AI-агент для отдела продаж: кейс роста выручки на 38% за квартал

TL;DR

B2B-компания (поставка промышленного оборудования, средний чек 1.8 млн ₽, цикл сделки 2.5 месяца). За квартал внедрения AI-агента в отдел продаж:
– Выручка выросла на 38% при той же команде (5 менеджеров)
– Среднее количество сделок на менеджера — с 4 до 6.3 в месяц
– Время на «холодную» проработку лида сократилось на 71%
– Конверсия лид → демо — с 18% до 31%

AI-агент не «заменял» менеджеров — он закрывал четыре рутинных слоя: квалификация, follow-up, обогащение, подготовка к встрече. Внизу разбор того, что сработало, что нет, и сколько это стоило.

Что было до агента

Компания: дистрибуция промышленного оборудования (станки, измерительная техника), 5 менеджеров продаж, средний чек 1.5–2.5 млн ₽, цикл сделки 8–12 недель.

Симптомы, которые видел собственник:
– Менеджеры тонули в follow-up: на каждого активного клиента — 6–8 «висящих» сделок, которые требуют касания раз в 3–5 дней
– 30% входящих лидов «терялись» — не доходили даже до первого звонка
– Подготовка к встрече занимала 40–60 минут (поднять историю общения, прайс, спецификации)
– Менеджеры не успевали «копать вглубь» — большая часть рабочего времени уходила на админ

Главный сигнал: средний цикл сделки за 2 года вырос с 7 до 11 недель — не потому что клиенты стали думать дольше, а потому что менеджер реагировал медленнее.

Что делает AI-агент (4 функции)

Мы строили агента как «второго пилота», а не как замену. Это важно — попытки сделать «AI-менеджер, который ведёт сделку целиком» в B2B на средних чеках 1.5+ млн ₽ всегда провальны. Подробнее о связке CRM + AI мы писали раньше.

Функция 1: Квалификация входящих лидов

Каждая заявка с сайта, телефона, email обрабатывается агентом в течение 2 минут:
– Поднимает в открытых источниках информацию о компании (выручка, отрасль, регион, поведение в закупках)
– Прогоняет через ICP-фильтр (Ideal Customer Profile)
– Создаёт сделку в CRM с заполненными полями и приоритетом A/B/C
– Сразу пишет менеджеру в Telegram: «Пришёл лид. Тип: A. Что важно: компания закупает у Klingelnberg уже 4 года, контракт заканчивается в декабре. Звонить сегодня до 17:00».

До этого менеджер сам открывал сделку через 2–4 часа, делал «разведку» 15–20 минут, и только потом звонил.

Функция 2: Follow-up по «висящим» сделкам

Каждое утро агент проходит по всем активным сделкам:
– Смотрит, когда было последнее касание
– Сверяется с обещанной датой следующего шага (которую сам и фиксирует после звонка)
– На сделках, где «висим» > SLA, готовит для менеджера сообщение: «Игнат, по сделке с НПО „Метрон“ — обещали прислать спецификации до 25.07, прошло 6 дней. Вот черновик письма, проверь и отправь».

Менеджер тратит на эту проверку 5 минут вместо 40. И не пропускает ни одну сделку — это главный эффект, потому что половина «потерянных» сделок в B2B теряется не на возражениях, а на банальном «забыли перезвонить».

Функция 3: Обогащение перед звонком/встречей

За 30 минут до планируемого касания агент собирает дайджест по клиенту:
– История общения (все звонки/письма/встречи, расшифровки и summary)
– Свежие новости компании-клиента (тендеры, кадровые изменения, выручка)
– Что покупали раньше, какие модели рассматривали, на что были возражения
– Если есть смежные сделки в CRM по этой группе компаний — упоминает

Менеджер открывает Telegram, видит дайджест на полстраницы, готов к встрече за 5 минут. Раньше это была обязательная подготовка на 40–60 минут (которую часто пропускали).

Функция 4: Подготовка КП по шаблону

После встречи менеджер диктует в Telegram: «Клиенту нужны 2 станка модели X, поставка во Владивосток, готов рассмотреть оплату 50/50, обсудить пуско-наладку».

Через 4 минуты приходит готовое КП с подставленными ценами, сроками, схемой логистики и шаблонным текстом. Менеджер пересматривает, правит цифры на месте, отправляет. На КП уходит 10 минут вместо часа.

