5 кейсов внедрения AI в отдел продаж — без маркетинговой воды. Где зашло, где не зашло, и почему. Цифры, сроки, что бы мы переделали в каждом проекте, если бы запускали заново. Все клиенты под NDA, поэтому имена компаний скрыты — но цифры реальные.
Кейс 1: Застройщик МКД (СПб) — рост конверсии 24% за 2 месяца ✅
Контекст: застройщик с 200+ заявками в неделю с Яндекс.Директ + Avito. 6 менеджеров продаж, средний чек 8 млн ₽, цикл 2-4 месяца. Боль: 30-40% «горячих» лидов уходили к конкурентам, потому что менеджер не успевал среагировать в первый час.
Что внедряли: лид-квалификатор в WhatsApp + речевая аналитика звонков с авто-эскалацией РОПу при «триггерных» фразах ("уйду к другому", "дорого", "подумаю").
Результат за 2 месяца:
- Время реакции на лид: 47 минут → 3 минуты (бот забирает разговор сразу)
- Конверсия из заявки в встречу: 18% → 27%
- Конверсия из встречи в сделку: 22% → 24%
- Итого: рост сделок +24% при том же бюджете на трафик
Что бы переделали: сразу подключать речевую аналитику, не через месяц. РОП первый месяц жил «по ощущению», и мы потеряли несколько крупных сделок которые можно было бы спасти.
Кейс 2: B2B IT-аутсорс — экономия 1 ставки техдира на пресейле ✅
Контекст: компания разработки на заказ, 30-50 заявок в месяц, чек от 500 тыс до 5 млн ₽. Проблема: техдир тратил 60% времени на «холодные» разговоры с заявками которые не подходили (бюджет, технологии, сроки).
Что внедряли: бот-квалификатор на сайте задаёт 6 вопросов перед записью на встречу: бюджет, технологии, тайминг, объём команды клиента, опыт работы с подрядчиками, что попробовали раньше. На основе ответов автоматически кладёт лид в одну из трёх воронок — «горячий-к техдиру», «тёплый-к аккаунту», «не подходит-CRM only».
Результат за месяц:
- Доля «качественных» встреч техдира: 35% → 78%
- Часы техдира на пресейл: 80 → 30 в месяц
- Оборот вырос на 18% за счёт того, что техдир переключился на стратегические переговоры
Что бы переделали: добавили бы автоматическое обогащение лида по ИНН (выручка, отрасль, размер) — это бы добавило 10-15% к точности квалификации.
Кейс 3: Сеть медицинских клиник — снижение no-show на 30% ✅
Контекст: 12 клиник в Москве, общая запись 800-1200 пациентов в день. Проблема: 22-25% не приходили на запись (no-show), на дорогих специалистах (МРТ, КТ) — простой оборудования.
Что внедряли: голосовой бот за 24 часа до приёма звонит с подтверждением. Пациент жмёт «1» — да приду, «2» — перенести. При «2» бот сразу предлагает 2 ближайших окна, переписывает в CRM, освобождает изначальный слот для других.
Результат за 3 месяца:
- No-show: 24% → 16% (-33% относительный)
- Утилизация дорогостоящего оборудования: 71% → 83%
- ФОТ на администраторов: -1 ставка (бот закрыл напоминания)
Что бы переделали: запустили бы сразу с интеграцией в МИС, а не через CSV. Первый месяц синхронизация была ручная, теряли время.
Кейс 4: Онлайн-школа программирования — пилот закрыли через 4 месяца ❌
Контекст: школа с 4-недельным курсом, чек 50 тыс ₽, 200-300 заявок в месяц. Хотели бот-продавец, который ведёт всю воронку от первого касания до оплаты.
Что пошло не так:
- Аудитория молодая (18-25), привыкла к коротким сообщениям и эмодзи. Наш бот говорил «по делу» — оттолкнул половину.
- Цикл принятия решения короткий (2-5 дней), но эмоциональный — нужен живой человек на этапе «сомнений», а не бот.
- Конкуренты в нише уже выгорели на «продающих» ботах, аудитория стала их игнорировать.
Метрики: бот закрывал 8% сделок vs 15% у живого менеджера. ROMI отрицательный, проект свернули.
Урок: для эмоциональных коротких сделок с молодой аудиторией бот-продавец не работает. AI лучше использовать на бек-офисе (расшифровка, аналитика), а продавать должны люди.
Кейс 5: Завод-производитель спецтехники — частичный успех 🟡
Контекст: завод по производству промышленных установок, чек от 2 млн до 20 млн ₽, 50-80 заявок в месяц, цикл сделки 3-9 месяцев, очень технические переговоры.
Что внедряли: речевая аналитика звонков с автозаполнением технических полей в карточке сделки (мощность, тип, материал, объём).
Результат за 6 месяцев:
- Заполненность техкарточек в CRM: 60% → 92% (плюс)
- Качество прогноза продаж: точность повысилась с 65% до 82% (плюс)
- НО: точность распознавания технических терминов 78% — нужна ручная коррекция, которая ест экономию (минус)
Урок: для очень специализированной лексики стандартный ASR недостаточен. Нужен fine-tuning на 200+ часов отраслевых записей — это +500 тыс ₽ к проекту, что для завода с 50 заявок/мес не окупается. Если бы заявок было 500+/мес — окупилось бы за 2-3 месяца.
Главные выводы из 5 кейсов
- AI работает там, где есть массовость. 100+ заявок в неделю — окупается. 30-50 — на грани. Меньше — нет.
- Бек-офисные задачи (анализ, маршрутизация, заполнение CRM) почти всегда плюс. «Продающий» бот — лотерея, зависит от аудитории.
- Длинные сложные циклы (B2B-услуги, стройка, производство) дают самый высокий ROI. Короткие эмоциональные циклы (онлайн-курсы, инфо) — рискованно.
- Самое дорогое — НЕ внедрение, а время на «обучение» AI на ваших данных. Заложите 4-6 недель калибровки.
- Считайте unit-экономику до старта. Если bot снимает 5 часов работы менеджера в неделю при ставке 50 тыс/мес — окупится за 4 месяца. Если 0.5 часа — никогда.
Хотите оценить — окупится ли AI в вашей нише? Дадим прогноз ROMI по нашим 50+ кейсам в похожих компаниях. Калькулятор ROI с реалистичными цифрами или прямой разбор с командой.
