Что поручить ИИ после разговора с клиентом

Михаил Иванов, руководитель B2B-продаж «Слетать.ру», рассказывает, какие задачи после общения с клиентом действительно можно передать ИИ, а где решение всё равно должно оставаться за менеджером и руководителем отдела продаж.

Когда компании начинают экспериментировать с ИИ в продажах, первым делом обычно показывают что-нибудь эффектное. Нейросеть пишет письмо, делает саммари звонка, предлагает скрипт или за несколько секунд превращает длинный разговор в аккуратный текст.

Выглядит убедительно. Но в реальной работе продавца есть более приземлённая проблема.

Допустим, клиент обозначил условие. Менеджер пообещал прислать расчёт. Ещё договорились вернуться к вопросу после внутреннего совещания клиента.

Проходит день. В CRM написано «думает». Задача есть, но без даты. Прогноз по сделке не изменился. Сам разговор при этом мог пройти хорошо.

И вот здесь ИИ становится интересен не как «виртуальный продавец», а как инструмент, который помогает не потерять то, о чём люди только что договорились.

После одного звонка нужны два разных результата

У менеджера и руководителя отдела продаж после клиентского контакта разные задачи.

Менеджеру нужен понятный рабочий итог: что важно клиенту, какие условия уже подтверждены, что осталось открытым, кто и что должен сделать дальше.

РОПу совершенно не обязательно читать расшифровку каждого разговора.

Ему интереснее другое: где что-то пошло не так.

Например:

клиентская задача понятна, а следующего события нет;
менеджер обещал отправить материал, но срок уже прошёл;
изменилась сумма или дата, а прогноз остался прежним;
решение зависит от человека, которого ещё даже не подключили;
одна и та же проблема повторяется сразу у нескольких сотрудников.

Источник при этом один: звонок, встреча или переписка. Но результат из него нужен разный.

Для менеджера ИИ может сократить путь от разговора до следующего действия. Для руководителя — подсветить места, где реальные договорённости уже разошлись с тем, что происходит в процессе.

Это принципиально разные задачи.

Мы сначала попытались свести всё к одному баллу. Не получилось

В одном из внутренних проектов мы калибровали пилотный стандарт качества B2B-диалогов сразу для двух направлений.

Первая версия была довольно очевидной: взять разговор и дальнейшее ведение сделки и свести всё к одной итоговой оценке. На практике эта логика быстро начала ломаться.

Один пропущенный следующий шаг мог несколько раз снижать итоговый результат. Отметка «не применимо» трактовалась по-разному. Хорошо заполненная CRM могла скрывать слабый разговор. А качественный разговор, наоборот, соседствовать с плохо оформленным следующим шагом.

В итоге один средний балл не объяснял, что именно сломалось. Поэтому методику разделили на два независимых контура.

Первый — качество самого диалога: задача клиента, критерии выбора, договорённости, открытые вопросы.

Второй — то, что произошло после: запись в CRM, действие и дата, ответственный, изменение прогноза.

Для разных типов звонков появились свои профили. Для «не применимо» стало обязательным пояснение. Один дефект учитывается один раз. Часть выборки проходит двойную проверку.

И важный момент: пилот нужен для калибровки правил, а не для рейтинга сотрудников или санкций. Смысл такого разделения простой: сначала понять причину сбоя, а уже потом решать, что с ней делать.

Что ИИ может сделать для менеджера

До разговора помощник может собрать контекст из разрешённых источников: предыдущие договорённости, открытые вопросы, обещания сторон, изменения в карточке клиента.

При этом задача не в том, чтобы написать менеджеру жёсткий сценарий разговора. Полезнее подсветить пробелы.

Кто на самом деле принимает решение? Какое событие определяет срок? Что клиент уже отверг? Какие данные ещё нужно уточнить?

После разговора хороший результат тоже довольно конкретный.

Во-первых, факты со стороны клиента: его задача, ограничения, критерии выбора, участники и сроки. Только то, что действительно прозвучало.

Во-вторых, обязательства сторон: что пообещал менеджер и какое действие подтвердил сам клиент.

Дальше — следующий шаг: что сделать, когда, кто отвечает и по какому каналу продолжить общение. Плюс открытые вопросы и риски, которые нельзя закрыть догадкой. И только после этого — черновики резюме, follow-up и изменений в CRM.

Здесь для меня ключевое слово — черновики. Если модель неправильно распознала сумму, дату или участника сделки, автоматическая запись не исправит проблему. Она просто быстрее перенесёт ошибку дальше.

Поэтому последнее подтверждение остаётся за человеком.

А руководителю не нужен ещё один архив расшифровок

С РОПом ситуация другая.

Если ИИ просто собирает для него все разговоры менеджеров в одну большую папку, ценность довольно сомнительная. Руководитель и без того не страдает от нехватки информации.

Ему нужна короткая очередь ситуаций, где действительно требуется внимание.

