонализации
Эволюция коммуникации в продажах выглядит так:
Массовая коммуникация — одно сообщение для всех. Не работает в 2026.
Сегментация — разные сообщения для разных сегментов (по отрасли, размеру компании, географии). Работает, но эффект ограничен.
Персонализация — сообщение адаптируется под конкретного клиента: имя, компания, упоминание конкретных деталей. Работает хорошо, но требует ручного труда.
Гиперперсонализация — сообщение учитывает десятки параметров клиента: отрасль, размер, история покупок, поведение на сайте, последние обращения, этап воронки, события в компании (новости, найм, запуск продукта). Не масштабируется без ИИ.
Гиперперсонализация — это не «вставить имя в шаблон». Это полноценная адаптация содержания: тон, акценты, аргументы, предложения, призыв к действию — всё подстраивается под конкретного клиента. ИИ делает это возможным, потому что может за секунды обработать десятки параметров и сформировать уникальное сообщение. Менеджер только проверяет и отправляет.
Метод: что ИИ учитывает при персонализации
Персональное предложение на основе ИИ учитывает минимум семь групп данных:
Продукт — какой именно продукт из линейки подходит клиенту, с учётом его ниши и задачи.
Отрасль — специфические боли и кейсы в нише клиента. ИИ берёт из базы знаний компании кейсы по отраслям и встраивает в предложение.
История покупок — что клиент уже покупал, какие результаты получил, какие были вопросы. ИИ формирует предложение «следующего шага».
Поведение — какие страницы сайта открывал, какие материалы скачивал, на каких вебинарах был. ИИ推断 интересы и предлагает релевантное.
Интересы — по прошлым обращениям и перепискам. ИИ анализирует, какие темы клиент активно обсуждал.
Предыдущие обращения — что обсуждалось, на каком этапе остановилось, какие были возражения. ИИ продолжает с того места, где остановились.
Этап воронки — где клиент находится сейчас. ИИ не предлагает «купить» клиенту, который только знакомится с продуктом — ему предлагают бесплатный материал.
AI-инструменты персонализации
AI-генераторы писем и сообщений — формируют черновик на основе данных о клиенте. Встроены во многие CRM и sales-платформы.
AI-рекомендательные движки — предлагают, какой продукт/контент предложить конкретному клиенту на основе его профиля и поведения.
Сегментация с AI — автоматическая кластеризация клиентов на основе поведения и характеристик, более точная, чем ручная сегментация.
Динамический контент сайтов и лендингов — адаптация содержания под конкретного посетителя (например, разные hero-блоки для разных отраслей).
AI-обогащение профиля клиента — подтягивание данных из открытых источников для создания полного контекста.
