В каждой второй компании руководитель продаж слышал, что «надо внедрять ИИ». Кто‑то купил подписку на ChatGPT для отдела, кто‑то подключил «ИИ‑ассистента» в CRM, кто‑то попробовал генерировать письма через Jasper или Copy.ai. Через месяц половина менеджеров перестала этим пользоваться, потому что «оно пишет как робот», «тратит время на промпты вместо звонков» или «ответ вроде красивый, но клиенту такое не отправишь».

Проблема в том, что его пытаются использовать для задач, где он не нужен, и не используют там, где он реально экономит часы.

Подготовка к звонку: 20 минут → 3 минуты

Перед звонком клиенту менеджер должен понять, с кем разговаривает: чем занимается компания, какие последние новости, кто ЛПР, какие боли могут быть в их отрасли. Обычно это 15–20 минут на поиск в Google, просмотр сайта, LinkedIn, новостей.

ИИ делает это за 2–3 минуты. Скидываете в ChatGPT или Claude название компании и просите: «Подготовь briefing перед звонком: чем занимается компания, последние новости, возможные боли, вопросы для первого разговора». Модель соберёт информацию из своих знаний (для крупных и средних компаний этого обычно достаточно) и выдаст структурированную справку.

Для компаний поменьше, о которых модель может не знать, есть вариант с Perplexity: он ищет в интернете и даёт ответ с ссылками на источники. Спрашиваете «чем занимается ООО Ромашка из Новосибирска, какие у них могут быть проблемы с логистикой» и получаете актуальную информацию с источниками, которые можно проверить.

Письма и follow‑up: не генерация, а адаптация

Генерация писем с нуля через ИИ — самый распространённый и самый разочаровывающий кейс. Менеджер просит «напиши письмо клиенту», получает generic текст, который выглядит как спам, и дальше тратит столько же времени на переписывание, сколько потратил бы на написание с нуля.

Это работает по‑другому. Не «напиши письмо», а «адаптируй моё письмо». У каждого хорошего продажника есть набор шаблонов, которые проверены практикой: письмо после первого звонка, письмо при отсутствии ответа, письмо с коммерческим предложением. Эти шаблоны работают, но их нужно адаптировать под каждого клиента.

Вот что работает: скидываете шаблон письма и контекст клиента (отрасль, размер, что обсуждали на звонке) и просите адаптировать. ИИ подставит релевантные примеры, перефразирует под отрасль, добавит упоминание конкретных болей, которые клиент озвучил.

После встречи ИИ тоже полезен. Скидываете заметки со встречи (даже в черновом виде, тезисно) и просите: «Напиши follow‑up по этим тезисам: подтверди договорённости, зафиксируй следующие шаги, тон деловой, но не формальный».

Анализ звонков: что говорят клиенты, когда вы не слушаете

Большинство компаний записывают звонки менеджеров (для обучения, контроля качества). Большинство этих записей никто не слушает, потому что прослушать 50 звонков по 15 минут — это 12 часов работы.

С ИИ‑транскрибацией можно жить иначе. Сервисы вроде Otter.ai, tl;dv или российские SalesAI, Roistat делают следующее: транскрибируют звонок, выделяют ключевые тезисы, определяют тональность (где клиент был позитивен, где сомневался, где возражал), фиксируют обещания и следующие шаги.

Руководитель продаж вместо прослушивания 50 звонков читает 50 саммари по 5 предложений каждое. За полчаса видит: этот менеджер не отрабатывает возражение «дорого», этот забывает предлагать доп.продажу, а вот этот отлично работает с возражениями — можно его подход масштабировать на команду.

Для самого менеджера анализ звонков тоже полезен. Скинули запись звонка в ИИ, попросили выделить моменты, где клиент выражал сомнение, и предложить, как можно было ответить лучше. Получается персональный коуч, который анализирует каждый разговор.

Квалификация лидов: отделить горячих от холодных

Менеджер получает 30 заявок в день. Из них 5 горячих (готовы покупать), 10 тёплых (интересуются, но не сейчас) и 15 нецелевых (не тот сегмент, нет бюджета, просто смотрели). На обработку каждой заявки уходит 10–15 минут: позвонить, поговорить, понять. На 15 нецелевых тратится 3–4 часа, которые можно было потратить на горячих.

ИИ помогает на этапе предварительной квалификации. Берёте данные из заявки (имя, компания, должность, комментарий, откуда пришёл) и просите модель оценить: «Оцени этот лид по шкале 1–10, учитывая наш ICP (ideal customer profile): компании 50–500 сотрудников, B2B SaaS, бюджет от 500K. Объясни оценку». Модель не даст идеальную оценку, но отсеет очевидно нецелевые заявки (студент, который скачал whitepaper; компания из 3 человек; компания из другой отрасли) и поможет приоритизировать остальные.

Это не замена квалификационного звонка, а фильтр перед ним: сначала ИИ ранжирует 30 заявок, менеджер начинает с тех, что получили 8–10 баллов, и доходит до 3–5 баллов, если время останется.

Подготовка коммерческих предложений

Коммерческое предложение — одна из самых времязатратных задач в продажах. Нужно описать решение под конкретного клиента, показать выгоды на языке его бизнеса, подобрать кейсы из его отрасли, оформить красиво.

ИИ не сделает КП целиком (результат будет неубедительным), но ускоряет отдельные этапы. Подбор релевантных кейсов: «У нас 30 кейсов. Вот описание клиента. Выбери 3 самых релевантных и объясни почему». Адаптация описания продукта под отрасль: «Вот описание нашего продукта. Перепиши для финансового директора логистической компании, акцент на снижение операционных расходов». Формулировка выгод: «Клиент сказал, что у него 5 менеджеров тратят по 2 часа в день на ручной ввод. Посчитай экономию при автоматизации и сформулируй как бизнес‑выгоду».

