ИИ в продажах: практические сценарии внедрения для оптовых компаний

Внедрение нейросетей в оптовые продажи стоит начинать с процесса, который ежедневно забирает время менеджеров: разбора заявок, сопоставления спецификаций с каталогом, подбора аналогов или переноса данных в CRM и 1С. Разберём, какие сценарии можно передать ИИ, что потребуется для пилота и по каким метрикам оценивать результат.

Как компании переходят к системному использованию ИИ

Искусственный интеллект уже вышел за пределы отдельных экспериментов энтузиастов. По данным исследования «КОРУС Консалтинг», только 8% российских компаний пока совсем не используют ИИ. При этом 73% направляют на такие проекты менее 5% ИТ-бюджета. Большинство компаний уже пробует технологию, но делает это осторожно и точечно. 

Схожая ситуация складывается в оптовой торговле и производстве глобально. Согласно исследованию OroCommerce, ИИ уже используют 80% опрошенных b2b-производителей и дистрибьюторов, однако только 17% сообщают о значительной отдаче от инвестиций.

Получается парадокс: технологии распространяются быстро, но измеримый экономический эффект получают далеко не все. Одна из причин — неверно выбранная отправная точка. Зачастую проекты начинаются с решения «нам нужна нейросеть» или с выбора платформы, а уже затем бизнес пытается найти для неё задачу. В результате появляется прототип, который умеет отвечать на вопросы, распознавать документы или формировать тексты, но не меняет экономику процесса. Компания не может уверенно сказать, что стало быстрее, дешевле или точнее и за счёт чего должны окупиться вложения. Чаще всего это означает, что компания остановилась на уровне отдельных экспериментов и ещё не встроила ИИ в рабочие процессы. Чтобы понять, какой следующий шаг ей действительно нужен, сначала стоит определить, на каком этапе ИИ-зрелости она находится сейчас.

От личного чата до перестройки процесса: этапы ИИ-зрелости

Компании редко переходят к системному использованию ИИ сразу. Обычно они проходят несколько этапов — от личных инициатив сотрудников до пересмотра целых бизнес-процессов.

На первом этапе отдельные сотрудники самостоятельно используют общедоступные нейросети. Например, менеджер загружает заметки после звонка и просит подготовить письмо клиенту. Польза уже есть, но компания не управляет ни качеством результата, ни данными, которые сотрудники передают внешнему сервису.

Следующий этап — ограниченный пилот внутри небольшой задачи. Система может расшифровывать звонки, составлять резюме разговора или готовить черновик коммерческого предложения по заданному шаблону. В этот момент появляются первые корпоративные требования: какие данные можно передавать модели, кто проверяет результат и как измеряется экономия времени.

На третьем этапе ИИ подключается к рабочим системам и корпоративным данным. Помощник получает информацию из CRM, каталога или учётной системы и использует её для подготовки ответа. Агент может не только сформировать текст, но и выполнить последовательность разрешённых действий: занести подтверждённые договорённости в CRM, создать задачу или подготовить заявку к передаче в 1С.

Дальше несколько сценариев можно объединить в сквозной процесс. Один агент разбирает обращение, другой сопоставляет позиции с каталогом, третий проверяет условия и готовит коммерческое предложение. Сотрудник подключается к исключениям и действиям, для которых требуется его подтверждение.

На наиболее зрелом этапе компания уже не просто встраивает ИИ в существующий процесс, а пересматривает саму модель работы. Меняется распределение задач между людьми и системами, появляются новые роли, правила контроля и показатели эффективности.

Чем дальше компания продвигается по этой цепочке, тем меньше результат зависит только от мощности языковой модели. На первый план выходят качество корпоративных данных, интеграции, разграничение доступа, информационная безопасность и правила контроля. Именно среда вокруг модели превращает её из личного инструмента сотрудника в часть ИТ-инфраструктуры компании. Но строить такую среду целиком до проверки первого сценария не нужно. Переход к системному использованию ИИ начинается с ограниченного пилота, который позволяет проверить пользу технологии на конкретной задаче и понять, оправдано ли дальнейшее усложнение решения.

