Почему AI не заменит менеджеров по продажам, но изменит правила игры

Короткий ответ — да, можно. Для этого есть модели, которые уже обучены на большом количестве данных, и у любой компании найдутся бизнес-задачи, с которыми эти модели справятся.

Допустим, у вас нет своих данных, но вы хотите использовать AI для оптимизации продаж. Продажи — это во многом про текст и текстовое общение, для обработки которого можно использовать LLM и оттестированную цепочку промптов. Это один из примеров.

Вообще, точек внедрения AI в любом бизнесе много, и есть много разных вещей, которые не требуют дообучения, либо требуют минимальное.

Я с трудом себе представляю, как можно заменить человека на всех этапах воронки.

Допустим, у нас есть совершенный AI, который неотличим от нас. И он сидит и продает вместо нас. Но этические соображения обяжут нас показывать шильдик, что клиенту отвечает AI-агент. В этом случае в воронке обязательно появляется момент, когда клиент будет требовать подключить уже, наконец, человека.

Главная проблема в том, что люди покупают у людей. В сделке всегда нужен тот, кто берет на себя ответственность за продукт или услугу. А у AI нет воли, он не принимает решения осознанно. Пока мы не научимся делегировать ему ответственность — и, главное, доверять в этом — он не сможет заменить продавца. Да, AI может помогать на первых этапах: в квалификации лида, в первичной коммуникации. Но закрывать сделку все равно будут люди.

Можно добавлять персонализацию, делать AI более «человечным», но вопрос ответственности никуда не исчезнет. Представьте: вы клиент, с вами общается AI-аватар, обещает поставить суперсовременную IT-систему, все звучит идеально. А потом приходит ваш менеджер по внедрению и говорит: «Знаете, вот этого функционала пока нет, этот появится позже. AI неправильно интерпретировал данные, ошибка в модели, roadmap чуть другой». В итоге — разочарование, потеря доверия, срыв сделки.

У продавца, конечно, есть возможность оправдаться. Компании смогут списывать ошибки на «сбой системы», юридически переложить ответственность на компанию, которая поставила AI-инструмент. Начинается судебная тягомотина: иски, разбирательства, споры о том, кто виноват — сам бизнес или подрядчик, разработавший AI. При этом клиенты остаются в подвешенном состоянии, и это рушит доверие к продавцу.

Здесь можно провести аналогию с автопилотом: он ведь умеет водить, но все равно в машине сидит человек, который может забрать руль в любой момент. В продажах, я думаю, такая же история. Если за AI-аватаром не будет стоять живой менеджер по продажам, который сможет перехватить разговор, система рано или поздно наломает дров.

AI можно эффективно использовать в незначительных коммуникациях — например, в общении с ЖКХ, в автоответчиках, которые отсекают спам-звонки. Но в сложных продажах, где задействованы разные стейкхолдеры, доверие и ответственность играют ключевую роль. Здесь AI без человека не справится.

Первая ошибка — это завышенные ожидания. AI до сих пор воспринимается как нечто волшебное. Многие компании думают, что AI придет и своим суперразумом решит все их проблемы, залатает дыры в бизнес-процессах. В итоге — разочарование, недовольные стейкхолдеры, мисменеджмент ожиданий.

Вторая распространенная ошибка — попытка оптимизировать сразу слишком большие процессы.

Возьмем воронку продаж в любой компании. Она включает, как правило:

• Листбилдинг: создание списка компаний, к которым мы можем прийти со своим ценностным предложением.

• Анализ компаний (ассессмент): поиск датапойнтов, триггеров, информации о компании, найме, стратегических инициативах.

• Формирование ценностного предложения: синтез информации о клиенте и нашего продуктового предложения.

• Доставка предложения: outreach, контакт с потенциальными клиентами.

• Проведение сделки: живое общение, демонстрация продукта, обсуждение ожиданий.

На каждом из этих этапов есть масса возможностей для внедрения AI.

Например, на этапе ассессмента можно выбирать релевантные компании с помощью искусственного интеллекта из чернового списка.

Допустим, вы предлагаете аналитику для американских SaaS-компаний, которые продают свои продукты с чеком выше 5–10 тысяч долларов в год. У вас есть черновой список, который вы собрали в Sales Navigator’е. Вы отдаете этот список ChatGPT и задаете промпт на проверку — есть ли прайс на сайте компании. В итоге получаете базу из компаний, у которых нет прайса на странице. Для американских компаний это значит, что у них прайс выше 5–10 тысяч долларов — выходит, это нужные вам ребята. В промпте можно прописать разные триггеры: например, искать компании, которые подняли раунд B, или только тех, кто работает с HR Tech.

