Начнём с примеров. Diligent — международный поставщик SaaS-платформ для корпоративного управления, управления рисками и комплаенсом — после внедрения платформы анализа звонков получил +7,4% к конверсии по сделкам, где использовались расшифровки и аналитика, и сократил срок выхода менеджеров на план по выручке на три недели.

Salesforce в своих отчётах фиксирует ту же тенденцию: команды, которые используют распознавание речи, автосаммари и автоматизацию послезвонковых действий, сокращают затраты времени и бюджета на рутинные операции почти во всех типовых процессах — от первичных контактов до поддержки. По данным Salesforce, опубликованным Forbes, с января 2025 года использование ИИ-агентов в клиентском сервисе выросло в 22 раза. Показательный штрих: 94% клиентов предпочитают ИИ-агента человеку, когда вопрос личный или потенциально неловкий.

Вице-президент SharkNinja (входит в Time 100 Most Influential Companies) формулирует тренд однозначно: «ИИ-агенты будут работать круглосуточно и помогать клиентам — от выбора товара до постпродажной поддержки». Важно учитывать масштаб источника. Salesforce обслуживает более 150 000 компаний по всему миру, поэтому эти цифры отражают не единичные кейсы, а глобальный переход бизнеса к гибридной модели обслуживания, где первую линию занимает ИИ, а люди подключаются к сложным ситуациям.

Отдельно мы разбирали, почему таких результатов с AI-инициативами добиваются далеко не все компании, в статье Ошибки при внедрении ИИ в маркетинг. А сейчас мы поговорим о том, что технически стоит за этими результатами и как повторить их у себя: от повседневной работы менеджера до инфраструктуры из CRM, телефонии, хранилища данных, распознавания речи и BI-дашбордов.

Что меняется для рядового сотрудника

Автосаммари вместо ручного протокола

Обычный цикл работы продавца или оператора таков: поговорил с клиентом, потом несколько минут заполняет CRM, пишет итог беседы, ставит задачу на следующий шаг, отвечает на письма и сообщения. На этих хвостах за день сгорает час и больше.

После внедрения ИИ-решений вокруг звонка добавляются три шага, которые выполняет уже не человек:

• разговор автоматически расшифровывается в текст
• модель выделяет смысловые блоки, договорённости, возражения
• на основе этого формируется краткое саммари и черновик следующего шага

Менеджер заходит в карточку сделки и видит готовый конспект разговора с предлагаемым дальнейшим действием. Нужно только проверить и при необходимости поправить формулировку. Для бизнеса это означает сокращение послезвонковой обработки и более полную историю в CRM, с которой потом можно работать и в аналитике, и в обучении команды.

Меньше рутины — выше скорость обработки запросов

В реальности продавца и оператора утомляет не сам разговор, а повторяющаяся механика вокруг него: каждый раз занести однотипные данные в CRM, вручную искать контекст по прошлым контактам, перепечатывать стандартные формулировки в протоколах.

Там, где включены ИИ-подсказки и автозаполнение, меняется структура рабочего дня:

• уменьшается среднее время на оформление карточки после звонка
• растёт число звонков и встреч, которые менеджер успевает провести за смену
• снижается доля контактов, по которым не зафиксирован следующий шаг
• меньше шансов, что клиент останется без ответа, просто потому что менеджер не успел дослушать записи и разобрать заметки

На стороне бизнеса это напрямую отражается на выручке и уровне услуг: при том же штате команда обрабатывает больше входящих запросов, быстрее доводит сделки до решения и реже теряет обращения из-за человеческого фактора.

Как разгружается руководитель отдела продаж

Разбор звонков по данным, а не по случайному выбору

Руководитель продаж традиционно решает две задачи: держать план по выручке и не допускать провалов в качестве общения с клиентами. Без ИИ это почти всегда выборочный контроль: несколько записей в неделю, субъективные впечатления и попытка из единичных примеров вывести общую картину.

В кейсе Diligent ситуация изменилась после подключения платформы анализа звонков:

• все клиентские разговоры начали записываться и расшифровываться
• система отмечает, на каком этапе воронки находится диалог
• руководитель получает выборку тех звонков, которые сильнее всего влияют на исход сделки

Именно на этих разговорах проводятся разборы, корректируются скрипты и сценарии, строится программа обучения. Отсюда и цифры: плюс 7,4% к конверсии по сделкам, где использовались такие инструменты, и сокращение срока выхода менеджеров на план на три недели.

Сдвиг фокуса — от контроля ради контроля к изменениям процессов

В отчётах по продажам и клиентскому сервису видно, что команды, работающие с ИИ-аналитикой, отчётливо отделяются от остальных: на одного продавца приходится больше выручки, выше конверсия из обращений в сделки, снижается стоимость обработки одного контакта.

