ИИ в продажах: 30 сценариев применения от лида до повторной продажи

Это полезно, но это меньше десятой доли того пути, который проходит клиент — от первого попадания в базу до повторной покупки через год. Проблемы и ручной труд есть на каждом из этапов этого пути, просто большая их часть остаётся незамеченной, потому что никто не садился и не выписывал их по порядку.

Ниже — тридцать сценариев, сгруппированных по шести этапам: от поиска лида до удержания клиента после сделки. Большая часть описанного здесь — не теория, а реально работающая практика внутри компаний, использующих AI Business Box: названия моделей, рабочие результаты и честные оговорки там, где эффект пока не измерен, взяты из внутренних данных, а не придуманы для статьи. Отдельные сценарии — общепринятая практика на рынке, и это прямо оговорено.

Этап 1. Лид: найти и выйти на контакт

Путь клиента начинается не с разговора, а с того, что кто-то вообще должен понять, кому звонить.

1. Поиск целевых компаний по заданным критериям. Вместо того чтобы вручную пролистывать открытые источники и сводить список в таблицу, критерии — отрасль, масштаб, регион — передаются модели, которая формирует исходный перечень предприятий для дальнейшей проверки. В рабочей практике для этого используют DeepSeek и ChatGPT, а результат служит отправной точкой для отдела продаж и телемаркетинга.

2. Поиск контактных данных и лиц внутри компании. Сайты, телефоны, ФИО и другие исходные контакты по компании и ИНН ищутся через ChatGPT и Google Gemini, а для простого поиска без VPN — через DeepSeek. Подтверждённый эффект — контактные данные находятся быстрее, чем при последовательном ручном поиске по нескольким источникам, хотя результат всё равно требует проверки перед звонком.

3. Предварительная приоритизация лида по открытым данным. Это уже более общая рыночная практика: прежде чем звонить, модель на основе доступной информации о компании — размер, недавние новости, вакансии — оценивает вероятную готовность к покупке и помогает решить, кому звонить в первую очередь, а кто подождёт.

4. Исследование и выбор решения для автоматического дозвона. Прежде чем внедрять автодозвон, стоит сначала изучить варианты: в одной из рабочих практик ChatGPT и DeepSeek использовались именно для исследования рынка решений и формулирования требований — честно говоря, на момент последней проверки окончательное внедрение ещё не было подтверждено, и это нормальный, рабочий статус для такой задачи.

5. Персонализированный первый заход и база отработки возражений. Формулировки холодного контакта — под конкретную компанию и должность адресата — и набор ответов на типичные возражения обновляются и расширяются с помощью ChatGPT и специализированных GPT-агентов. Менеджер получает не готовый сценарий для зазубривания, а набор вариантов, которые сам отбирает и адаптирует под разговор.

Этап 2. Подготовка к встрече

Между первым контактом и разговором есть окно, в котором решается, насколько менеджер будет выглядеть подготовленным.

6. Ассистент подготовки к клиентской встрече. В ChatGPT Work на основе материалов о продукте создан ассистент, которому достаточно ответить на восемь вопросов о предстоящей встрече — и он формирует сведения о компании клиента, гипотезы потребностей, карту участников, список вопросов, позиционирование, сценарий разговора и одностраничную шпаргалку. Решение проверено не в теории, а на реальной встрече с клиентом.

7. Поиск новых сценариев и углов позиционирования под конкретного клиента. Когда стандартный заход не подходит под ситуацию, вопросы задаются сразу нескольким моделям — Алисе, NotebookLM, ChatGPT, — а полученные варианты сопоставляются с контекстом клиента. Сотрудник получает дополнительные идеи и сам отбирает применимые формулировки.

8. Подготовка презентации из разрозненных исходных материалов. Факты, отчёты, бриф или проектный контекст передаются модели для сборки структуры, а затем материал оформляется в Gamma. В одном из случаев таким образом за один заход собрали управленческий отчёт-презентацию по шести смысловым блокам с графиками — вместо нескольких дней ручной вёрстки.

9. Брендбук и фирменный шаблон как опорный актив. ChatGPT Work проанализировал сайт компании и самостоятельно сформировал брендбук, а по дополнительному запросу — фирменный бланк. Результат использовался уже несколько раз, в том числе при подготовке презентаций для клиентов — то есть окупился не на разовой задаче, а как переиспользуемый актив.