Если компания большая и известная, то у нее есть публичные отчеты, выступления фаундеров, посты менеджеров в соцсетях, страница с вакансиями. И вы еще несколькими промптами собираете, скрапите весь этот материал, скармливаете все в GPT, вытаскиваете нужную вам фактуру — какая стратегия у компании, что сказал основатель, куда идут и чего хотят, упоминают ли конкретные технологии в планах. Все это можно учесть в своем ценностном предложении для клиента.

Когнитивно эта задача довольно затратная. Нужно сажать специального человека, а то и двух, чтобы механически просматривать сайты и вытаскивать информацию. И вот везде, где есть такая механическая работа, где надо просто посмотреть глазами и потом в табличке что-то проставить — везде полезны GPT-like модели.

Потому что в аутриче сейчас такая ситуация, что вы никого не удивите, если просто автоматически вставите в письмо название компании или имя адресата. Все привыкли к шаблонным рассылкам. Чтобы привлечь внимание, нужна гиперперсонализация — и вот здесь AI действительно может помочь.

Хороший вопрос. На самом деле, мы уже наблюдаем за развитием этого процесса. Раньше персонализация заключалась в том, чтобы просто вставить имя человека вместо безликого «Greetings, I am a mobile developer». Потом научились подставлять университет, в котором учился адресат, затем — анализировать вакансии. В конкурентных нишах этот процесс идет быстрее, градус персонализации нарастает, и она становится все более изощренной.

Суть аутрича остается неизменной: доставить нужную ценность в нужное время нужному человеку. Если это сделано правильно, персонализация не надоест, потому что она будет полезной. Другое дело, что здесь, как и в продажах, у кого-то получается естественно, а у кого-то — топорно.

ИИ сам по себе не решит задачу с грамотным аутричем. Он может собрать кучу данных, но правильно интерпретировать их и использовать с умом — это уже задача человека. Важно не просто показать, что вы знаете, как зовут собаку CEO или в какой гольф-клуб он ходит. Важно использовать эту информацию, чтобы точнее сформулировать свое предложение, сделать его релевантным и ценным.

В итоге ключевая роль остается за человеком — оркестратором всей этой AI-машины. Пока только он понимает, какие именно данные критичны для принятия решения в конкретной нише. И может придумать что-то нетривиальное. AI — это инструмент, но не волшебная кнопка «сделать идеально».

Сейчас такие вещи может прочувствовать только человек. Потому что у ИИ нет той глубины восприятия, которая есть у нас. Мы чувствуем собеседника через множество сигналов: мимику, интонацию, тембр голоса. Мы видим его реакцию и корректируем поведение в реальном времени. ИИ этого не умеет. Чтобы работать с этим потоком данных так же, как мы, ИИ должен не просто принимать информацию, но получать те же сенсорные сигналы, что и человек — мыслить как мы. А пока он так не мыслит.

Логику AI мало кто понимает, из-за этого потом и случаются ошибки в оценке возможностей искусственного интеллекта. Часто говорят об ИИ техническим языком, и это только запутывает.

Попробую объяснить на примере компьютерного зрения. Представьте, вам показывают кучу картинок и просят определить, на каких изображен стол. Вы без проблем справитесь, потому что у вас в голове есть понятие стола. Вам неважно, какого он цвета, сколько у него ножек, есть ли вокруг стулья, стеклянный он или деревянный. Вы просто понимаете, что стол — это поверхность, на которую можно поставить ноутбук, положить руки, за которой можно сидеть. Если вам покажут любой объект, удовлетворяющий этим критериям, будь то трехногий, шестиногий, круглый, квадратный, стеклянный, полупрозрачный, какого угодно размера и фактуры — вы все равно категоризируете предмет как стол.

А вот у ИИ такого понятия нет — он не знает, что такое стол. Ему просто показывают миллионы изображений и говорят: «Вот это стол, а это не стол». И для него картинка — это не объект, а просто набор пикселей в формате RGB, трех цветов — красного, зеленого и синего. То, что для нас — фотография стола, для ИИ-модели — просто большая последовательность пикселей, двумерная матрица. ИИ скармливают эту матрицу, потом еще одну, потом еще 10 тысяч, миллион. Искусственный интеллект учится находить закономерности в группировке пикселей: «Кожаные мешки хотят от меня, чтобы я на эту последовательность выдавал им символы С, Т, О, Л».

Из-за этого ИИ может легко ошибаться. Например, если его обучали только на коричневых столах, а потом покажут белый, он может не опознать его как стол. Или, если все примеры в обучении были с четырьмя ножками, то круглый стол на одной опоре он примет, например, за колонну. Потому что он не понимает суть вещей, а просто сопоставляет пиксельные матрицы.