Руководитель перестаёт тратить часы на случайное прослушивание звонков. Вместо этого он:

• видит срез по команде: где чаще всего выпадает следующий шаг, на каких этапах воронки происходит большинство отказов
• получает рейтинг типичных ошибок и проблемных паттернов по менеджерам
• может привязать изменения в скриптах и обучении к конкретным метрикам

Отдельный вопрос — как выстроить под это оргструктуру: строить собственную ИИ-команду или опираться на внешних поставщиков. Эту тему подробно разбираем в статье ИИ-офис: строить команду внутри или покупать готовое решение.

Как автоматизация и ИИ-агенты влияют на бюджеты

Экономия времени в измеримом масштабе

Когда рутинные операции вокруг звонка — расшифровка, оценка ключевых фраз, маркировка рисков, оформление итогов — выполняются автоматически, у команд высвобождается рабочее время.

Для бизнеса это выражается сразу в нескольких показателях:

• снижается среднее время послезвонковой обработки, растёт пропускная способность команды при том же штате
• уменьшается число обращений, которые зависают из-за того, что менеджеры не успевают оформлять карточки и выставлять следующий шаг
• служба качества тратит меньше ресурсов на выборочный контроль и может сосредоточиться на сложных и нестандартных ситуациях, а не на механической рутине
• повышается точность отчётов: данные автоматически попадают в CRM и хранилище, не требуя ручной актуализации

Когда эти эффекты складываются, сокращаются и прямые затраты: меньше часов уходит на операционные проверки, меньше потерь из-за незавершённых контактов, быстрее закрывается воронка. А в пиковые периоды — праздники, сезонные всплески входящего трафика — та же команда покрывает больший объём запросов без расширения штата.

Продвинутые сценарии: часть контактного центра на ИИ-агентах

Есть и примеры более глубокого внедрения. Руководство Salesforce публично рассказывало, что за счёт ИИ-агентов и новой архитектуры сервисных процессов:

• численность поддерживающей команды снизилась с примерно 9 000 до 5 000 человек
• около половины всех клиентских обращений теперь обрабатывается ИИ-агентами
• был разобран многолетний массив неотработанных лидов и запросов

Такие кейсы не стоит воспринимать как универсальный стандарт. Скорее это ориентир по уровню автоматизации: насколько далеко можно уйти, если архитектура, данные и процессы выстроены правильно.

Какую инфраструктуру нужно собрать, чтобы интегрировать ИИ в отдел продаж

Здесь речь не про голосовых ассистентов, а про обычный сценарий: люди звонят клиентам и принимают звонки, разговоры записываются, а дальше подключается ИИ, который помогает их разобрать и связать с воронкой продаж.

CRM: где сходятся все действия по клиенту

Первое звено — CRM. Это система, где по каждому клиенту и сделке хранится история работы.

Минимальные требования:

• воронка продаж описана понятно и одинаково трактуется продавцами, маркетингом и аналитикой
• по каждой сделке зафиксированы сумма, стадия, ответственный менеджер, источник обращения
• по каждому звонку и встрече в карточке есть итог и следующий шаг, а не пометка «созвонились»

Если эти данные заполняются нерегулярно или в свободной форме, ИИ-аналитика по звонкам не ляжет на воронку и деньги — выводы будут оторваны от реальных результатов.

Телефония и коллтрекинг: откуда берутся записи разговоров

Второй элемент — система, через которую проходят звонки. Это может быть:

• виртуальная телефония для отдела продаж
• платформа контакт-центра
• сервис коллтрекинга, если он используется для входящих звонков

Мы говорим о привычной инфраструктуре: менеджер звонит через эту систему, клиент звонит на номер компании, платформа соединяет их и ведёт учёт звонков. От неё нужны три вещи:

• запись разговоров (аудиофайлы входящих и исходящих звонков)
• служебные данные по каждому звонку: кто звонил, на какой номер, какому менеджеру, когда и сколько длился разговор
• механизм связки с CRM — по номеру клиента, внутреннему идентификатору, сценарию маршрутизации и т. д., чтобы звонок можно было привязать к конкретному лиду или сделке

Важно, чтобы система умела отдавать и записи, и служебные данные наружу: по API, вебхукам или через регулярные выгрузки. Это исходный материал для распознавания речи и дальнейшего анализа.

