Как я управляю продажами с AI: почему автоматизация этапов не даёт роста, а обратные связи между ними — дают

# Как я управляю продажами с AI

Вебинар о том, как AI встраивается в B2B-продажи. Большинство компаний автоматизируют отдельные этапы — outbound, квалификацию, запись звонков. Но разрывы между этапами остаются, и именно там теряются деньги. Центральный вопрос встречи: каким должен быть AI, который мог бы автономно управлять и оптимизировать продажи в компании?

Встреча открывается разогревом — одна вещь из мира AI, которую участники трогали руками. Всплывают три темы, и все про одно напряжение: модели дешевеют и догоняют фронтир.

• Новая голосовая модель. Ключевая дилемма голосовых ассистентов: хочешь умного — он медленный, хочешь быстрого — он тупой. Новая архитектура решает её двумя потоками: один «думает», другой «говорит» и тянет время вводными словами, пока думающий догоняет. Для исходящих sales-звонков это важно — их тяжело загнать в скрипт.
• Дешёвые модели уровня фронтира (Kimi K3 и другие) — хорошие кандидаты на замену дорогих моделей в части пайплайнов.
• Доступ к топовой модели, который лаборатории раз за разом продлевают под давлением конкуренции.

Формат — ролевая игра. Ведущий играет владельца B2B-компании, которая внедрила AI с самого старта и продаёт SaaS для американских компаний, обслуживающих кондиционеры (HVAC, mid-market). Первый год закрыли «вроде хорошо», но роста нет, а хочется расти как стартап — в 3–5 раз год к году. Участники задают вопросы, голосуют лайками; ведущий отвечает и честно говорит «не знаю» там, где владелец бизнеса в реальности не знает.

Ключевые цифры на дашборде:

• Отправлено connection requests (AI SDR, LinkedIn): 15 000 за год
• Сказали «интересно»: 500 (около 3,3%)
• Дошли до CRM и стали opportunities: 145
• Закрытых сделок: 16 (примерно 1 из 10 встреч)
• Средний контракт: около $22 000 в год (примерно $1 500 в месяц)
• Стоимость привлечения (CAC): около $900 при среднем по рынку около $1 800 — в два раза ниже
• Цикл сделки: 45 дней, продавцов (AE): 3
• Выручка за год: около $350K, ёмкость рынка: около 100 000 подходящих компаний в США

Канал — только outbound через LinkedIn. Юнит-экономика отличная (LTV/CAC больше 10), поэтому первый инстинкт — «просто скейлить». Зал выдаёт весь спектр диагнозов: от «надо больше лидов, налей сверху» до «нет карты клиента, смотри каждый этап» и точной формулировки — две точки роста: разрыв 15 000 → 500 (профиль/канал) и 145 → 16 (навыки продавцов).

Взгляд руководителя отдела продаж находит два места:

1. 500 → 145. До CRM доходит один из трёх заинтересованных. При этом 3% интереса для LinkedIn — нормальная цифра; а вот один из трёх между интересом и встречей — опасная. Сюда надо копать.
2. 1 из 10 встреч закрывается при чеке $22K в год. По бенчмаркам здоровая цифра — 1 из 3, максимум 1 из 5, но не 1 из 10.

Чтобы подтвердить гипотезы, нужен анализ посередине — прочитать все переписки и прослушать все звонки. А на это ни у кого нет времени. Отсюда тезис: этим «кем-то посередине» может быть AI. Что вскрыл бы такой анализ:

• Тёплый лид, которого не подхватили вовремя. SDR шлёт столько сообщений, что все не прочитать: 15 000 реквестов, треть принимает — тысячи сообщений на троих продавцов.
• Нецелевой таргетинг — «заинтересованные» по классификации на деле неадекватны.
• Галлюцинации AI SDR — наобещал то, чего нет (например, скидку), клиент приходит с ожиданием, живой человек называет настоящую цену, сделка рушится.
• Неверная классификация ответов — об этом ниже.

Пропущенная цифра не выглядит как проблема. Она выглядит как ничего. Задача тех, кто внедряет AI в продажи, — понять, какие сигналы возникают в разных частях системы, и, оптимизируя обратные связи от сигнала к источнику проблемы, улучшать цифры.

Петля 1 — обучение (усиливающая, замыкается за квартал). Чем лучше таргетинг, тем больше заинтересованных ответов, тем больше встреч, тем больше сделок. И закрытые сделки — успешные и неуспешные — должны постоянно уточнять таргетинг и ICP. Это flywheel. Но у него есть природа — задержки: от отправки до встречи в среднем около недели, от встречи до закрытой сделки — 45 дней.

Почему в реальной жизни петля не замыкается — три причины:

1. Разные люди делают разные вещи. Сигнал возникает у одного, а менять таргетинг должен другой. Знание остаётся в голове и не доходит до действия.
2. Отложенность во времени. Как в обучении нейросетей (backprop): прогнали пример, посчитали ошибку, поменяли веса. Но в продажах прогнать пример — миллисекунды, а получить обратную связь и поменять таргетинг — недели или месяцы.
3. Некачественный сигнал. На входе просто не измеряли нужную информацию — её узнаёшь только на звонке.

