Читать книгу: «Продажи+ИИ»

ПРОДАЖИ + ИИ

Как использовать искусственный интеллект для увеличения конверсии, автоматизации продаж и построения новой системы работы с клиентами

Продажи + ИИ: как использовать искусственный интеллект для увеличения конверсии, автоматизации продаж и построения новой системы работы с клиентами. Практическое руководство для отдела продаж, маркетинга и CRM. Сценарные примеры и практические шаблоны актуальны на сентябрь 2026 года.

Все права защищены. Любое использование материалов книги

без письменного разрешения правообладателя запрещено.

АННОТАЦИЯ

Книга «Продажи + ИИ» — практическое руководство для руководителей отдела продаж, коммерческих директоров, владельцев бизнеса и менеджеров по продажам, которые хотят встроить искусственный интеллект в свою систему работы с клиентами. Книга показывает, как ИИ меняет продажи — от первого контакта до сделки, повторной покупки и удержания клиента. Центральная тема — конверсия: реклама приводит клиента, контент формирует интерес, но бизнес зарабатывает тогда, когда интерес превращается в действие.

Книга построена по авторской модели AI Sales Loop, в которой ИИ усиливает каждый этап воронки: от квалификации лида до прогнозирования и удержания. Читатель получит работающую систему, в которой ИИ встроен в CRM, помогает менеджерам, контролирует качество звонков и переписок, формирует персональные коммерческие предложения и автоматизирует follow-up. В 18 главах — модели воронки, фреймворки квалификации, шаблоны анализа, архитектура AI Sales Agents и 30-дневный план внедрения.

Главный тезис: ИИ не создаёт спрос из ничего. Он делает существующую систему быстрее, точнее, масштабируемее и более персонализированной. Но если плохой продукт, плохой оффер или плохой процесс — ИИ лишь быстрее масштабирует проблему. Правильная последовательность: Продукт → Клиент → Оффер → Процесс → Данные → AI → Автоматизация → Масштабирование.

В приложениях собрано более 50 готовых промптов для работы с языковыми моделями, 17 практических матриц и шаблонов, 30-дневный план внедрения и финальный чек-лист готовности системы продаж к эпохе ИИ. Все упоминания конкретных нейросетей (GigaChat, DeepSeek, Qwen, YandexGPT, Z.ai/GLM и др.) приведены как обзор рынка на сентябрь 2026 года — не воспринимайте их как рекомендацию к покупке, тарифы и доступность меняются ежемесячно.

Книга адресована практикам: тем, кто хочет превратить продажи из набора действий отдельных менеджеров в управляемую систему, где CRM, данные, ИИ, люди и автоматизация вместе увеличивают эффективность воронки и помогают превращать больше качественных возможностей в реальные сделки.

Предисловие. Зачем ещё одна книга про ИИ и продажи

К моменту выхода этой книги прошло почти четыре года с момента массового распространения больших языковых моделей. За это время рынок прошёл несколько циклов хайпа и разочарования, многие инструменты исчезли, многие появились, а практическое использование ИИ в продажах из экзотики превратилось в стандарт работы грамотных команд. В сентябре 2026 года ситуация выглядит так: разговоры про «волшебный ИИ, который продаст за вас» закончились, и на первый план вышла скучная, но прибыльная работа — внедрение ИИ в конкретные этапы воронки продаж.

Эта книга написана не для того, чтобы впечатлить читателя модными терминами. Её задача — дать руководитель отдела продаж, коммерческий директор, владелец бизнеса или менеджер по продажам работающую систему, в которой ИИ встроен в каждый этап работы с клиентом: от первого касания до повторной покупки. Я сознательно избегаю обещаний про «удвоение выручки за месяц» или «замену отдела продаж нейросетью». Такие обещания в 2026 году уже никого не впечатляют — рынок научился отличать реальные кейсы от маркетинговых манипуляций.