Хранилище данных: собрать цепочку до денег

Дальше данные нужно сложить в одно место, где их можно связать между собой. В хранилище должны попадать:

• статистика из рекламных кабинетов и веб-аналитики (канал, кампания, UTM)
• события сайта и приложения (заявки, регистрации, обращения в чат)
• данные CRM по лидам, сделкам и оплатам
• данные телефонии и коллтрекинга по звонкам
• расшифровки разговоров и метки от сервиса распознавания речи

Задача — восстановить цепочку: показ объявления → клик → обращение → звонок → сделка → выручка.

Сервис распознавания речи и речевая аналитика

Отдельный компонент — сервис, который берёт аудио разговоров и превращает его в текст и структурированные признаки.

От него требуется:

• качественное распознавание русской речи с отраслевой лексикой
• возможность настраивать словари, стоп-слова, маркеры рисков и целевые фразы (например, отказ, запрос скидки, упоминание конкурентов)
• экспорт расшифровок и аналитических меток в хранилище или напрямую в CRM
• понятная модель тарификации и возможность масштабировать объём минут

На базе этих данных строятся автосаммари, подсказки по следующему шагу, выборка звонков для разбора и отчёты по типичным паттернам. При выборе сервиса важно сразу учитывать требования по защите данных и регламенты работы с ИИ — этой теме посвящён материал Как защитить корпоративные данные при работе с ИИ.

BI-дашборды и рабочие отчёты

Последний слой — отчёты и дашборды, с которыми каждый день работает руководитель и команда продаж.

В них должны быть:

• показатели по звонкам, встречам, сделкам и выручке
• разбивка по менеджерам, продуктам, регионам, каналам привлечения
• фильтры по стадиям воронки и маркерам речевой аналитики (например, звонки без следующего шага, звонки с ценовыми возражениями, разговоры с риском ухода)

Именно на этом уровне становится видно, где цепочка маркетинг → обращение → звонок → продажа работает стабильно, а где проваливается — и как изменения в процессах и скриптах реально отражаются на конверсии и доходе.

Как выглядит до и после для отдела продаж

До:

• менеджер после звонка сам пишет итог, часто в свободной форме, иногда вообще без упоминания следующего шага
• руководитель раз в неделю выбирает несколько записей и слушает их часами, пытаясь понять, что именно идёт не так
• обучение строится вокруг единичных случаев, которые запомнились
• связь между качеством разговоров и воронкой продаж размыта

После:

• все звонки автоматически расшифровываются, по ним формируются короткие резюме и предлагаемые next step, которые сразу попадают в CRM
• система отмечает разговоры с рисками и предлагает короткий список звонков для разбора
• на планёрках обсуждаются не фрагменты как получится, а конкретные паттерны по данным
• в BI видно, как изменения в скриптах отражаются на конверсии, средней длительности разговора, доле звонков без следующего шага

Базовый слой данных и роль Data Pipeline

Вся описанная картина держится на одном фундаменте: данные из разных источников должны быть собраны аккуратно и связаны между собой.

У CyberBrain за это отвечает модуль Data Pipeline. Его задача — не ещё одна интеграция, а единый контур данных для маркетинга и продаж:

• автоматический сбор статистики из рекламных кабинетов, веб-аналитики, CRM, коллтрекинга и других источников
• объединение медийных и performance-каналов, сайта, приложений, CRM и звонков в единую модель данных
• гибкий выбор места хранения: облако, инфраструктура CyberBrain или контур клиента
• возможность использовать привычные BI-инструменты или работать в Excel поверх собранных витрин

Без такого слоя любые ИИ-инициативы в продажах и аналитике превращаются в набор разрозненных экспериментальных решений. С ним — можно строить полноценные сценарии: от анализа маркетинговых кампаний до автоматических отчётов по звонкам и встречам.

К чему всё это сводится

• ИИ снимает с рядовых сотрудников самую монотонную часть работы — оформление итогов, поиск контекста, подготовку протоколов.
• Руководители получают не случайные записи для прослушивания, а системный обзор: какие разговоры и какие паттерны поведения влияют на выручку.
• Международные кейсы показывают конкретные цифры: рост конверсии, сокращение времени выхода на план, экономию тысяч часов труда и снижение нагрузки на контакт-центры.
• Чтобы повторить такие сценарии, нужно собрать стек из CRM, телефонии или коллтрекинга, хранилища данных, сервиса распознавания речи и BI-дашбордов и связать всё это в одну цепочку.
• Базовый слой данных, который обеспечивает Data Pipeline, позволяет не только внедрять ИИ-сценарии в продажах, но и видеть их эффект на уровне всей воронки — от рекламной кампании до выручки.
• Даже при собранном стеке критично иметь внутри человека, который сможет последовательно развивать такие проекты. Как его найти и как выглядит роль внутреннего проводника ИИ-проектов, разбираем в статье Как определить в команде ИИ-энтузиаста: кто способен внедрять искусственный интеллект.