Архитектура и стек

• CRM: Bitrix24 (уже было, не меняли)
• AI-агент: Claude Sonnet 4.6 для агентных задач, GPT-4o-mini для обогащения, Yandex GPT для генерации текста КП на русском
• Маршрутизация моделей: n8n + кастомный сервис на FastAPI (Python 3.14)
• Обогащение: связки с СПАРК, Контур.Фокус, парсеры открытых источников (тендеры, новости)
• Транскрибация: Whisper large-v3 (на VPS, расходы — копейки) → саммари в Claude
• Каналы коммуникации: Telegram-бот персонально для каждого менеджера + сводный дашборд для РОП

Сборка: 2.5 месяца. Не неделя — потому что промпт-логика отрабатывается на реальных диалогах, и пока агент не «успокоится» на нестандартных кейсах, продакшн нельзя.

Метрики «до/после» (90 дней)

Главное — выручка выросла без расширения штата. Это и есть «не заменить, а усилить»: те же люди закрывают больше сделок, потому что не теряют их в админке.

Что не сработало (и пришлось переделать)

Ошибка 1: попытались автоматизировать сам звонок.
На старте сделали AI-агента, который сам обзванивал «прохладные» лиды (тех, кто не отвечал на письма). Результат: 1 встреча из 80 звонков, репутационные риски (клиенты жаловались на «странного робота»). Откатили. Звонки в B2B на крупных чеках — табу для AI, можно только письма и сообщения.

Ошибка 2: слишком детальные дайджесты перед встречей.
Сначала агент готовил дайджест на 3 страницы — менеджеры всё равно его не читали. Сократили до полстраницы + 3 «ключевых факта» в верху. После этого читать стали все.

Ошибка 3: автоматическая отправка follow-up без подтверждения менеджера.
Хотели сэкономить ещё больше — пусть агент сам шлёт письма по сделкам. В одном случае агент отправил клиенту не тот документ (промпт-логика сбилась на нестандартной структуре сделки). После этого правило: любое исходящее письмо проходит через менеджера, даже на 5 секунд.

Сколько это стоило

Разовые расходы:
– Дискавери и проектирование: 220 тыс ₽
– Интеграция с Bitrix24, обогащением, Telegram: 380 тыс ₽
– Разработка AI-агента (промпт-инжиниринг, тесты, edge cases): 520 тыс ₽
– Обучение менеджеров и РОПа: 80 тыс ₽
– Итого: 1.2 млн ₽

Ежемесячно:
– API LLM (Claude + GPT-4o-mini + Yandex GPT): 48 тыс ₽
– СПАРК / Контур.Фокус для обогащения: 12 тыс ₽
– VPS под Whisper и сервис: 8 тыс ₽
– Поддержка и доработки: 70 тыс ₽
– Итого: 138 тыс ₽/мес

Окупаемость: 1 квартал. Прирост выручки в первом квартале — 24.5 млн ₽ при марже 18% = 4.4 млн ₽ дополнительной чистой прибыли. Если считать по формуле ROI на AI-агент — больше 250% годовых.

Что важно понимать

Этот кейс не «универсальный шаблон». Он работает, потому что:
– Был налаженный отдел продаж с CRM и понятной воронкой
– Менеджеры готовы были использовать инструмент (часть скепсиса на первой неделе, но втянулись)
– Собственник дал 3 месяца — а не «через неделю где результат»
– Чек крупный, цикл длинный — есть что автоматизировать, есть с чего экономить

Если у вас отдел продаж с чеками 30–50 тыс ₽ и циклом 2 дня — стек будет другой, и не факт что AI-агент окупится. Сначала аудит, потом архитектура.

FAQ

Можно ли вообще без CRM?
Нет. AI-агент работает только если в CRM есть структурированные сделки, статусы, история. Без этого ему «не от чего отталкиваться». Если CRM нет — сначала ставим CRM, потом агента.

Сколько занимает обучение менеджеров?
1–2 рабочих дня и 2–3 недели живого сопровождения. Главная сложность — научить менеджера доверять подсказкам агента, но и не считать его непогрешимым.

А если менеджер увольняется — данные не потеряются?
В этом и плюс: вся история общения, все договорённости, все обещания фиксируются автоматически. Новый менеджер за 1 день вкатывается в портфель уволенного.

Не нарушает ли это 152-ФЗ (персональные данные клиентов)?
Данные клиентов (B2B-контакты — ФИО, телефон, email) обрабатываются в Yandex GPT и российской инфраструктуре. Claude используется только на обезличенных задачах (анализ хода сделок без идентификаторов). Подробнее про маршрутизацию LLM под 152-ФЗ.

Возможно ли тиражировать связку на другие B2B-компании?
Каркас — да. Промпт-логика, ICP-фильтр, шаблоны КП — у каждой компании свои и переделываются под нишу. Реалистичный срок внедрения «с переносом каркаса» — 5–6 недель.

Хотите оценить, окупится ли AI-агент в вашем отделе продаж? Напишите — посчитаем экономику на ваших цифрах (без воды, с реалистичным прогнозом).