Главный тезис книги прост: реклама приводит клиента, контент формирует интерес, но деньги бизнес зарабатывает тогда, когда интерес превращается в действие. Это превращение и называется конверсией. ИИ может усиливать каждый шаг этого превращения, но не может заменить правильно выстроенный процесс, честный оффер и рабочий продукт. Если что-то из этого сломано, ИИ лишь ускорит масштабирование проблемы.

Книга построена по принципу: каждая глава — это законченный модуль, который можно внедрять независимо. Вы найдёте здесь модели воронки продаж, фреймворки квалификации лидов, шаблоны анализа звонков и переписок, принципы построения CRM-системы поверх ИИ, архитектуру AI Sales Agents и 30-дневный план внедрения. В приложениях собрано более 50 готовых промптов, 16 практических матриц и финальный чек-лист готовности системы продаж к эпохе ИИ.

Я использую сценарные примеры, а не реальные кейсы конкретных компаний. Это сознательное решение: реальные кейсы быстро устаревают, привязаны к конкретным тарифам и доступности сервисов, а главное — часто являются скрытой рекламой. Сценарные примеры позволяют показать принцип, который читатель адаптирует под свою нишу, продукт и команду.

Все упоминания конкретных нейросетей (GigaChat, DeepSeek, Qwen, YandexGPT, Z.ai / GLM, GPT-класса моделей, отечественных решений VK) приведены как обзор актуальных направлений рынка на сентябрь 2026. Не воспринимайте упоминание сервиса как рекомендацию к покупке — тарифы, доступность и лимиты меняются ежемесячно. Принципы, описанные в книге, работают с любой современной языковой моделью, имеющей контекстное окно хотя бы 32k токенов и способность к структурированному выводу.

Если вы читаете эту книгу последовательно — получите полную карту системы AI-продаж. Если выбираете отдельные главы — начните с главы 2 (конверсия), затем главы 4 (квалификация), затем главы 12 (CRM + ИИ) и приложения C (30-дневный план). Этого хватит для первого цикла внедрения.

Глава 1. Продажи изменились

Проблема: старая модель больше не работает

Ещё десять лет назад типичный сценарий B2B-продажи выглядел так: клиент оставляет заявку на сайте или звонит, менеджер перезванивает, в ходе разговора выясняет потребность, отправляет коммерческое предложение, ждёт ответа, перезванивает, договаривается о встрече, проводит встречу, готовит договор, закрывает сделку. Время от первого касания до подписания договора в среднем составляло от двух недель до трёх месяцев. Менеджер был главным источником информации о продукте — клиенту приходилось общаться с ним, чтобы узнать важные детали.

Сегодня этот сценарий сломался. Клиент, прежде чем заполнить форму заявки, изучает сайт компании, читает отзывы на маркетплейсах и агрегаторах, смотрит видео-обзоры продукта, сравнивает аналоги на сайтах-агрегаторах, проверяет компанию в реестрах юридических лиц, читает профиль компании в LinkedIn или профиль основателя в Telegram. К моменту первого разговора с менеджером клиент часто знает о продукте больше, чем сам менеджер — особенно если менеджер работает в компании недавно или продаёт широкий ассортимент.

Это создаёт фундаментальную проблему: клиент не хочет тратить время на вопросы, ответы на которые он уже знает. Менеджер, начинающий разговор с классического «Расскажите, что вас интересует», выглядит некомпетентно. И paradoxically — чем лучше клиент изучил продукт, тем выше его ожидания от менеджера. Он ждёт не презентации продукта, а экспертизы: что выбрать именно под его задачу, какие есть неочевидные подводные камни, какие кейсы были у похожих компаний.

Старая модель продаж теряла клиентов на простом: менеджер читал сценарий, клиент отвечал формально, оба делали вид, что работают, а сделка не закрывалась. Сегодня эта модель не работает ещё и потому, что клиенту есть с чем сравнивать. Если менеджер одной компании работает по сценарию, а менеджер конкурирующей компании задаёт осмысленные вопросы и предлагает решение — выбор клиента очевиден.