Люди понимают концепцию, а ИИ — просто находит статистические закономерности в данных. Это фундаментальная разница в мышлении ИИ, точнее, в его отсутствии.

Встречный вопрос: а нужен ли нам ИИ, который обучен на художественных текстах XVIII века?

Проблема действительно существует, но с ней сталкиваются не только наши разработчики. Русскоязычный сегмент интернета, кстати, не такой уж маленький, если сравнивать с итальянским, французским или финским, например. Мы в относительно неплохой ситуации. У нас достаточно данных, чтобы обучать нормальные модели. Алиса и другие проекты это доказывают.

Но здесь есть другой момент: даже в OpenAI, в США, столкнулись с той же проблемой. Потому что, когда мы говорим «ИИ», то чаще всего имеем в виду большие языковые модели. С LLM — большими языковыми моделями — проблема в том, что они уже обучены практически на всем доступном тексте в интернете.

Grok (X/Twitter), Bard (Google), LLaMA, OpenAI — они уже перемололи весь интернет, Reddit перечитали по 300 раз, перегнали все данные. А больше данных нет. Или, по крайней мере, пока не видно, откуда их взять.

Поэтому OpenAI сейчас хотят запустить новый ИИ под названием «Орион». Смысл в том, что ИИ плохо учится на данных, созданных другим ИИ. Получается эффект «копии с копии» — качество падает. Нужен человеческий контент. Если его мало, качество вывода ИИ ухудшается. «Орион», по задумке, должен значительно — на несколько порядков — увеличить количество значимых текстов.

Как они хотят это сделать? Есть такой подход — аугментация данных. Если у тебя мало данных, ты можешь искусственно их приумножить. Например, при обучении ИИ на изображениях можно взять 100 картинок, повернуть каждую на 90 градусов — и у тебя уже 200 картинок. Повернул еще раз — уже 400. Можно менять цвета, пиксели, размывать, зеркалить, делать небольшие искажения — так выборка становится больше.

Что-то похожее, не буквально, а по сути, должен сделать «Орион». Он должен каким-то образом взять весь значимый контент интернета и приумножить его, создать больше уникального, творческого материала. Так OpenAI хотят увеличить объем обучающих данных и сделать модель умнее.

Потому что сейчас GPT — это просто некая «агрегация среднего человека». Он впитал в себя весь интернет и выдает результат на уровне человека средних способностей. Но нам-то нужен не «средний человек», а кто-то более продвинутый. Как создать такого ИИ, если новых данных просто нет? Это пока открытый вопрос.

Мне кажется, что само это разделение может нас увести не туда. Объясню. Самые недооцененные ниши для внедрения ИИ — как раз традиционные бизнесы. Там, где никто об этом особо не думает.

Почему? Потому что во многих сферах куча механических процессов, завязанных на перенос данных. Например, пришло письмо → кто-то вручную занес данные в таблицу → потом эти данные перекочевали в другую таблицу → затем кто-то отправил их дальше. Скучная, рутинная работа, которую спокойно можно передать ИИ.

Речь прежде всего про ниши типа бухгалтерии, финансов, юриспруденции, управления недвижимостью. Но туда редко приходят айтишники с ИИ-решениями, потому что это закрытые, далекие от внимания разработчиков сферы — здесь нет экспертизы у тех людей, у кого есть экспертиза в ИИ.

При этом ИИ можно внедрять вообще в любой зрелый бизнес, где есть рутинный обмен данными. Просто надо не пытаться делать какие-то штуки ради хайпа, а решать конкретные задачи.

Представьте бизнес-процесс: вам приходит письмо от подрядчика — просто текстом, сколько и чего он закупил. Интегрированный в почту ИИ сам вытаскивает оттуда данные, собирает аккуратную табличку и отправляет ее в бухгалтерию. Там люди быстро проставляют галочки, с чем они согласны, и система автоматически формирует ответное письмо подрядчику. Сколько времени экономится! Особенно если закупки еще нужно согласовывать с финансами — а это всегда огромная цепочка, где куча людей просто копирует и пересылает данные.

Раньше такие процессы сложно было автоматизировать, потому что классические алгоритмы не умели работать с разными форматами данных, не могли скрапить информацию так, как это делает человек. Все должно было быть строго по шаблону. А теперь ИИ позволяет работать гибко: он понимает и текст, и цифры, и структуру, и может легко адаптироваться под любые форматы.

Сейчас действительно модно загружать документы в ИИ и «общаться» в чате. Но для меня сам чат как интерфейс — не самый удобный способ взаимодействия. Просто все топовые модели вроде OpenAI работают именно в формате чатов, поэтому все пользуются логикой чата.