С чего начать внедрение ИИ в продажи. Четыре условия для старта ИИ-пилота

Когда компания решает внедрить ИИ, возникает соблазн сразу взяться за сложный сквозной процесс: подключить CRM и 1С, автоматизировать подготовку предложений, прогнозировать продажи и выстроить работу нескольких агентов. Но чем шире первый проект, тем сложнее понять, какой его элемент действительно принес пользу, а какой только увеличил сроки и бюджет.

Поэтому начинать лучше не с самого амбициозного сценария, а с самого раздражающего повторяющегося действия. Это должна быть не уникальная задача и не технологическое ноу-хау, а понятная операция, которую можно быстро проверить и измерить и которую сотрудники уже и так выполняют изо дня в день. Например, менеджер тратит 30 минут на разбор спецификации из 100 строк или вручную переносят позиции из заявки. Компания запускает пилот на части таких заявок и сравнивает, сколько времени занимает тот же процесс с ИИ — с учётом проверки и исправления результата.

Чтобы выбрать такой сценарий, до старта нужно проверить четыре условия.

1. Есть конкретный процесс. Нужна предметная задача: сократить время обработки заявки из Excel, уменьшить количество ошибок при сопоставлении номенклатуры или ускорить подготовку менеджера к встрече.

2. Есть ответственный за результат. Владельцем пилота необязательно должен быть технический специалист. Важнее, чтобы человек хорошо знал процесс, был заинтересован в его улучшении, имел доступ к необходимым данным, мог оценить качество работы системы и в целом двигал процесс вперед. 

3. Есть измеримые показатели. До запуска нужно зафиксировать исходную точку: сколько времени занимает операция, сколько действий выполняется вручную, как часто возникают ошибки и какой объём работы способен выполнить сотрудник. Без этих данных эффект пилота нельзя будет объективно оценить.

4. Гипотезу можно быстро проверить. Первый пилот лучше запускать на части заявок, документов, каталога или ограниченной группе клиентов. Его задача — не сразу автоматизировать весь процесс, а понять, даёт ли выбранный сценарий ожидаемый результат.

При этом не каждое бутылочное горлышко требует искусственного интеллекта. Иногда проблему можно решить, доработав каталог, настроив интеграцию между системами или устранив лишнее согласование. ИИ полезен там, где необходимо работать с неструктурированной информацией, учитывать контекст, искать соответствия по смыслу или выбирать действие в зависимости от содержания запроса.

В оптовых продажах такие задачи возникают с двух сторон: у клиента, который выбирает товар и оформляет заказ, и у менеджера, который сопровождает этот процесс внутри компании. Сначала рассмотрим клиентскую часть — от подбора нужной позиции до получения информации по уже оформленному заказу.

Сценарии для клиента

В оптовой торговле покупатель часто зависит от менеджера не потому, что ему обязательно нужна консультация, а потому, что существующие цифровые инструменты не помогают решить задачу самостоятельно. Клиенту приходится разбираться в большом каталоге, переводить свою потребность в технические характеристики, переносить спецификацию в корзину и запрашивать информацию о заказе. ИИ-ассистент может сократить этот путь, а его эффективность — показать, насколько быстрее и чаще клиент доходит до нужного результата.

ИИ для подбора товаров

В сложном b2b-каталоге клиент не всегда знает точное название или артикул. Он описывает задачу своими словами, а менеджеру приходится выяснять параметры, искать позиции в каталоге и документации, проверять наличие и возвращаться к покупателю с уточняющими вопросами. Такой подбор редко происходит за один разговор. Переписка может растянуться на несколько дней, особенно если клиенту нужны совместимые компоненты, аналог отсутствующего товара или замена позиции другого производителя.

ИИ-ассистент позволяет перевернуть этот процесс. Клиент описывает задачу обычным языком, а система сама задаёт уточняющие вопросы и переводит ответы в параметры каталога. Вместо сотен похожих позиций покупатель получает короткий список подходящих вариантов.