Петля 2 — давление (закон Гудхарта). Мало встреч → давление на команду → растёт объём аутбаунда, таргетинг расширяют. Больше отправок даёт больше ответов в абсолюте, но reply rate падает: лучших контактируешь первыми, всегда, а любой ранжированный конечный список тратится сверху вниз. Ослабленный таргетинг ломает прогноз выручки, и петля, которая выглядела балансирующей, переворачивается в усиливающую. Побеждает не та петля, что правильнее, а та, что быстрее.

Ловушка ёмкости и Explore-Exploit. Если петля обучения просто крутится, приходишь к идеальному таргетингу, но лиды заканчиваются — рынок сужается. AI-руководитель должен замечать переоптимизацию и предлагать explore: эксперимент на новом сегменте всего на 100–200 лидах. Идеи для таких экспериментов часто рождаются на звонках.

Первая задача внедрения AI — внутри каждой стрелки минимизировать участие человека везде, кроме непосредственно общения с клиентом. Тезис: у большинства B2B-компаний продавцы 70% времени заняты не общением с клиентом — этот объём и надо автоматизировать.

• Outbound. Скилл для автоматического поиска лидов, который заодно составляет портрет целевой аудитории. Внутри него делаешь эксперименты: собираешь лидов по двум ICP, сравниваешь — и видишь, что у одного response rate и meeting rate в три раза лучше. Отправку делают отдельные сервисы.
• Военная история про классификатор. Классификатор разбивал ответы на «заинтересован / возможно / не заинтересован». Была строчка кода: при любой ошибке писать «возможно». Модель под ним задепрекейтили, он начал молча ошибаться — и воронка считалась неправильно месяцами. Вывод: нужна система, которая аудирует твои же приборы, когда цифры не похожи на бенчмарки.
• Inbound и квалификация. Скилл помогает задизайнить систему скоринга (в примере — 14 вопросов) и квалифицировать лид. Под каждый критерий нужен кусочек информации: например, доменное имя лида — хороший прокси платёжеспособности (агент смотрит трафик, средние цены, публичные реестры), на выходе — оценка hot/warm/cold и SLA. Горячего — сразу в календарь.
• Звонок как источник интеллидженса. Опросники надо постоянно пополнять. Классические саммаризаторы (Fathom и другие) не подходят — они просто делают summary, а нужно извлекать и классифицировать конкретную информацию под текущие эксперименты. Поэтому нужен сырой транскрипт. Sales-методологии (MEDDIC, SPIN, BANT) — рубрики, которые превращают «продавцы плохо работают» в измеримые критерии. Сигналы со встреч нужны не только продажам, но и маркетингу, и продукту.

Главный обмен вечера. Возражение из зала: AI-ассистенты читают и анализируют быстро и полезно, но в каких-то местах «говорят фигню», которую видит только человек, понимающий сделку; окончательное решение отдавать нейросети неразумно, потому что часть знания лежит имплицитно в памяти.

Ответ — не спорить, а показать механизм, который наращивает автономность. У AI действительно нет этого контекста, но для части задач его можно собирать естественно. Как устроена переписка: приходит ответ от заинтересованного лида → AI предлагает черновик → продавец либо принимает одной кнопкой, либо правит. В момент правки появляется размеченная пара «предсказание AI против реальности человека». Копятся сотни — переобучаем. На старте продавец принимает около 50% черновиков, после пары переобучений доля растёт (AI учится словам и аббревиатурам индустрии). Никогда не 100% — и этот остаток и есть минимальный человек, который обязан помнить. Автономность не покупают — её накапливают.

Если это RL-среда, чем она отличается от оптимизации кода:

• У каждого проспекта есть стоимость. Написал не то — сжёг, к нему нельзя вернуться минимум год. Это рыба в океане: потребили — уплыла. Сожжёшь рынок — сломаешь здоровье всей системы.
• Есть стоимость обучения и задержка сигнала (45 дней): нельзя учиться так же быстро, как системы, пишущие код.
• Только около 5% аудитории в данный момент готовы купить — покупка это таргетинг плюс своевременность. Значит AI выбирает не «писать или нет», а «писать / подождать / не писать никогда».
• Портфель экспериментов. Каждого проспекта можно держать как опцион; тогда это задача формирования портфеля: эксперименты дешевле ставить на не-супер-целевых, а точность тратить на лучших. Аналогия — софт-лаунч игры на Канаду и Австралию перед США.

1. AI-инструментами можно оптимизировать отдельные этапы продаж — inbound, outbound, чтение звонков. Это первая задача, и она уже понятна.
2. Вторая задача — обеспечить сбор и обратную связь между этими процессами и экспериментирование, чтобы постоянно крутить Explore-Exploit: с одной стороны оптимизировать, с другой — открывать новые сегменты.

Кроме временны́х издержек и стоимости выжигания рынка, больших преград к тому, чтобы это построил AI, не видно. Это и есть цель курса AI Sales: сначала научиться автоматизировать этапы, потом — обеспечить сбор и оптимизацию обратной связи между ними.

• Скилл для outbound: github.com/BayramAnnakov/lead-search-plugin
• Скилл для входящих: github.com/BayramAnnakov/lead-qualification-plugin
• Отправка в LinkedIn и email: unipile.com
• Записыватель звонков с live-assist, отдающий сырой транскрипт
• Sales-методологии как рубрики: MEDDIC, SPIN, BANT
• Курс AI Sales: empatika.com/courses/ai-sales

Канал: t.me/products_n_startups