Новая реальность: клиент приходит подготовленным

Современный путь клиента (customer journey) в среднем включает от 7 до 13 точек касания с брендом до первого разговора с менеджером. Это не только сайт и реклама — это упоминания в Telegram-каналах, отзывы в Яндекс.Картах и 2GIS, обсуждения в профильных сообществах VK, видео в YouTube и Дзене, статьи в профильных СМИ, рекомендации коллег, рекламные ретаргетинги в соцсетях. К моменту заполнения формы заявки клиент уже принял предварительное решение — заявка часто означает не «расскажите мне про ваш продукт», а «я почти готов купить, остался последний шаг».

Это меняет работу менеджера коренным образом. Если раньше его задачей было информирование, то сегодня — диагностика. Менеджер должен за первые 5-7 минут разговора понять: что именно клиент уже знает, какие у него есть сомнения, какой сценарий использования он планирует, какие скрытые потребности не озвучены. Если менеджер этого не делает, а начинает презентовать продукт «с нуля», клиент закроет разговор с ощущением потери времени — и сделка уйдёт.

Параллельно изменился и канал коммуникации. Если в 2015 году основной канал заявки — телефонный звонок, то в 2026 году заявок из мессенджеров (Telegram, MAX, VK-сообщения) больше, чем звонков, в большинстве ниш. Это создаёт новую проблему: переписка идёт асинхронно, менеджер работает с 5-15 чатами одновременно, скорость ответа критична (если менеджер отвечает дольше 5 минут в рабочее время, вероятность квалифицировать лид падает на 60-80%), а контекст каждого диалога нужно держать в голове.

Именно здесь ИИ становится не «добавкой» к работе менеджера, а инфраструктурой, без которой современный отдел продаж не справляется с объёмом коммуникации. ИИ не заменяет менеджера — он помогает ему держать контекст десятков одновременных диалогов, не терять лиды из-за медленного ответа, готовить черновики ответов за секунды, не забывать про follow-up через неделю, замечать возражения, которые менеджер упустил.

Метод: переход от последовательной воронки к параллельной

Традиционная воронка продаж — последовательная: реклама → лид → звонок → встреча → КП → сделка. На каждом этапе клиент движется последовательно. Эта модель предполагает, что клиент проходит путь линейно: сначала узнаёт, потом интересуется, потом принимает решение.

Реальность 2026 года нелинейна. Клиент может прийти в CRM с заполненной формой заявки, уже просмотрев сайт конкурента, прочитав три отзыва и посмотрев видео-сравнение. Для него этап «осведомлённости» уже пройден — он сразу готов к квалификации. Другой клиент может прийти через месяц после первого касания, потому что у него изменились обстоятельства. Третий — может прийти с Telegram-канала эксперта с конкретным вопросом о применении продукта в его нише.

Параллельная воронка продаж работает иначе: каждый клиент движется по своему маршруту, но все маршруты сводятся к нескольким ключевым точкам — квалификация, предложение, принятие решения. Задача системы — не «двигать клиента по этапам», а определять, на каком этапе клиент находится, и подавать ему соответствующий сценарий коммуникации. ИИ делает именно это: по поведению и тексту заявки определяет этап и предлагает менеджеру соответствующий сценарий работы.

AI-инструменты для нового этапа

На этапе первого контакта ИИ решает три задачи: распознаёт намерение клиента по тексту заявки или переписке, подсказывает менеджеру приоритет обработки, формирует черновик ответа с учётом контекста. Конкретные инструменты, актуальные в сентябре 2026:

Сервисы AI-классификации заявок, которые по тексту определяют: B2B или B2C, срочность, продукт интереса, примерный бюджет. Большинство современных CRM (Bitrix24, amoCRM, Яндекс.Сайт и др.) имеют встроенную или подключаемую через API классификацию.

Telegram-боты с подключенной языковой моделью (GigaChat, YandexGPT, DeepSeek, Qwen, Z.ai/GLM), которые первично отвечают на типовые вопросы и собирают данные до передачи менеджеру. Важно: бот должен явно идентифицировать себя как ИИ и предлагать переключение на человека.