Ассистент также может:

• проверить цену и остаток;

• найти совместимые компоненты;

• подобрать замену отсутствующей или снятой с производства позиции;

• найти аналог по артикулу конкурента;

• учесть бюджет или требуемый срок поставки;

• добавить выбранный товар в корзину.

Система не просто отвечает на вопрос, а помогает пройти путь от потребности до заказа внутри одного интерфейса. Менеджер подключается, если задача нестандартная или клиенту требуется дополнительная консультация.

Как оценивать эффективность. По доле позиций, которые клиенты подобрали самостоятельно, количеству заказов без участия менеджера, времени от первого запроса до готовой корзины и конверсии подбора в покупку. Для подбора аналогов полезно отдельно считать, как часто клиент принимает предложенную замену.

ИИ-ассистент для самообслуживания клиентов

Если в предыдущем сценарии клиент мог не знать, что ему нужно купить, то в этом сценарии у него уже есть спецификация, техническая документация или список закупки, который необходимо превратить в заказ. И если в документе десятки или сотни строк, покупателю приходится искать каждый артикул, подбирать соответствие в каталоге и вручную добавлять позиции в корзину. Нередко клиент сразу отправляет документ менеджеру, который выполняет ту же работу внутри компании.

ИИ-ассистент может разобрать загруженную спецификацию, сопоставить строки с каталогом, отметить ненайденные позиции, предложить аналоги и сформировать корзину. Если часть информации неоднозначна, система задаст уточняющий вопрос или передаст конкретную строку менеджеру без необходимости заново разбирать весь документ.

После оформления заказа тот же интерфейс можно использовать для повторной закупки, проверки статуса, получения документов, формирования отчёта и обращения по рекламации. Если требуется участие сотрудника, ассистент передаёт ему не только сам запрос, но и контекст: состав корзины, историю заказа и уже выполненные действия.

Как оценивать эффективность. По времени от загрузки списка до готовой корзины, доле автоматически сопоставленных позиций, количеству принятых замен и доле загрузок, завершившихся заказом. После запуска также важно следить за количеством ошибок, возвратов и обращений по несовместимости товаров.

ИИ для отдела продаж: сценарии работы менеджера

Внутри отдела продаж ИИ особенно полезен в операциях, которые необходимо выполнять регулярно, но которые сами по себе не создают дополнительной ценности для клиента. Это поиск информации в нескольких системах, восстановление истории взаимодействия, заполнение CRM и перенос данных из заявки.

ИИ-автоматизация ежедневных задач менеджера

Рабочий день менеджера часто начинается с нескольких систем. Нужно проверить календарь, открыть CRM, посмотреть новые лиды, найти историю общения с клиентом и понять, на каких сделках требуется внимание. ИИ-помощник может собрать эту информацию в единую сводку: предстоящие встречи, участники, ссылки, состояние сделок и задачи, требующие вмешательства. Вместо ещё одного интерфейса сотрудник получает готовый контекст для начала работы.

Перед встречей помощник может объединить внутреннюю историю взаимодействия с внешней информацией о клиенте: какие решения компания уже использует, что меняется в её бизнесе, кто участвует в принятии решений и какие события в отрасли могут повлиять на переговоры. На основании этих данных система готовит не окончательное решение, а черновик аналитической записки и возможные темы для разговора.

Здесь особенно важна проверка источников. ИИ может ускорить сбор и первичную обработку информации, но не должен подменять менеджера или аналитика при оценке фактов и выборе переговорной позиции.

Как оценивать эффективность. Результат можно измерять по времени подготовки к встрече, доле подготовленных сводок, которые сотрудники действительно использовали, и количеству полезных гипотез, подтверждённых во время переговоров.