По каждой из них должно быть понятно: что произошло, как это может повлиять на сделку или прогноз, кто отвечает за следующий шаг и до какого момента вмешательство вообще имеет смысл.

В этом случае ИИ снимает с руководителя не саму управленческую работу, а поиск материала для неё.

Решение всё равно остаётся за РОПом: подключаться ли к переговорам, менять ли приоритет, пересматривать ли прогноз, какой навык разбирать с сотрудником.

ИИ здесь полезен до момента принятия решения. Не вместо него.

Голосовые сообщения: хороший пример границы

Один из случаев был совсем бытовым.

Потенциальный партнёр прислал четыре голосовых сообщения с вопросами о формате работы, документах и условиях. ИИ локально расшифровал сообщения, собрал вопросы в одну структуру и подготовил черновик ответа.

Для менеджера это уже ощутимая экономия времени: не нужно несколько раз переслушивать голосовые и вручную собирать из них список вопросов. Но на проверке в черновике обнаружилась формулировка об отсутствии штрафов при досрочном прекращении.

Она не была подтверждена. Такую вещь уже нельзя просто отправить клиенту — сначала нужно свериться с договором. В итоге ИИ сделал полезную часть работы: разобрал входящий материал и подготовил структуру ответа. Но обещание клиенту от своего имени не дал.

Именно так, на мой взгляд, и должна проходить граница.

Ещё одна проблема — когда сами данные устарели

Другой внутренний проект был связан с управленческим экраном, который собирал данные из нескольких источников. В какой-то момент система дала сразу два ложных сигнала.

Устаревший срез CRM показал отсутствие продаж в одном направлении. А изменившаяся структура еженедельной таблицы привела к тому, что факты разных продуктов объединились.

Если смотреть только на итоговую цифру, можно было сделать вполне убедительный — и неправильный — вывод. Пришлось развести источники.

Денежный факт берётся из рабочей таблицы. Воронка и действия — из CRM. Рядом показывается актуальность данных.

Если информация устарела, система не подставляет ноль и не пытается решить за руководителя, что произошло. Она показывает, что есть ограничение или расхождение.

Для ИИ-помощника это особенно важно. Любой управленческий сигнал должен отвечать хотя бы на два вопроса: откуда взялись данные и насколько они актуальны.

Если источники расходятся, задача системы — показать расхождение, а не замаскировать его красивым выводом.

Что я бы точно не отдавал ИИ

Есть задачи, где автоматизация выглядит особенно соблазнительно, но риск ошибки уже слишком дорогой.

ИИ может найти нужный фрагмент разговора, сопоставить его с правилами процесса, подготовить текст или обратить внимание на отклонение.

Но самостоятельно обещать клиенту скидку — нет.
Менять коммерческие условия — нет.
Переносить сумму в прогноз без подтверждения — тоже нет.

Так же как приписывать клиенту мотивы или делать кадровые выводы о сотруднике по одному разговору.

Есть и отдельный вопрос доступа к информации.

Записи разговоров, контакты и коммерческие условия должны обрабатываться только в утверждённом контуре. Для аналитики имеет смысл использовать минимально необходимый набор данных, а не размножать полные расшифровки и персональную информацию по таблицам и рабочим чатам.

Как начать без большого «ИИ-проекта»

Я бы вообще не начинал с покупки универсального «ИИ-продавца». Проще взять одно конкретное событие: закончился содержательный разговор с клиентом. И посмотреть, что должно произойти после него.

Менеджеру нужен проверяемый рабочий итог. Руководителю — список отклонений, где его вмешательство ещё может что-то изменить.

Дальше можно зафиксировать обязательный формат: факты, обязательства сторон, следующий шаг, открытые вопросы, изменение прогноза.

Перед записью в CRM и отправкой сообщения клиенту оставить подтверждение менеджера. РОПу показывать не все разговоры подряд, а только отклонения.

А первые недели отдельно смотреть, что сотрудники исправляют в предложениях модели и с какими выводами не согласны. Это хороший материал для настройки правил. И уже после этого считать эффект.

Например, смотреть, сколько времени проходит от разговора до содержательной записи в CRM. У какой доли сделок есть согласованный следующий шаг. Выполняется ли обещанный follow-up. Насколько быстро изменения попадают в прогноз. И как часто сотрудникам приходится исправлять то, что предложил ИИ.

Это куда полезнее, чем просто считать количество сгенерированных текстов.

Главный критерий довольно простой

Если после внедрения ИИ текстов стало больше, а после разговора с клиентом всё ещё непонятно, кто, что и когда должен сделать, большого смысла в такой автоматизации нет. Это просто ещё один сервис генерации контента.

Полезный инструмент начинается в другом месте: когда после контакта остаются проверенные факты, обязательства и следующий шаг. А руководитель узнаёт об отклонении не тогда, когда сделка уже потеряна, а пока ещё может на неё повлиять.