Сервисы транскрибации звонков (Speechkit, Yandex SpeechKit, SaluteSpeech, stt-сервисы VK) с последующим анализом через LLM — позволяют понимать, о чём говорили с клиентом, без прослушивания.

AI-ассистенты в CRM, которые по истории сделок и переписок формируют краткую сводку по клиенту перед звонком менеджера — экономят 5-10 минут на подготовку к каждому разговору.

Перечисленные инструменты не зависят от конкретной нейросети. Принципиально важны две вещи: достаточный размер контекстного окна (минимум 32k токенов для анализа переписок и звонков) и поддержка структурированного вывода (JSON) для интеграции с CRM.

Сценарный пример: B2B-поставка оборудования

Рассмотрим сценарий. Компания продаёт промышленное оборудование. Менеджер в среднем обрабатывает 12 заявок в день. До внедрения ИИ каждая заявка обрабатывалась вручную: менеджер читал переписку, вспоминал контекст, искал историю в CRM, готовил ответ. На подготовку к ответу уходило 7-10 минут. С учётом количества заявок менеджер физически не успевал отвечать быстрее, чем через 30-40 минут после обращения — а в нише промышленного оборудования исследования показывают, что лиды, получившие ответ в первые 5 минут, квалифицируются в 9 раз чаще, чем лиды, получившие ответ через час.

После внедрения AI-ассистента в CRM менеджер получает при открытии карточки клиента краткую сводку: что клиент спрашивал, какие возражения озвучивал, какой продукт интересов, на каком этапе воронки находится, какой следующий шаг рекомендован. Подготовка к ответу занимает 1-2 минуты. Время ответа сокращается до 3-5 минут. Дополнительно ИИ формирует черновик ответа — менеджер редактирует и отправляет. Конверсия в квалифицированный лид вырастает на 25-40% в течение первого месяца.

Это сценарный пример — конкретные цифры зависят от ниши, продукта, качества внедрения. Но принцип работает: ИИ ускоряет не «продажу», а конкретный шаг — подготовку к коммуникации. И именно этот шаг в большинстве команд является узким местом.

Промпт для главы 1

Ты — аналитик отдела продаж. Изучи историю коммуникации с клиентом [вставить переписку/звонок] и подготовь краткую сводку для менеджера: 1) что клиент уже знает о продукте, 2) какие вопросы задавал, 3) какие сомнения или возражения озвучивал, 4) на каком этапе принятия решения находится, 5) какой следующий шаг рекомендуется. Объём сводки — не более 150 слов, без воды.

Чек-лист главы 1

Я знаю, через сколько каналов клиент обычно приходит ко мне до заявки

У меня есть карта точек касания клиента с брендом

Менеджеры обучены диагностическим вопросам, а не презентации

Время ответа на заявку в рабочее время — менее 5 минут

Менеджеры получают контекст по клиенту до звонка, а не выясняют его в разговоре

В CRM есть поле «этап принятия решения» — куда клиент себя относит

Практическое задание

Возьмите 10 последних заявок из CRM. По каждой определите: сколько точек касания было до заявки (по UTM-меткам, реферерам, истории cookie); через сколько минут после заявки менеджер дал первый ответ; был ли менеджер готов к разговору или начинал «с нуля». Если по 7+ заявкам из 10 время ответа больше 5 минут, а менеджер начинает разговор с общих вопросов — у вас есть точка роста, в которой ИИ даст быстрый эффект.

Глава 2. Конверсия — главный язык продаж

Проблема: непонимание, где именно теряются клиенты

Большинство руководителей продаж, когда их спрашивают про конверсию, называют одну цифру: «У нас конверсия из лида в сделку 8%» или «У нас конверсия 12%». Эта цифра почти бесполезна. Она говорит, что из 100 лидов 8 или 12 превратились в сделки, но не отвечает на главный вопрос: где именно потеряли остальных 88-92?