10. Интерактивная диагностика клиента с автоматическим предложением. Более сложный сценарий: в Claude по продуктовой презентации создана интерактивная страница с вопросами, шкалой прогресса и примерами, которую можно показать клиенту прямо на встрече. По мере ответов клиента формируются исходные данные для будущего коммерческого предложения — диагностика и сбор вводных происходят одновременно, а не последовательно.

Этап 3. Переговоры и фиксация итогов

Сам разговор — самая короткая часть цикла сделки, но именно здесь теряется больше всего, если его не зафиксировать как следует.

11. Транскрибация встречи и подготовка протокола. Запись встречи загружается в NotebookLM, ChatGPT, Gemini или специализированного GPT-агента «Протоколист» для расшифровки и подготовки черновика протокола с задачами и договорённостями. Сотрудник обязательно вычитывает формулировки перед рассылкой, но сама черновая сборка больше не требует вечера работы.

12. Разбор расширенных встреч: вопросы, участники, точки продолжения. На крупных встречах и клиентских обучениях легко потерять, кто что спросил и кому нужно будет ответить отдельно. NotebookLM разбирает запись и стенограмму, отдельно выделяя вопросы и участников, чтобы к ним можно было вернуться персонально после встречи.

13. Систематизация материалов по клиенту в единую базу. Разрозненные документы, переписка и записи встреч по одному проекту загружаются в NotebookLM, который становится постоянным источником для последующих задач. Сотрудник регулярно возвращается к этой подборке вместо того, чтобы каждый раз заново искать нужный файл среди папок и чатов.

14. Тренировка менеджеров на AI-симуляторе переговоров. Отдельная история — не разовая подготовка, а постоянная тренировка: в симулятор загружены реальные звонки с типичными возражениями, регламенты и портрет клиента, а ИИ в разговоре с менеджером играет роль скептичного покупателя. При двух-трёх пятнадцатиминутных сессиях в неделю один из менеджеров за семь дней поднял оценку переговорных навыков с 42 до 75 баллов, а эффективность переговоров выросла на 34%.

15. Разбор состоявшихся звонков и улучшение сценария. Запись реального разговора передаётся в ИИ для расшифровки и критического разбора — сравнивали ChatGPT и GigaChat — а на выходе менеджер получает рекомендации по вопросам и ходу беседы, которые отбирает с учётом формата короткого звонка. В паре с тренажёром из пункта 14 это закрывает полный цикл: готовность к разговору вообще и разбор того, что произошло в конкретном случае.

Этап 4. Предложение и закрытие сделки

После разговора наступает момент, когда договорённости нужно превратить в документ, который клиент готов подписать.

16. Персонализированное коммерческое предложение по стенограмме встречи. Самый яркий сценарий в этой группе: стенограмма встречи загружается в ChatGPT, модель самостоятельно выделяет озвученные клиентом потребности, боли и критерии принятия решения, а затем по голосовым указаниям сотрудника собирает многостраничное предложение — с несколькими направлениями работы, критериями результата и содержанием этапов. Менеджеру остаётся внести точечные правки, а не писать документ с нуля, держа в голове весь разговор.

17. Сборка составных документов из нескольких исходников. Письмо, техническое задание, приложение к договору — любой документ, который должен объединить несколько разрозненных материалов, передаётся в ChatGPT вместе с указанием адресата и цели. Получается структурированный черновик, который сотрудник доводит до рабочего состояния, а не собирает вручную по кусочкам.

18. Сравнение моделей при обработке рабочих документов. Не каждая задача требует одной и той же модели: в части сценариев для документов без отдельной зарубежной подписки используют GigaChat и сравнивают результат с другими вариантами. Важная деталь честности — для подготовки технических заданий эту модель сознательно не используют из-за риска получить некорректные требования, и такое признанное ограничение инструмента ценнее слепой веры в его универсальность.

19. Excel-панель анализа сделок с автоматическим пересчётом. В ChatGPT переданы таблицы и скриншоты из корпоративной CRM-системы, на основе которых собран файл с формулами и аналитическими панелями: при изменении вероятности сделки или суммы показатели пересчитываются автоматически, а не вручную при каждом обновлении прогноза.

20. Отчёты и дашборды по данным CRM. Данные из CRM и других источников передаются в настроенные проекты ChatGPT или Claude с заданными требованиями к периоду и стилю оформления — модели удерживают контекст проекта между запросами, и отчёт не нужно каждый раз объяснять заново с нуля.

