Сотрудники коммерческих подразделений используют генеративные языковые модели, чтобы ускорить работу и оптимизировать рутину, но оказывается, что общедоступные нейросети не просто бесполезны, но даже ведут к прямому ущербу для бизнеса. Обсудим, какое место занимают ИИ-инструменты в длинных проектных сделках с технически сложным продуктом.
Почему нельзя полагаться на чат-боты в B2B-продажах
Менеджеры привыкли использовать инструменты искусственного интеллекта для подготовки коммерческих предложений, писем и анализа клиентов. На экране появляется стройный, гладкий и убедительный текст. Продавец испытывает ложное облегчение, отправляет документ заказчику или идет на встречу, а через месяц выясняется, что контракт отдан конкуренту.
Дело в том, что нейросеть обучена воспроизводить статистически вероятные фразы. Текстовый генератор охотно выдает общие рассуждения о надежности, взаимной выгоде и партнерстве, но совершенно не учитывает реального положения дел на объекте заказчика: скрытые конфликты интересов, риски срыва сроков, кассовые разрывы или наличие дешевого серого аналога, который снабжение уже внесло в план закупки.
Стремление переложить подготовку решений на универсальный алгоритм усыпляет бдительность. Менеджер перестает глубоко исследовать ситуацию, полагаясь на связный текст, лишенный предметного содержания. Чтобы технологии не плодили иллюзии, коммерческому блоку необходимо разделить работу с данными на два методически обоснованных контура: глубокую доказательную разведку реального рынка и практический переговорный полигон.
Ограничения открытых алгоритмов: вера в декларации вместо фактов
Проблема в том, что типовые языковые модели воспринимают любые публичные заявления компаний за доказанную истину. Если на сайте поставщика написано «ведущий производитель» или «собственный завод полного цикла», нейросеть принимает эту информацию за чистую монету и транслирует ее как объективный факт.
В реальном промышленном секторе маркетинговые декларации и действительность регулярно расходятся. Для объективной оценки рыночного поля требуются жесткие аналитические правила, исключающие домысливание:
- Полная изоляция самодеклараций. Любые сведения с сайтов, брошюр и каталогов обязаны классифицироваться как неподтвержденные гипотезы самого низкого уровня доказательности. Статус производителя или разработчика подтверждается исключительно независимыми реестрами, техническими свидетельствами профильных ведомств, протоколами испытаний и сертификатами соответствия.
- Разделение цифровой видимости и реальной доступности. Наличие наименования продукта в онлайн-каталогах не доказывает возможность его системной поставки. В B2B-сегменте критично отслеживать статус канала: официальная дистрибуция, параллельный импорт с нерегулярным плечом доставки или единичные складские остатки. Предлагать клиенту решение без гарантированного канала поставок – прямой путь к срыву проектных обязательств.
- Понимание центров влияния и риска пересогласования. Включение бренда в проектную документацию на этапе проектирования не гарантирует фактической покупки. Подрядчик или специалист по закупкам на любом этапе предпримет попытку заменить позицию на более маржинальный аналог. Без понимания финансовой мотивации каждого участника сделки продавец неизбежно столкнется с внезапным сломом спецификации.
Инженерный и доказательный подход к анализу рынка позволяет очистить воронку продаж от домыслов сотрудников. Однако даже самая точная доказательная база не принесет результата, если менеджер теряется при прямом контакте с оппонентом.
Зачем нужна жесткая практика переговоров
Корпоративные тренинги в аудиториях часто страдают академизмом. Менеджеров обучают методикам выявления потребностей, техникам работы с возражениями, но в переговорной комнате под давлением жесткого оппонента продавец мгновенно сваливается в оправдания и раздачу скидок. Знать теорию и применять ее в условиях стресса – разные компетенции. Настоящим профессионалам неинтересны абстрактные задачи или вымышленные кейсы. Развитие переговорной устойчивости строится на совершенно других принципах:
- Привязка к реальной сделке. Практика эффективна только тогда, когда предметом разбора становится настоящий проект, который прямо сейчас буксует на этапе согласования. Продавец раскладывает реальную карту влияния, отделяет проверенные факты от собственных предположений и намечает следующий измеримый шаг.
- Спарринг с профессиональным сопротивлением. Тренировочная среда не должна поддакивать сотруднику. Модель диалога обязана отыгрывать циничного и недоверчивого стейкхолдера: главного инженера, метролога, финансового директора или руководителя закупки. Задача оппонента – атаковать слабые места в расчетах, указывать на эксплуатационные риски и проверять границы ценовых уступок.
- Безопасное право на ошибку. Продавцу необходимо место, где он может совершить десяток промахов, проверить разные варианты формулировок и увидеть последствия неверных шагов, не рискуя контрактом на десятки миллионов рублей.
