Когда ИИ друг, а когда враг

Сейчас искусственный интеллект для малого B2B-бизнеса стал тем же, чем несколько лет назад были CRM и маркетинговая автоматизация: почти каждый подрядчик обещает рост продаж, экономию времени и повышение эффективности. На рынке много завышенных ожиданий, десятки платформ, сотни интеграторов и тысячи сценариев внедрения.

Но большинство компаний начинают не с бизнес-задачи, а с покупки инструмента. В итоге бюджет расходуется быстро, а ожидаемого эффекта нет. Причина обычно не в качестве ИИ-моделей, а в том, что чаще всего компании хотят ускорить процесс, который изначально работает плохо.

Что вообще считать ИИ-маркетингом

ИИ-маркетинг – это не покупка нейросетевого сервиса ради самого факта внедрения. Речь идет о его использовании в конкретном процессе: 

• квалификации лидов; 

• анализе звонков;

• персонализации коммуникаций; 

• подготовке коммерческих предложений;

• прогнозировании спроса; 

• поиске закономерностей в данных.

Если инструмент не влияет хотя бы на один из ключевых показателей – конверсию, стоимость привлечения клиента, скорость работы команды или качество лидов, – скорее всего, решение внедрено или подобрано без привязки к реальным задачам компании.

Поэтому главный вопрос перед внедрением не «какой ИИ выбрать?», а «какие бизнес-задачи мы собираемся решить?».

Почему компании теряют деньги на ИИ

Большинство неудачных проектов начинаются по похожему сценарию. Во-первых, автоматизируют процесс, который уже работает неэффективно. Если воронка построена неправильно или CRM заполнена непоследовательно, ИИ не исправит ситуацию. Он лишь быстрее покажет существующие ошибки.

Во-вторых, начинают с генерации контента, не проверив, на каком этапе теряются лиды. Команда выпускает больше писем, публикаций и презентаций, но количество встреч и сделок не меняется.

В-третьих, подключают несколько сервисов без единой логики внедрения, рассчитывая, что технология сама решит проблемы маркетинга и продаж. При этом не определены KPI проекта, нет владельца процесса, не описаны этапы работы с клиентом и отсутствует понимание, какие данные вообще понадобятся ИИ.

В этом случае компания теряет не только деньги, но и время команды, которое можно было направить на устранение реальной причины слабых продаж.

Возникает закономерный вопрос: почему компании продолжают идти по этому пути, даже понимая, что сначала нужно разобраться с процессом? На практике технология часто кажется более простой точкой входа, чем изменение самого процесса. Купить новый сервис психологически легче, чем пересобрать воронку, определить критерии качественного лида, привести в порядок CRM и заново выстроить взаимодействие между маркетингом и продажами.

Дополнительная проблема – то, как обычно оценивают эффект от ИИ. Его нередко продают в терминах скорости и количества: можно обработать больше лидов, быстрее подготовить письма и презентации, автоматизировать больше коммуникаций. Но для B2B рост объема работы сам по себе еще не означает рост продаж.

Что действительно работает

ИИ начинает приносить измеримый результат, когда работает в связке из четырех элементов:

• CRM с актуальными и структурированными данными;

• сквозной аналитики, позволяющей видеть путь клиента и влияние маркетинга на продажи;

• понятной воронки с едиными критериями квалификации лидов;

• ИИ, встроенного в конкретный этап процесса.

Если убрать хотя бы один из этих элементов, эффективность проекта заметно снижается.

Не менее важно качество самих данных и маркетинговых материалов. ИИ не создает новую фактическую информацию о компании – он опирается на уже существующую. Поэтому продуктовые страницы, кейсы, описание решений, документация и база знаний должны быть актуальными, структурированными и понятными. Это важно не только для клиентов, но и для ИИ-систем, которые все чаще формируют представление о поставщике на основе открытых источников. Чем качественнее исходные материалы, тем выше вероятность, что искусственный интеллект будет корректно представлять компанию и формировать точное первое впечатление о ней.

Именно поэтому внедрение почти всегда стоит начинать с небольшого пилота. До запуска важно определить один показатель, который должен измениться, понять его текущее значение, проверить качество данных и заранее договориться о критериях успеха проекта.

Именно поэтому на старте не стоит пытаться собрать всю возможную информацию о клиентах и процессах. Для небольшого пилота важнее определить минимальный набор данных, который позволит сравнить ситуацию до и после внедрения и понять, действительно ли ИИ влияет на нужный показатель.

Обычно для этого достаточно истории обращений или сделок, источника лида, сегмента клиента, этапа воронки и результата контакта – встречи, отказа, квалифицированного лида или продажи. Так, для анализа звонков дополнительно нужны сами записи и единый чек-лист, по которому можно оценивать разговоры. Для подготовки коммерческих предложений – актуальная информация о продуктах, ценах, типовых решениях, кейсах и ограничениях, чтобы модель не додумывала факты.

При этом универсального порога вроде «не менее тысячи лидов» не существует. Гораздо важнее качество и сопоставимость данных. Если компания понимает, какие обращения считаются целевыми, знает результаты хотя бы значимой части прошлых контактов и может зафиксировать исходное значение ключевого показателя, этого уже достаточно, чтобы начать проверку гипотезы.

