Продажи как система: автоматизация, ИИ и здравый смысл (часть 2)

А вот там, где нужно понять смысл, а не просто посчитать — ИИ работает отлично. Например, у нас есть отдел контроля качества. Раньше сотрудница вручную проверяла сделки: открывала случайные диалоги, читала переписки, прослушивала звонки, сверялась с чек-листом: говорил ли менеджер про акцию, вежливо ли отвечал, на каком этапе сдался и т. п.

Теперь это делает нейросеть. Я взяла наш чек-лист и каждый пункт перевела в отдельный промпт. Использую N8N — это ноукод-платформа, где можно собрать такие логики из блоков. По каждому критерию нейросеть загружает всю переписку, звонки, письма — и проверяет:

• Предложил ли Вася клиенту акцию?
• Был ли вежлив?
• Не допустил ли грубости?
• Как сформулировал ответ?
• Были ли признаки того, что он просто формально отработал?

Это только пример, на самом деле требования могут быть другими.

Причем сеть умеет не просто «да/нет», а чувствует интонацию, стиль, характер общения. Там, где я вижу, что ответ нейросети неоднозначен, — я зачастую и сама не могу с уверенностью сказать, правильно ли сработал менеджер. А в очевидных случаях ИИ справляется отлично.

Вторая, еще более полезная функция — это анализ сделок, которые закрылись как «неуспешные». Я прошу нейросеть оценить, достаточно ли менеджер боролся за сделку или сдался слишком рано. ИИ анализирует всю коммуникацию и пишет краткое резюме: почему сделка не состоялась, что могло быть сделано по-другому.

Вся система контроля построена вокруг приоритетов сделок. Каждый вечер в CRM закрываются сделки. Утром следующего дня ИИ проверяет сделки первого приоритета, которые были помечены как «неуспешные».

Первым шагом нейросеть определяет, сказал ли клиент, что уже приобрел товар у других. По этому критерию сделки попадают в две таблицы для РОПа, которые собираются каждый день.

В одну таблицу идут сделки высокого приоритета, где клиент еще не сделал покупку, — значит, сделку еще можно вытащить и спасти. Там же нейросеть делает оценку, что менеджер не доделал, и дает рекомендации, что сделать в конкретной ситуации.

Каждое утро РОП открывает эту таблицу и оценивает, что там нейросеть порекомендовала. А то ИИ, бывает, предлагает что-то такое, что компания сделать не в состоянии, хоть и было бы здорово. Дальше РОП возвращает сделки в работу менеджерам, прямо вместе с рекомендацией: что сказать, как ответить, какую формулировку использовать.

Вторая таблица — сделки, где клиент уже успел купить товар у других. Этот список РОП смотрит реже, когда есть время. Он несет «учебную» и «контролирующую» функцию: что-то исправить здесь уже поздно, но можно и нужно научить менеджера действовать по-другому.

Раньше мы делали такой аудит работы по сделкам раз в месяц, и по его итогам видели, что, например, Вася не борется в 60% случаев. Но это уже поздно: месяц прошел, сделки ушли.

Теперь проверка ежедневная. Девушка, которая раньше этим занималась, физически не могла бы вручную проверять такой объем каждый день. А ИИ может. И именно эта ежедневная работа добавила нам плюс 7% к прибыли. Просто за счет того, что мы возвращаем в работу те сделки, которые менеджеры преждевременно закрыли.

Менеджеры знают, что сделки проверяются. Они стараются, и в целом команда сильная. Но даже при этом каждое утро в таблице появляется 12–15 сделок, где можно было сделать больше. И это — живые деньги.

Да, конечно. Это одна из регулярных задач. Мы действительно можем понимать, почему мы проиграли сделку. И нам в этом как раз помогает нейросеть.

Вся работа построена в два этапа. Первый этап — это когда ИИ, проверяя неуспешные сделки, делает короткое резюме: почему сделка не состоялась. Например, «клиент посчитал цену слишком высокой» или «слишком долго ждали ответа» или «уже купили у конкурентов». Это текстовые выводы, сделанные на основе всей переписки, звонков, писем.