Регулярная калибровка переговорных навыков до выезда к заказчику радикально снижает процент проигранных сделок. Менеджер выходит на встречу не с заученными фразами из презентации, а с четким пониманием рисков клиента и набором аргументов.
Как оценивать зрелость управления сделками
Ключевой задачей для руководителей становится перевод работы отдела продаж из плоскости эмоциональных отчетов в плоскость измеримых операционных фактов:
- Прекращение работы по догадкам. Запись в CRM «клиент лоялен, все нравится» должна расцениваться как отсутствие данных. Единственным подтверждением прогресса являются встречные действия заказчика: согласование технического задания, предоставление исходных данных, назначение совместной защиты сметы или подписание протокола разногласий.
- Сохранение маржинальности вместо борьбы скидками. Если продавец понимает ограничения проекта и риски клиента, он защищает базовую цену технологическими аргументами, а не торгуется за процент уступки с закупочным комитетом.
- Контроль квалификации сделки на ранних этапах. Отсечение бесперспективных запросов и проверка доступности оборудования до выставления коммерческого предложения экономят сотни рабочих часов инженеров и сметчиков.
Выводы
Сложные B2B-продажи не прощают поверхностного отношения и слепой веры в алгоритмы. Технологии приносят измеримую отдачу, когда встроены в строгую систему: сначала проводится бескомпромиссный аудит фактов по сделке, а затем переговорная позиция проходит стресс-тест в безопасной тренировочной среде. В таком тандеме коммерческая служба перестает надеяться на удачу и начинает системно управлять результатом.
Также читайте:
Очень хорошая статья получилась. Особенно качественно в первой части описана природа рисков работы ИИ - ее нужно очень хорошо понимать всем, кто пытается использовать генеративные модели в клиентских коммуникациях.
Я бы сказал, что ИИ не "вредит" продажам, но может очень сильно "подставить", если его использование оказывается бесконтрольным и с фанатичной верой в правильность модели.
Антон, добрый день!
Спасибо. Очень точная формулировка — именно «подставить».
Сам по себе ИИ в продажах для меня не проблема. Проблема начинается там, где человек перестаёт проверять контекст, факты и логику ответа и начинает относиться к модели как к эксперту, который «знает лучше».
Особенно опасно это в клиентской коммуникации: одна уверенно сформулированная, но неверная деталь может стоить доверия, которое до этого строили месяцами.
Поэтому я скорее за связку: ИИ помогает думать, искать варианты и проверять гипотезы, но ответственность за решение и слова перед клиентом остаётся у человека.
Спасибо, что отдельно подчеркнули именно этот момент.
в этом и есть универсальный риск исользования ИИ практически в любой области где нужна реальная экспертиза
А вот здесь и таится основная угроза: ИИ часто используют и для обогащения экспертизы, поскольку иначе может потребоваться долго читать профильную литературу. Если это срабатывает пару-тройку раз, решение входит в состав тиражируемых, что приводит к постепенной деградации контроля.
С другой стороны, загружаемая в модели информация используется для дообучения самих моделей, что со временем нивелирует разницу ожидаемого и получаемого результатов. На ранних этапах развития генеративного ИИ было показано, как можно убедить модель в том, что произведение двух двоек равно пяти - ИИ еще и извинялся, что был неправ.
Реальная экспертиза стоит за людьми с релевантным опытом, поэтому именно их нужно выискивать на рынке, а не полагать, что тандем ИИ и просто практика из индустрии, но без глубокой экспертизы, может оказаться решением. Это - очень тонкое различие, которое, тем не менее, может носить критический характер для бизнеса.
Николай, добрый день!
Да, и я сейчас как раз довольно глубоко упёрся в эту проблему на практике.
Я собираю собственный ИИ-инструмент для инженерной и проектной работы с конкурентами, маркетингом, изготовителям и поставщиками или просто ветриной или SEO.
Причём со временем понял интересную вещь: научить модель выдавать хороший ответ оказалось гораздо проще, чем научить систему вовремя запрещать ей отвечать.
Поэтому я в итоге ушёл от идеи «сделаем очень хороший промпт». Сейчас логика построена иначе.
Есть отдельный источник правил — и другие части системы не имеют права эти правила самостоятельно дописывать или «улучшать». Отдельно работает маршрутизация задачи. Отдельно исполнение и проверка. Отдельно формируется вывод.
Причём принципиально разделены права: например, исполнитель может анализировать данные, но не может сам изменить правила анализа. А слой, который формирует красивый ответ пользователю, не имеет права сделать вывод сильнее, чем позволяют найденные данные.
И ещё одно правило, которое для меня стало, наверное, главным: если данных нет — это GAP, а не приглашение модели логично их достроить.