Каждый из этих кусочков — 5–10 минут вместо 30–40. КП целиком по‑прежнему собирает менеджер, но куски подготовлены, и вместо двух часов на одно предложение уходит 40 минут.

Работа с возражениями: тренировка и шпаргалка

У каждого продукта есть 10–15 типовых возражений: дорого, у нас уже есть решение, сейчас не время, нужно согласовать с руководством. Хорошие менеджеры знают ответы на все 15. Новые менеджеры учатся полгода, прежде чем начинают отвечать уверенно.

ИИ ускоряет это двумя способами. Первый — база ответов на возражения. Собираете все типовые возражения и лучшие ответы на них (от опытных менеджеров), загружаете в ИИ как контекст. Новый менеджер перед звонком спрашивает: «Клиент скажет „дорого“. Как ответить, учитывая, что у него сейчас ручной процесс и 5 менеджеров по 80K?» — и получает конкретный ответ с цифрами.

Второй — ролевая тренировка. Просите ИИ сыграть роль клиента: «Ты финансовый директор логистической компании. У тебя 200 сотрудников, бюджет на IT ограничен, ты скептически относишься к новым решениям. Я буду продавать тебе наш продукт, ты — возражать». ИИ возражает реалистично (особенно если дать ему контекст отрасли и типовые возражения), и менеджер тренируется без риска потерять реального клиента.

Чего ИИ не может в продажах

Стоит быть честным про ограничения, потому что завышенные ожидания — главная причина разочарования.

1. ИИ не может построить отношения. Продажи, особенно B2B, основаны на доверии, и доверие строится в живом разговоре, за обедом, через совместное решение проблем. Никакой ИИ не заменит это, и попытки автоматизировать «отношенческую» часть продаж (автоматические рассылки «как будто от живого человека») обычно дают обратный эффект: клиент чувствует фальшь и теряет доверие.

2. ИИ плохо работает с нестандартными ситуациями. Если клиент выходит за рамки типового сценария (нестандартный запрос, сложная политика внутри компании, эмоциональный конфликт), ИИ даст generic совет, который не поможет. Опытный менеджер в такой ситуации импровизирует, считывает контекст и подстраивается. ИИ этого не умеет.

3. ИИ может ошибаться в фактах. Если вы попросите подготовить брифинг по компании, ИИ может приписать ей не тот оборот, не того CEO или не ту отрасль. Особенно для небольших компаний, о которых мало информации в обучающих данных. Всё, что ИИ подготовил, нужно проверять перед тем, как использовать в разговоре с клиентом. Ошибка в фактах на звонке убивает доверие мгновенно.

Как начать, не потратив месяц на «внедрение»

Не нужно покупать платформу, нанимать консультантов и запускать «проект по внедрению ИИ». Подпишитесь на ChatGPT Plus или Claude Pro (это 20 долларов в месяц), и попробуйте три вещи на этой неделе.

Перед следующим звонком попросите ИИ подготовить брифинг по клиенту. Оцените, сколько времени это сэкономило и насколько полезна информация. После следующей встречи скиньте заметки и попросите написать follow‑up. Оцените, можно ли отправить результат клиенту (скорее всего, с минимальными правками — можно). Перед следующим КП попросите подобрать кейсы и адаптировать описание продукта под отрасль клиента.

Если хотя бы одна из трёх вещей сэкономит вам 30 минут в день — это 10 часов в месяц. На одного менеджера. При команде из 10 человек — 100 часов. При средней стоимости часа менеджера в 1500–2000 рублей — 150–200 тысяч в месяц. За подписку в 20 долларов.

ИИ не заменяет продажника. Он убирает рутину, которая отнимает 30–40% времени: поиск информации, написание писем, подготовку документов, обработку заметок. Освободившееся время менеджер тратит на то, что ИИ не умеет и в ближайшие годы не научится: разговаривать с людьми, строить отношения, закрывать сделки.

Если у вас есть свои сценарии использования ИИ в продажах или вы нашли то, что не работает, пишите в комментариях. Спасибо, что дочитали.

ИИ в продажах редко начинает работать с большой платформы и длинного внедрения. Обычно всё начинается с более простого вопроса: какие задачи в вашей воронке действительно можно отдать модели, где нужен человек, а где автоматизация только испортит клиентский опыт.

Эту тему детально рассматривают на курсе OTUS «ИИ для продаж и поддержки клиентов». На занятиях показывают, как применять LLM в реальных бизнес‑процессах: обрабатывать обращения, готовить ответы, анализировать диалоги, создавать AI‑ассистентов и встраивать такие решения в привычные каналы коммуникации.

Перед стартом курса пройдут бесплатные открытые уроки:

• 3 июня в 20:00. «LLM — всё, что вы боялись спросить». Записаться
  _{О том, как большие языковые модели уже меняют продажи, поддержку и внутренние процессы компаний.}

• 15 июня в 20:00. «Создаём AI‑ассистента и интегрируем его в Telegram». Записаться
  _{Разберём, как AI‑бот может отвечать клиентам, обрабатывать обращения и помогать отделам продаж и поддержки в ежедневной работе.}

Это хороший способ посмотреть на тему без абстрактных обещаний: понять возможности LLM, задать вопросы преподавателю и оценить, какие сценарии ИИ могут быть полезны именно вашей команде.