Между лидом и сделкой обычно 5-8 этапов. На каждом из них своя микроконверсия. Общая конверсия — это произведение микроконверсий. Если на одном этапе показатель упал, остальные тоже проседают. Без детального понимания, на каком этапе что происходит, руководитель не может управлять воронкой — он может только наблюдать финальную цифру и пытаться «давить на менеджеров», что почти никогда не работает.

Новая реальность: конверсия как цепочка

Современная модель — Conversion Map. Она разбивает путь клиента на этапы и измеряет конверсию на каждом. Минимальный набор этапов:

Конверсия в лид: из трафика, который пришёл на сайт или лендинг, сколько оставили заявку.

Конверсия в контакт: из заявок сколько реально дозвонились / получили ответ в мессенджере.

Конверсия в квалифицированный лид: из контактов сколько прошли квалификацию (подходят по нише, бюджету, потребности).

Конверсия во встречу/демо: из квалифицированных лидов сколько дошли до встречи или демо.

Конверсия в предложение: из встреч сколько получили коммерческое предложение.

Конверсия в сделку: из предложений сколько закрыли сделку.

Конверсия в повторную покупку: из закрытых сделок сколько вернулись в течение 3-6 месяцев.

Каждый этап — отдельная задача для оптимизации. На разных этапах работают разные инструменты: реклама влияет на первый этап, скорость работы менеджера — на второй, качество квалификации — на третий, экспертность менеджера — на четвёртый-пятый, ценность продукта и условия — на шестой, клиентский опыт — на седьмой. ИИ может усиливать каждый из этапов, но разными инструментами.

Метод: Conversion Map

Conversion Map — это таблица, в которой по строкам идут этапы воронки, а по столбцам — метрики: количество на входе, количество на выходе, конверсия этапа, среднее время этапа, основные причины потери, точка применения ИИ. Заполненная Conversion Map даёт руководителю продаж полную карту воронки и позволяет принимать решения на данных, а не на интуиции.

Рассмотрим пример. Компания B2B-услуг имеет следующую карту: 1000 трафика → 80 лидов (8%) → 56 контактов (70%) → 34 квалифицированных (61%) → 17 встреч (50%) → 12 предложений (71%) → 5 сделок (42%) → 2 повторные покупки (40%). Общая конверсия из лида в сделку — 6,25%, в повторную покупку — 2,5%.

Где главная точка потери? На этапе «контакт → квалификация» мы теряем 22 лида из 56 — это 39% от контактов. Причины: либо менеджеры не дозваниваются/не получают ответ в мессенджере, либо не задают квалификационных вопросов и не понимают, подходит ли клиент. Вторая точка потери — «встреча → предложение» (5 из 17 = 29%). Причины: либо встречи проходят плохо, либо предложения готовятся слишком долго, либо клиенты после встречи теряют интерес.

Без Conversion Map руководитель видит только «конверсия 6,25%» и пытается «улучшить работу менеджеров». С Conversion Map он видит конкретные точки и может внедрять конкретные решения: в первой точке — AI-бот для первичного контакта и структурированная квалификация, во второй — AI-генерация КП в течение часа после встречи.

AI-инструменты для измерения и роста конверсии

Коллтрекинг с AI-анализом звонков (Calltouch, CoMagic, UIS и др.) — позволяет отслеживать, из какого канала пришёл звонок, и анализировать содержание разговора без прослушивания.

AI-анализ формы заявки — по тексту определяет квалификационный лид или нет, ещё до звонка менеджера.

AI-боты в мессенджерах для первичного контакта — собирают данные, отвечают на типовые вопросы, передают менеджеру уже готовый контекст.

AI-анализ переписки — определяет, что мешает движению клиента по воронке: возражение, отсутствие ответа, длинный цикл решения.

AI-прогноз конверсии по сделке — оценивает вероятность закрытия сделки на основе похожих исторических сделок в CRM.

