ИИ оценивает клиентов и объясняет риски в B2B-продажах

Агент создали для отдела B2B-продаж, который вёл клиентскую базу. Сотрудник мог спросить, как идут продажи по сравнению с планом, какого объёма потенциальных сделок не хватает до выполнения плана и каким клиентам нужно уделить внимание. Система показывала пять клиентов с лучшими или худшими показателями, приводила цифры и рассчитанный уровень риска. [1]

В кейсе речь идёт об анализе продаж и выборе клиентов, которым стоит уделить внимание. Агент не рассылал предложения, не менял цены и не продлевал договоры самостоятельно. Решение по каждому результату принимали сотрудники.

Частое использование показывает, что сотрудники готовы задавать вопросы агенту. Объяснение расчётов помогает им проверить ответ и при необходимости с ним не согласиться.

В описанной системе расчёт показателей отделён от подготовки ответа. Для каждого показателя заранее задали отдельный запрос, который записывал результат в общую таблицу. Агент читал уже рассчитанные значения. Вместе с ответом он показывал исходные данные, применённые фильтры, способ объединения цифр и оценку уверенности. [1]

Уровень риска по клиенту учитывал три признака: изменение активности, близость продления договора и колебания расходов. Оценку пересчитывали при ежедневном обновлении данных. Автор не раскрыл поставщика модели, промпты, технологию базы данных или точную формулу оценки риска.

Заданный расчёт → уровень риска → объяснение ИИ. Правила и исходные данные доступны для проверки.

Схема показывает описанный подход, а не реальную формулу или устройство хранения данных. Вес каждого признака и пороговые значения автор не опубликовал.

Перед общим запуском сотрудники и руководители отделов продаж из нескольких регионов проверили, понятны ли объяснения и полезны ли рекомендации. Их отзывы учли при доработке. Это подтверждает, что систему тестировали заранее, но не доказывает, что именно тестирование стало причиной её дальнейшего использования. [1]

По данным Aakash Nagare, в первую неделю агентом пользовались 85% сотрудников, а к пятой неделе — 90%. Это выше цели команды в 70%. Агенту направляли 82% вопросов по аналитике продаж. Использование Tableau и Power BI при этом сократилось в среднем на 68%. [1]

Первые два значения показывают долю сотрудников, третье — долю запросов по аналитике продаж. Эти показатели описывают использование системы, но сами по себе не измеряют производительность.

75% пользователей сообщили, что, по их ощущениям, стали тратить примерно на 30% меньше времени на сбор сведений. Это субъективная оценка, а не результат замера времени. Система также получила F1 0,89 за подготовленные аналитические выводы. F1 объединяет точность и полноту результатов; его нельзя трактовать как гарантию «89% правильных ответов». [1]

Автор описал несколько видов проблем. Примерно в 7% запросов система выдавала правдоподобные цифры без надёжного подтверждения данными. Такие ошибки чаще возникали в вопросах о нескольких клиентах, у которых не совпадали отчётные периоды. [1]

Эти доли описывают разные ситуации при обработке запросов. Из источника неясно, пересекаются ли категории. Примерно 3% всех запросов были отклонены для защиты конфиденциальных данных клиентов. Они входят в 5% отказов, а не прибавляются к ним. [1]

Объяснение расчёта помогает проверить ответ, но само по себе не предотвращает ошибки при объединении данных, несовпадение отчётных периодов и появление неподтверждённых цифр. Для проверки нужны эталонные данные и возможность найти ошибку в исходных расчётах.

Автор не указал точное число проверенных запросов, порог уверенности или классификацию ошибок, подтверждённую независимым аудитом. Эти сведения нужны, прежде чем использовать долю ошибок в 7% как ориентир для другого внедрения.

После запуска 45% пользователей перестали ежедневно пользоваться Tableau или Power BI. Остальные 55% продолжали к ним обращаться. Часто им требовались функции за пределами возможностей агента: нестандартные графики за несколько кварталов или готовые материалы для презентаций совету директоров. [1]

Только 60% сотрудников прошли расширенный учебный модуль по составлению запросов. Автор отмечает, что неполное обучение совпало с трудностями при неоднозначных вопросах. Но это не доказывает, что недостаток обучения стал причиной каждой такой ошибки. [1]

Сотрудники могут использовать ИИ для подходящих ему задач и сохранять привычные инструменты для остальных. Это тоже вариант успешного внедрения.

Для повторения подхода важнее подготовить данные и правила работы, чем выбрать бренд агента. У каждого показателя должно быть точное определение. ИИ нужны права на получение нужных данных, сведения для объяснения ответа и возможность сообщить, что надёжного ответа нет.

Это рекомендации Maak.Digital по применению подхода. Они не описывают точный набор технологий внедрения: автор его не раскрыл.

Кейс опубликован в Selling Power 27 октября 2026 года. Его автор Aakash Nagare работает старшим аналитиком по организации продаж в Uber. Компания, в которой внедрили агента, не названа. Поэтому ни внедрение, ни результаты нельзя приписывать Uber. Независимый аудит, контрольная группа и полное техническое описание в публикации отсутствуют. [1]

Доступ к системе всем предоставили одновременно, поэтому сравнить результаты с использованием ИИ без объяснений не удалось. Автор прямо предупреждает: нельзя считать доказанным, что сотрудники начали пользоваться системой именно благодаря прозрачности. Возможен и эффект новизны: около 10% первых пользователей стали обращаться к агенту реже после первого месяца. [1]

Публикация не доказывает, что агент улучшил результаты по продлению договоров, выручке или выполнению плана продаж. Ни субъективная экономия времени в 30%, ни F1 0,89 сами по себе не показывают окупаемость.