Плюс внутри есть отдельный цикл критика: результат проходит проверку, поиск пробелов, при необходимости возврат на дополнительный поиск — и только потом разрешается выдача. Сам процесс у меня разделён как discovery → filter → validation, с отдельными stop conditions и release discipline.
В итоге я для себя сформулировал совсем простой принцип:
если выбор стоит между «красиво и логично» и «доказуемо» — система обязана выбрать доказуемое.
И вот после этой работы я совершенно иначе смотрю на фразу «ИИ ошибается». Сам факт ошибки не самое страшное. Самое опасное — когда модель заполняет неизвестное правдоподобной конструкцией, красиво её формулирует, а человек уже не видит границы между фактом, гипотезой и выдумкой.
Поэтому сейчас для меня хороший ИИ-инструмент — это не тот, который всегда способен что-нибудь ответить. Иногда признак хорошо построенной системы как раз в том, что она умеет сказать: «доказательств недостаточно, дальше не выпускаю».
И, огромное спасибо, про наш телефонный разговор - посмотриел иначе на свой ИИ тренажер и возможнуюю его продажу.
Согласен.
Вот здесь полностью согласен. И у меня как раз есть практический пример того, о чём вы говорите.
Я довольно долго делал с ИИ калькулятор опор для инженерных систем. Саму предметную область я знаю, но без ИИ вряд ли стал бы самостоятельно превращать эти знания в полноценный работающий инструмент.
При этом ИИ не дал мне эту экспертизу. Наоборот — пришлось долго объяснять ему логику расчёта, проверять формулы, исходные данные, справочники и ловить места, где он пытался достроить что-то «логичное» от себя.
Зато теперь инструмент можно использовать в разных ситуациях. Иногда ещё до выезда на объект — например, по размерам здания, длинам трасс и базовым исходным данным можно предварительно прикинуть объём опор и понять порядок решения. А уже на самом объекте — уточнить вводные и получить более точную картину.
То есть раньше для такой предварительной оценки пришлось бы отдельно подключать инженера-проектировщика и проходить больше ручных шагов. Теперь часть этой работы можно сделать значительно быстрее.
И вот здесь я как раз особенно почувствовал вашу мысль: ИИ хорошо усиливает уже имеющуюся экспертизу, но не создаёт её вместо человека.
Если бы я сам не понимал, что именно должен считать калькулятор и где результат выглядит подозрительно, с тем же ИИ можно было бы просто быстрее сделать красивую, но неверную вещь.
Начнем с того, что ИИ действительно во многих случаях «знает лучше».
Такие уж люди не сильно сообразительные.
А то, что он знает всякую хрень, так и люди такие же, он же у них учится.
Поэтому к выбору ИИ нужно относиться как к выбору консультанта-эксперта.
Вы же не будете покупать калькулятор, который считает примерно или делает ошибки.
Мне кажется, интересным побочным эффектом использования ИИ станет то, что люди будут более критично относиться к исходным данным.
И, возможно, даже начнут сомневаться в истинности идей, которые привыкли считать правильными.
Применение ИИ может сказаться гораздо глубже на сознании людей, чем про это думают сейчас.
Ну а то, что он «погубит» часть человечества, так люди и без него с этим неплохо справляются.
Вот-вот, хороший калькулятор всё-таки лучше...
Впрочем, людей тоже много в чём убедить, были бы деньги да интерес, это «маркетинг» называется.
С людьми та же проблема, выдают свои галлюцинации и предположения за экспертизу.
Отлично, что ИИ вскрыл это.
Людей тоже надо учить этому, а то в погоне за популярностью чего только не договорят.
А еще важнее научить слушателей видеть, что в сообщениях доказано, а что просто красивые слова и ссылки.
Думаю, что можно обе версии представлять, чтобы человек учился видеть разные варианты, это поможет ему также видеть доказанность в словах других людей.
Ну и в некоторых случаях «красиво и логично» может быть использовано, в продажах, например.
Николай, добрый день! С одной частью соглашусь: ИИ действительно во многих областях может знать больше конкретного человека, и его сильная сторона как раз в том, что он заставляет перепроверять привычные ответы и собственные убеждения.
Но вот с аналогией с калькулятором я бы поспорил. Калькулятор решает формализованную задачу по заданному алгоритму. Генеративная модель строит наиболее вероятный ответ из контекста, и именно поэтому может очень уверенно сказать то, что звучит логично, но не подтверждается фактами.
Для меня проблема не в том, что ИИ иногда ошибается — люди тоже ошибаются. Проблема начинается там, где исчезает граница между фактом, гипотезой и правдоподобно сформулированной версией.
А вот мысль про более критичное отношение людей к исходным данным мне нравится. Возможно, это действительно один из самых полезных побочных эффектов массового использования ИИ: мы наконец начнём чаще спрашивать не «красиво ли звучит?», а «откуда мы это знаем?»