ИИ в CRM: подготовка данных и контроль работы

CRM приносит пользу только тогда, когда в ней зафиксирована актуальная история взаимодействия с клиентом. На практике менеджеры не всегда успевают заполнять карточки после каждого разговора: в системе остаются неполные комментарии, договорённости теряются, а следующим участникам сделки приходится восстанавливать контекст по переписке.

Если разговор записывается с согласия клиента, ИИ может расшифровать его, выделить ответы на нужные вопросы и подготовить поля CRM по установленному шаблону. Система также может сформулировать договорённости и предложить следующие действия: отправить документы, уточнить условия, назначить встречу или создать задачу на определённую дату. При этом не все действия следует выполнять автоматически. Менеджер должен подтвердить ключевые выводы, коммерческие условия и договорённости перед их сохранением или отправкой клиенту.

Как оценивать эффективность. По времени, которое сотрудники тратят на заполнение CRM, доле разговоров с зафиксированными итогами, количеству пропущенных задач и числу исправлений после автоматического заполнения.

ИИ-агент для сквозного оформления заявки

Даже при наличии цифровых каналов заявки могут поступать в компанию письмами, сообщениями, Excel-файлами, фотографиями и голосовыми записями. В этом случае менеджеру приходится открывать почту, CRM, 1С и каталог, вручную переносить позиции, проверять похожие названия и возвращаться к клиенту за уточнениями. ИИ-помощник или агент может взять на себя подготовительную часть процесса:

входящее обращение → структурированная заявка → сопоставление с каталогом → проверка условий → черновик коммерческого предложения или заказа.

Менеджер не исключается из процесса, но начинает работу не с пустого документа. Он проверяет спорные позиции, рекомендации и коммерческие условия, после чего подтверждает передачу данных в учётную систему.

Так, у импортёра инструментов каталог включал тысячи похожих позиций, различавшихся моделями, диаметрами и другими характеристиками. На сопоставление заявки из 100 строк с каталогом у менеджера уходило около 30 минут. После подключения инструмента на базе языковой модели и поиска по смыслу та же операция стала занимать две минуты.

У производителя выпечки заявки поступали текстом и в виде фотографий бумажных бланков. Сотрудник ежедневно тратил около двух часов на распознавание заказов, перенос информации в учётную систему и проверку. После объединения CRM, нейросети и 1С обработка того же объёма стала занимать около 30 минут. Это позволило компании не только сократить ручную работу, но и обслуживать больше клиентов без пропорционального расширения команды.

Как оценивать эффективность. Оценивать здесь нужно не скорость распознавания отдельного файла, а весь путь от входящего обращения до проверенного предложения или заказа. Основные показатели — время обработки сопоставимого объёма заявок, доля операций без ручного ввода, количество ошибок и возвратов на доработку, а также доля рекомендаций системы, которые менеджеры приняли и включили в предложение.

Начинать с результата, а не с технологии

Главный вопрос при внедрении ИИ-инструмент — это не какую платформу или модель выбрать, а какой процесс компания хочет изменить и что именно должно стать лучше.

Подходящий первый сценарий — это понятная, повторяющаяся и измеримая операция. Её можно проверить на ограниченном объёме, не перестраивая сразу весь отдел продаж. Например, разобрать входящую заявку, сопоставить спецификацию с каталогом или подготовить менеджера к встрече.

Бюджет такого проекта следует сопоставлять не только с новыми расходами на технологию, но и с экономикой текущего процесса: стоимостью ручной работы, ошибками, потерянными заказами и ограниченной пропускной способностью команды.

При этом работающий прототип — только начало. Для промышленного использования потребуются качественные данные, интеграции с корпоративными системами, разграничение доступа, требования информационной безопасности, правила контроля и ответственные за результат.

Поэтому первый шаг — выбрать повторяющуюся задачу, зафиксировать исходные показатели, назначить владельца и проверить решение на ограниченном объёме. Если результат подтверждается, сценарий можно подключать к рабочим системам, расширять и объединять с другими процессами. Именно так отдельный эксперимент с ИИ превращается в инструмент, который влияет на скорость работы, качество обслуживания и экономику продаж.