Гораздо удобнее та логика интерфейса, где изменяемый объект остается в центре. Сейчас мы загружаем текст в ИИ и просим исправить ошибки. Что происходит? Оригинал уходит наверх, появляется исправленный вариант. Потом мы просим еще три версии — опять все улетает выше, накапливается куча вариантов, а если захочется вернуться к самому первому, это уже целый квест.

Если бы у нас изменяемый текст был в центре, и вокруг мы накидывали всякие дополнения и правки, — это было бы гораздо удобнее и функциональнее. Это сильно упростило бы работу. Такой подход, кстати, пытались реализовать в Apple Intelligence — в том самом, который все ждали, но так и не дождались.

Кстати, я на самом деле мало пользуюсь ИИ. Обычно это просто GPT — пользуюсь моделью GPT-4o. Потому что она самая классная, и ничего страшного, что она где-то медленно работает.

Моя работа связана с текстами: маркетинговыми, юридическими, спецификациями, разной документацией. Где ИИ мне реально помогает — это формальные письма и документы. Например, если у меня заблокировали рекламный кабинет в Google Ads, и нужно написать апелляцию — GPT отлично генерирует длинные формальные тексты, после которых поддержка меня быстренько разблокирует.

Если говорить о маркетинговых текстах, то здесь сложнее. Часто проще написать самому, чем долго править то, что выдаст нейронка. Но если текст длинный, можно сначала накидать «рыбу» с помощью ИИ, а потом уже дорабатывать вручную. Все равно изначально он выдает что-то усредненное, шаблонное — это нужно редактировать и расцвечивать.

Здесь важен сам подход. Чем больше деталей задашь на старте, тем лучше результат. Например:

• Просишь определить структуру ответа: что ждешь в результате, какой вывод, в виде документа или таблицы, насколько подробный ответ должен быть.

• Указываешь стиль текста: формальный или живой, какая длина предложений, сколько строк и прочее.

• Даешь максимум контекста: чем больше вводных данных, тем лучше.

• Приводишь примеры: ориентируясь на образцы, ИИ с большей вероятностью сделает то, что нужно.

• Определяешь роль для ИИ: можно заставить его думать определенным образом, например, «действуй как B2B продажник с 15-летним опытом в кибербезе».

• Работаешь инкрементально: не останавливаешься на первом выводе от ИИ, но уточняешь свой запрос по мере получения нового результата, если он тебя не совсем устраивает — цепочка промптов вместо одного большого.pli>

Но вот в чем проблема: настройка хорошего промпта требует времени. И надо смотреть, когда игра стоит свеч и можно промптить ради классного результата.

Что ИИ может сделать качественно без глубокого промптинга? Какие-то несложные задачи. Например, он может проверить грамматику или сделать перевод. Хотя даже с грамматикой, особенно английской, не все идеально, и я не всегда согласен с его коррекцией.

Думаю, определенно стоит уже посмотреть, где у вас можно применить ИИ. Потому что это как появление калькулятора. Сначала калькуляторы хейтили — они были громоздкими, неудобными. Потом калькуляторы стали компактными, и все начали ими пользоваться — потому что это удобнее.

ИИ так или иначе тоже проникнет в нашу жизнь, как компьютер, смартфон, интернет. Все идет к тому, что мы со временем станем делать больше, потому что ИИ увеличивает продуктивность. И вот здесь уже можно сказать, что люди, которые вообще не используют ИИ, в какой-то момент окажутся в менее выгодном положении. Разрыв между теми, кто активно применяет его в работе, и теми, кто не пользуется, будет явным.

Например, разработчики. Они уже массово пишут код с помощью искусственного интеллекта. ИИ прекрасно справляется с этим, людям нравится, скорость разработки растет. И что в итоге? Разработчики с ИИ быстрее пишут код, быстрее его деплоят, быстрее решают задачи. А если разработчик вообще не использует ИИ, он в проигрыше.

Мне кажется, так будет и в других сферах.

Но я не сторонник того, чтобы заставлять себя что-то делать. Не надо думать: «Все, срочно внедряю ИИ, 30 шагов к цифровому будущему, читаю по книжке в день». Надо просто проявлять интерес. Покопаться, посмотреть, что есть. Не коммитить себя, а попробовать.

Главное — экспериментировать. Смотреть, куда это можно применить именно в своей жизни. У нас ведь у всех есть куча задач, которые мы не хотим делать. Ну, например, писать апелляции в поддержку, заполнять какие-нибудь бюрократические бумаги, составлять формальные письма.

Вот с таким ИИ справится идеально. Ты просто подставляешь нужные данные, а он сам все сформулирует. Или даже сам их найдет, если правильно задать промпт.

Поэтому лучший способ разобраться с ИИ — искать задачи, которые тебе лень делать. И проверять, может ли он их решить за тебя. Вкалывать должны роботы, а не человек!