А вот если в CRM данные заполнены хаотично, критерии качественного лида у разных менеджеров отличаются, а результаты прошлых контактов практически не фиксируются, сложный ИИ-пилот лучше отложить. Сначала стоит привести в порядок учет и определить понятные метрики, а уже потом автоматизировать то, что действительно можно измерить.

Когда ИИ действительно начинает окупаться: пример из практики

Одна B2B-компания решила повысить эффективность холодных продаж. Первым шагом стала автоматизация рассылок: ИИ начал быстрее готовить письма, а менеджеры заметно увеличили количество контактов.

Однако спустя несколько недель стало очевидно, что количество встреч не изменилось. После анализа выяснилось, что проблема находилась гораздо раньше по воронке. Компания определила два приоритетных сегмента клиентов, очистила CRM, согласовала единые критерии качественного лида и переработала коммерческие предложения под задачи каждой аудитории.

После этого ИИ начали использовать для приоритизации входящих запросов, поиска сигналов готовности к покупке и подготовки персонализированных обращений. Количество писем сократилось, зато выросла доля релевантных диалогов и встреч. 

Этот пример хорошо показывает, что основное ограничение чаще находится не в скорости подготовки контента, а в качестве сегментации, данных и коммерческой логики.

Без этого ИИ лучше не внедрять

Внедрение ИИ-решения не стоит начинать с выбора платформы. Намного полезнее задать себе несколько вопросов, которые быстро покажут, насколько предложение связано с реальными задачами бизнеса.

• Какую конкретную бизнес-проблему мы решаем?

• Почему здесь нужен именно ИИ, а не обычная автоматизация?

• Какой показатель должен измениться и каково его текущее значение?

• Какие данные потребуются и насколько они готовы?

• Где ИИ будет встроен в существующий процесс?

• Как будет организован пилот и по каким критериям мы оценим его результат?

Если на эти вопросы уже есть ясные ответы, проект, скорее всего, можно запускать. Если нет, сначала лучше разобраться с процессом, данными и метриками, а уже потом смотреть на платформы.

Как выбрать ИИ-инструмент

После подготовки всех процессов можно переходить к выбору конкретных инструментов. На старте я бы не собирал сложный стек из нескольких десятков сервисов. Для квалификации лидов достаточно связки CRM, правил скоринга и языковой модели, которая помогает классифицировать обращения по заданным признакам: отрасль, размер компании, задача, срочность, соответствие продукту. При этом возможность проверять решение о статусе лида лучше оставлять за человеком, особенно на первых этапах.

Для анализа звонков будут полезны сервисы речевой аналитики, которые расшифровывают разговоры, ищут заданные темы и помогают оценивать соблюдение чек-листа. 

Для подготовки коммерческих предложений подойдет корпоративная языковая модель, подключенная к внутренней базе знаний и шаблонам компании.

При этом выбирать инструмент стоит не по количеству функций, а по тому, насколько он вписывается в существующий процесс. На практике я бы смотрел прежде всего на возможность интеграции с CRM, контроль источников данных и понятный способ измерить эффект – в деньгах, конверсии или времени команды. Если этого нет, даже хороший ИИ-сервис быстро превращается просто в еще одну подписку.

Законодательное регулирование

Отдельно нужно учитывать юридическую сторону вопроса. Запись и анализ звонков, обработка персональных данных представителей компаний и передача информации внешнему ИИ-сервису должны рассматриваться еще до начала пилота. Важно заранее определить, какие данные собираются, для какой цели они используются, где хранятся, кто имеет к ним доступ и когда они должны удаляться.

Особое внимание стоит уделить самому провайдеру ИИ-решения: условиям обработки и хранения данных, возможности их использования для обучения моделей, передаче информации третьим лицам и мерам защиты. 

На пилоте часть данных нередко можно обезличить, ограничить объем выборки или убрать персональные сведения, которые не влияют на работу модели.

Кто в ответе за ИИ

И наконец, у проекта должен быть понятный владелец внутри компании. Это не обязательно человек, который лучше всех разбирается в нейросетях. Важнее, кто отвечает за бизнес-результат того процесса, который меняется. Если ИИ используется для квалификации и обработки лидов, логичным владельцем будет руководитель продаж или коммерческий руководитель. Если задача связана с маркетинговой аналитикой или контентом – маркетинг.

Руководитель компании при этом остается спонсором проекта: определяет приоритет, бюджет и принимает решение о дальнейшем масштабировании. 

Внешний интегратор отвечает за технологическую реализацию, но не должен единолично решать, что именно автоматизировать. Иначе возникает ситуация, когда подрядчик отчитывается о количестве внедренных сценариев, а бизнес так и не понимает, стало ли ему дешевле привлекать клиента, быстрее обрабатывать лиды или проще закрывать сделки.

Оптимальная схема для малого B2B-бизнеса выглядит достаточно просто: один внутренний владелец, один согласованный KPI, ограниченный пилот и заранее определенные критерии, по которым компания решает – масштабировать решение, доработать его или отказаться.

Почему автоматизация в целом не работает без пересмотра процессов, читайте в нашей статье «Цифровизация СМК – тренд или польза»