Сценарный пример: SaaS-платформа

Сценарный пример. SaaS-платформа для управления проектами имеет воронку: трафик на сайт → регистрация на демо → прохождение демо → старт триала → конверсия в платную подписку. На этапе «регистрация → прохождение демо» конверсия составляет 35%. Из 100 зарегистрировавшихся демо проходят только 35 — остальные не приходят на встречу или отменяют её. Это основная точка потери воронки.

AI-решение: перед демо ИИ присылает пользователю короткое письмо с рекомендациями: «Чтобы демо было полезным, подумайте над 3 вопросами — какие задачи вы хотите решить, сколько пользователей у вас будет, какие инструменты вы уже пробовали». После демо ИИ присылает follow-up с персональным разбором — как продукт решает конкретно те задачи, которые пользователь озвучил. Конверсия на этапе «регистрация → демо» вырастает с 35% до 52% за два месяца.

Главный эффект — не от самого ИИ, а от того, что команда наконец увидела эту точку потери и начала с ней работать. ИИ лишь ускорил реализацию решения.

Промпт для главы 2

Ты — аналитик воронки продаж. По данным CRM за последние 30 дней [вставить данные по этапам: сколько лидов, контактов, квалифицированных, встреч, предложений, сделок] построй Conversion Map: 1) конверсия на каждом этапе, 2) сравнение со средним по нише (если данные есть) или с предыдущим периодом, 3) две главные точки потери, 4) рекомендации по каждой точке — что внедрить для роста конверсии. Ответ структурируй в виде таблицы.

Чек-лист главы 2

Я знаю конверсию не одной цифрой, а по каждому этапу воронки

Conversion Map обновляется минимум раз в неделю

У каждого этапа есть ответственный за метрику

Причины потери клиентов фиксируются в CRM на каждом этапе

Я могу объяснить, почему на каждом этапе конверсия именно такая

Практическое задание

Соберите данные по воронке за последние 30 дней. Разбейте на этапы: лид → контакт → квалифицированный лид → встреча → КП → сделка → повторная покупка. Заполните Conversion Map. Найдите этап с самой низкой конверсией. Опишите 3 возможные причины этой потери. Спросите трёх менеджеров, почему, по их мнению, на этом этапе теряются клиенты. Сравните их ответы с данными. Если ответы менеджеров не совпадают с данными — это точка роста: команда работает с неправильными гипотезами.

Глава 3. Новая воронка продаж

Проблема: старая воронка теряет клиентов

Классическая воронка продаж — последовательность этапов, на каждом из которых часть клиентов отваливается. Эта модель работает, но имеет принципиальный недостаток: она не учитывает, что клиент не движется по ней линейно. Клиент может прийти через рекламу, уйти, вернуться через месяц по прямой ссылке, попросить КП, исчезнуть, написать в Telegram через полгода. В классической воронке такие движения не учитываются — клиент просто «потерян» на одном из этапов.

Дополнительная проблема: классическая воронка фокусируется на действиях компании, а не на действиях клиента. Этапы «презентация» или «КП» — это действия менеджера. Но для клиента это не этапы — для него есть только один критерий: становлюсь я ближе к покупке или нет. Если менеджер отправил КП, а клиент его не открыл — для воронки это «этап КП», для клиента — «ничего не произошло».

Новая реальность: воронка с AI-квалификацией и retention

Современная воронка продаж выглядит иначе. Схема: Реклама → Контент → Лид → AI-квалификация → Менеджер → Предложение → Сделка → CRM → Retention. На первый взгляд — та же последовательность. Принципиальное отличие в двух местах: AI-квалификация между лидом и менеджером, и Retention после сделки. Оба элемента меняют экономику воронки.

AI-квалификация позволяет менеджеру работать только с лидами, которые прошли предварительный фильтр. Это не «отсев плохих лидов» — это приоритизация. Менеджер не тратит время на лиды, у которых нет бюджета или которым не подходит продукт, и концентрируется на тех, у кого вероятность сделки выше. Эффект: при том же количестве лидов количество сделок вырастает на 15-30%, потому что менеджер успевает провести больше качественных разговоров.

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.