Второй этап — это обработка текстов. Мы загружаем все такие резюме в другую нейросеть и просим её найти повторяющиеся причины и сгруппировать по категориям. По сути, она превращает «сырые» тексты в аналитику: считает, сколько раз встречалась каждая причина, какие факторы были самыми частыми.

Мы проводим такой анализ раз в месяц. Все результаты собираются в таблицу, которую получает РОП. Он, в свою очередь, может передать информацию маркетингу, продукту или закупкам — в зависимости от того, где именно выявлена слабая точка.

Именно благодаря такому подходу мы можем не просто фиксировать ошибки, но реально на них реагировать: менять процессы, улучшать скорость ответов, пересматривать ценовую политику или обновлять аргументацию для менеджеров.

Тут всё зависит от того, с каким именно инструментом работает менеджер.

Первая история — это простая автоматизация. Она встроена прямо в CRM и работает через заполнение полей CRM. Там ничего сложного, никаких дополнительных навыков не нужно.

А вот с AI всё сложнее. Мы несколько раз пытались дать менеджерам инструменты на базе ИИ, но без особого успеха, честно говоря. Например, мы предложили использовать нейросеть для улучшения писем: чтобы менеджер мог накидать черновик, а ИИ помог бы сделать текст лучше.

Но на практике это оказалось неудобно. Да, ИИ может выдать неплохой результат. Но только если ты дашь ему очень точную вводную — а это, в свою очередь, требует времени. Нужно сформулировать задачу, дать контекст, уточнить параметры. Потом еще и несколько раз уточнять и вносить правки. В итоге разница между письмом, которое опытный менеджер может написать сам, и тем, что выдает ИИ, — не такая большая, чтобы тратить на это время.

Вторая история была более технической. Мы взяли все каталоги наших поставщиков, все наши товары — 250 000 артикулов, 150 брендов, 40 категорий — и загрузили в чат на базе RAG-системы. По сути, сделали такой чатик, где менеджеры могли уточнить что-то по товару, обсудить. Сделали AI-ассистента, который помогает консультировать по характеристикам. Казалось бы, идеально: задал вопрос — получил ответ. Но не сработало. Менеджеры почти не пользовались. Почему? Потому что даже при всем объеме данных ИИ в каждом 10-м или 20-м случае начинает что-то придумывать. А у нас это критично: мы продаем экспертизу, а не просто железо. Когда мы говорим клиенту, что это оборудование подойдет, мы берем на себя ответственность, что оно выполнит задачу. И если ИИ ошибается в характеристиках, нам приходится всё равно перепроверять. А если всё равно перепроверять, то проще сразу пойти в каталог и найти нужное.

Тем более мы сделали менеджерам удобную систему: на сайте есть скрытый сервисный слой — «Contexta». Там лежат все нужные каталоги, ссылки, таблицы. Зашёл, открыл, посмотрел — это быстрее и надежнее, чем спрашивать у нейросети.

Вот почему мы пока не используем ИИ в продажах напрямую. Просто потому, что ты не можешь ему доверять на 100%. Он может дать хороший ответ, а может — неадекватный. То же самое касается и системы контроля: даже там, где ИИ помогает анализировать сделки, итог всё равно перепроверяет человек. РОП смотрит, оценивает и иногда находит ошибки в выводах нейросети.

Так что пока между ИИ и реальной работой обязательно должен стоять живой человек, который проверит и примет решение. И именно в этой точке ИИ пока ещё не до конца готов к самостоятельной работе.

На самом деле, я думаю, что это не только про отдел продаж — это вообще про любого человека, который хочет быть эффективным. Сейчас обязательно нужно уметь работать с какой-нибудь хорошей моделью, вроде ChatGPT или DeepSeek.