Этап 5. После сделки: удержание и повторная продажа

Путь клиента не заканчивается подписанным договором, но именно этот участок обычно получает меньше всего внимания при обсуждении ИИ в продажах.

21. Анализ жалоб и обращений в CRM для поиска системных проблем. В одном из кейсов AI Business Box анализ потока клиентских обращений, на который раньше уходил час ручного чтения переписки, стал занимать около минуты — а главное, вместо разбора одной жалобы стало видно, какие проблемы повторяются у разных клиентов систематически.

22. Составное письмо по нескольким продуктам для допродажи. Когда клиенту нужно предложить сразу несколько направлений, презентации по каждому продукту загружаются в NotebookLM с просьбой объединить их в одно адресное письмо — вместо того чтобы вручную компоновать три разных документа в один связный текст.

23. Разметка звонков смысловыми тегами для масштабируемой аналитики. Это уже не разовый разбор, а инфраструктурная задача: команда внедряет SpeechSense для анализа звонков и выводит показатели в DataLens, а сами смысловые теги для разметки итерационно дорабатываются с помощью DeepSeek. На выходе — не вывод по одному звонку, а контур, который можно масштабировать на весь поток обращений.

24. Выявление сигналов для кросс-продажи по истории взаимодействия. Рыночная практика, которая логично продолжает предыдущий пункт: если данные о звонках и переписке уже размечены, по ним можно искать не только проблемы, но и моменты, когда клиент сам упоминал смежную потребность, которую стоит предложить закрыть отдельным продуктом.

25. Ранние признаки снижения интереса клиента. Также общепринятая, но пока не описанная во внутренней практике задача: сокращение частоты заказов, более холодный тон переписки или участившиеся обращения в поддержку можно анализировать как ранний сигнал оттока — раньше, чем это станет заметно по факту потерянной сделки.

Этап 6. Управление отделом и инфраструктура

Последняя группа сценариев — не про отдельную сделку, а про то, как отдел продаж работает как система.

26. Технические задания и заявки на доработку по итогам встреч. Конспекты встреч с обсуждением доработок системы загружаются в нейросеть, которая помогает сформировать текст заявки для разработчиков — раньше использовался внутренний составитель, сейчас для этого применяют DeepSeek, а результат дополнительно обсуждается с разработчиками перед запуском в работу.

27. Прогноз выполнения плана продаж по данным воронки. Рыночная практика: модель на основе истории конверсии по этапам воронки и текущего наполнения CRM может спрогнозировать вероятность выполнения плана до конца периода — не заменяя решение руководителя, но давая более раннее предупреждение, чем традиционный отчёт по факту месяца.

28. Автоматическое распределение лидов между менеджерами. Ещё один общепринятый сценарий: вместо ручного или произвольного распределения входящих заявок модель может учитывать загрузку, специализацию и историю успеха конкретного менеджера с похожими клиентами.

29. Ассистент-календарь для назначения встреч. Рыночная практика, которая снимает рутинную переписку «когда вам удобно» — ассистент сверяет доступные окна в календарях обеих сторон и предлагает варианты, не вовлекая менеджера в ручное согласование времени.

30. Накопительная база возражений и аргументов отдела. Логичное завершение всей цепочки: если звонки размечены по типу возражений (пункт 23), встречи зафиксированы в протоколах (пункт 11), а разборы звонков дают рекомендации (пункт 15), эти данные можно собирать не как разрозненные отчёты, а как постоянно пополняемую базу — следующий менеджер уже не начинает с нуля, а опирается на то, что сработало у всей команды.

Почему это работает как система, а не как список

Если посмотреть на все тридцать сценариев сразу, видно, что они не существуют поодиночке. Ассистент подготовки к встрече из второго этапа становится полезнее, если на третьем этапе есть куда положить протокол этой встречи. Разбор звонков с пятнадцатого пункта даёт управленческий эффект только тогда, когда его результаты попадают в ту же базу, что и разметка из двадцать третьего. Компания, которая внедряет один инструмент из этого списка и останавливается, получает точечное ускорение. Компания, которая соединяет несколько сценариев в последовательность — как это происходит в кейсах, на которые эта статья ссылается, — получает систему, которая работает на каждом этапе пути клиента, а не только там, где было удобнее всего начать.

Не обязательно внедрять все тридцать сразу. Разумная точка входа — тот этап, где руководитель отдела продаж уже видит проблему своими глазами: лиды теряются на входе, встречи проходят без подготовки, договорённости забываются, а повторные продажи никто системно не отслеживает.