И речь даже не про узкоспециализированные инструменты, как раз наоборот. Многие специализированные решения дают чуть лучше результат в рамках одной задачи, но при этом крупные универсальные модели закрывают большую часть задач с тем же эффектом, особенно если научиться правильно с ними работать. Даже базовое понимание логики промптов — уже огромный плюс.

Например, я использую ChatGPT, чтобы проверять договоры. У меня есть агент, которого я настроила как «юриста». Я ему говорю: сейчас загружу тебе договор, выдели, пожалуйста, опасные места для нас как для поставщика — штрафы, риски, невыгодные условия. Он выдает мне краткое summary, и я его уже просматриваю, а не трачу время на чтение всего текста. Это не про продажи, а вообще про любую задачу, которая возникает в работе или в жизни.

ИИ сейчас — это как интернет в свое время: пока ты не умеешь, он пугает, но когда освоишь — открывает огромное количество возможностей. И рано или поздно все равно придется научиться. Лучше раньше.

А если говорить именно про инструменты в продажах, то, честно говоря, я не могу назвать какой-то один must-have. Все зависит от команды и процессов. Например, у нас много автоматизации, которую мы дописали поверх CRM, и она работает без участия ИИ.

Расскажу одну забавную историю. У нас есть книга продаж, по которой учатся новички. Там много текста, особенно по автоматизации, где описаны все кнопки и последовательности действий. Читать это тяжело. И в какой-то момент — просто в качестве развлечения — я решила попробовать оживить этот материал.

Я взяла куски из книги продаж и отдала их нейронке Claude — это модель, которая, по моим наблюдениям, лучше всех пишет стихи на русском. Попросила переписать учебный материал в стихах. Потом эти стихи отдала Sona — это ИИ, который делает музыку. Попросила: «Сона, сделай из этих стихов песню». И теперь по каждому этапу работы в продажах у нас есть песни в разных жанрах: рок, регги, поп.

Когда человек читает сухой текст, он часто не запоминает. А если после этого слушает песню про ту же тему, в голове всё укладывается гораздо лучше. Плюс это весело, это расслабляет. Особенно для новичка, который пришел, у него стресс, новая работа — а тут музыка. И вроде бы ерунда, но работает. Это заняло всего два часа, а в итоге у нас почти полноценный учебник для отдела продаж, который еще и поднимает настроение. Такая помощь ИИ бизнесу.

Да, было такое. Правда, это не касается работы. Я смотрю канал Veritasium на YouTube, он про науку. И вот там я узнала историю про нейросети, которая меня просто поразила.

Много лет ученые пытались расшифровывать белки. Это невероятно сложная задача, и до недавнего времени было расшифровано совсем небольшое количество — десятки, может, сотни. А потом ребята из Google, которые пока не получили Нобелевскую премию, написали нейронку, которая за одну ночь расшифровала 200 миллионов белков. Просто — бах, и все. Они выложили это в открытый доступ, и теперь любой ученый в мире может бесплатно получить нужные данные. И вот это, конечно, потрясающе: вчера мы ничего не знали, сегодня знаем все.

Такие истории меня реально восхищают. Вот, например, узнали, что слоны обращаются друг к другу по имени — это тоже выяснили с помощью нейросетей. Или расшифровка свитков Эпикура, сгоревших при пожаре в библиотеке. От них остались только угольные куски. И вот эти угольные остатки просканировали по слоям, и нейросеть смогла восстановить и собрать текст. Представь: тексты, которые считались безвозвратно утраченными, вдруг снова можно читать.

И вот ты слушаешь такие истории и понимаешь: человечество было на одном уровне, потом пришли нейросети — и буквально за пару лет мы скачком перешли на другой. Для меня это абсолютная магия. Кажется, что ты живешь в момент, когда наука делает квантовый скачок, и ты его прямо наблюдаешь.

На самом деле, пользоваться ими очень просто. Самое сложное — это научить себя думать иначе. Не «как ими пользоваться», а «в каких задачах они могут помочь». Вот в этом главный барьер.

Для меня самым важным открытием было то, что нужно просто выработать привычку: как только у тебя возникает какая-то задача, первая мысль должна быть — а могу ли я это сделать с помощью нейросети? Если нет, иду дальше. А если да — супер, пробую!

И вот когда ты к этому подходу привыкаешь, жизнь начинает меняться. Очень быстро ты понимаешь, насколько больше можно успевать, как сильно упрощается быт, работа, любые мелкие или рутинные вещи.

Такой небольшой элемент дисциплины, но мощный. И привычка формируется быстро. Буквально несколько дней, и ты уже постоянно обращаешься к нейросетям. Я, например, сейчас использую ChatGPT по 30 раз в день: задать вопрос, уточнить формулировку, узнать значение слова — сразу туда. Это стало такой же привычкой, как гуглить.

И теперь я даже с ужасом думаю: а что я буду делать, если ИИ отключат? Потому что нейросети стали частью моей повседневности. И это, честно говоря, очень крутое чувство, когда ты можешь усиливать себя в любой момент — просто потому что у тебя под рукой есть такой инструмент.

Совет № 1: До любых инструментов, до автоматизации, до ИИ, до чего бы то ни было — научитесь собирать данные. Это совсем не так просто, как кажется.

На словах вроде бы понятно: вот звонки, вот письма, вот переписка в мессенджерах. Но на деле все это хранится в разных местах. И собрать все это в одно целое — так, чтобы у вас по каждой сделке была полная картина — это уже нетривиальная задача.

Но как только вы ее решите, перед вами откроется совершенно другой уровень управления. Вы начнете видеть вещи, которые раньше просто не замечали. Мы, например, с помощью данных начали анализировать, какие именно действия менеджера влияют на исход сделки. То есть буквально: какое поведение повышает шанс на успех.

Я просто взяла данные и вместе с аналитиком изучила их на предмет, есть ли связь между действиями менеджера и итогом сделки. И оказалось, что есть. Например, после выставления счета клиенту очень важно, с какой частотой менеджер напоминает о нем. В какой день, через сколько часов. Причем эта логика не интуитивна, вы никогда бы не додумались до нее сами. Но статистика показывает: если делать вот так, то шанс успеха выше.

Мы из этого сделали правило. И теперь, если сделка низкого приоритета, менеджер отправил счет, и дальше включается робот. Он напоминает клиенту в нужные моменты. Конверсия у робота выше, чем у человека. Потому что робот не забывает, у него всегда нормальное настроение, он не устал и не отвлекся. Он просто делает, как задано — и это работает.

Так что мой совет простой: собирайте данные и смотрите на них не как на отчеты, а как на инструмент управления. Они действительно дают ответы на вопросы, которые вы в жизни не придумаете сами.

Совет № 2: Используйте автоматизацию в рутинных, повторяющихся задачах. Как их найти? Просто понаблюдайте: что ваши сотрудники делают часто и долго. Начинайте с самых затратных по времени процессов, потом переходите к просто регулярным. Постепенно автоматизируйте все, что можно убрать без потерь.

Но опять же, без данных это сделать не получится. Иначе получится кривая автоматизация. Сначала собираем данные, потом строим процессы.

И даже если вы не готовы к сложным интеграциям или построению своей нейросети, начните с простого. Например, у вас есть расшифровка звонка или переписка. Скопируйте ее, вставьте в ChatGPT и напишите:

«Ты суперуспешный руководитель отдела продаж. Вот что мы продаем. Вот пример работы менеджера. Дай рекомендации: как можно улучшить общение с клиентом?»

И все. Нейросеть даст обратную связь. Может, не сверхточную, особенно без контекста. Но даже в таком виде — это лучше, чем ничего. А если у вас в компании кто-то вручную слушает звонки, попробуйте сначала отдать их на расшифровку, а потом в нейросеть. Это будет быстрее, дешевле и проще. И внедрить это можно буквально за пару часов.