Примеры применения искусственного интеллекта в отделе продаж: обработка обращений, анализ звонков и рекомендации менеджерам. Кейсы российских компаний показывают, как меняется работа с клиентами и какие результаты опубликованы.
Кейсов внедрения: 274.
Мультимодальная модель A-Vision по фотографии определяет характеристики вещи и формирует карточку объявления; ML-система предлагает цену по аналогичным предложениям.
В раннем тестировании опубликовано более 100 тыс. объявлений; примерно в половине случаев параметры не редактировались. Количество экранов при создании объявления сократилось примерно на 40%.
Машинное обучение определяет релевантность карточек поисковым запросам с учётом ключевых слов и поведенческих сигналов.
Количественный эффект не раскрыт.
Коллаборативная фильтрация формирует персонализированные блоки товарных рекомендаций.
Количественный эффект не раскрыт.
Сеть масштабировала BeautyScan. Сервис анализирует фото и анкету покупателя, составляет программу ухода и подбирает косметику из ассортимента конкретного магазина. Покупателю также доступна виртуальная примерка макияжа.
По годовому отчёту, сервис доступен по QR-коду в 2430 магазинах «М.Косметик»; в 34 магазинах установлены умные зеркала.
ИИ-квалификатор в Telegram отвечает на заявки и собирает параметры покупателя до передачи менеджеру.
По данным кейса, первый ответ ускорился с четырёх–шести часов до 40 секунд, а конверсия заявки в показ выросла с 18% до 23%.
ИИ-менеджер квалифицирует обращения, рассчитывает стоимость по собственным алгоритмам, показывает портфолио, готовит КП и назначает встречу; система интегрирована с сайтом, ВКонтакте и AmoCRM.
Заявлено сокращение времени ответа с 4 часов 15 минут до 15–30 секунд, рост конверсии заявки с 2,3% до 5,5% и рост числа сделок с 8–12 до 28–32 в месяц.
Salebot-квалификатор уточняет параметры заявки и автоматически рассчитывает первичную смету.
По данным кейса, 80% лидов проходят квалификацию без менеджера, а конверсия в договор выросла с 12% до 19%.
ChatGPT-агент с интеграцией 1С формирует коммерческое предложение по объекту, объёму и скидочной матрице.
По данным кейса, подготовка предложения сократилась с 3,5 часа до 15 минут, а менеджеры стали закрывать в 2,5 раза больше сделок.
Для каждого ЖК создан AI-менеджер, который консультирует по объекту во всех цифровых каналах, сохраняет диалог и передаёт заявку в CRM.
ФОТ отдела продаж снизился с 300 000 до 80 000 ₽ в месяц, доля обработанных заявок выросла с 65% до 81%, а время первого ответа сократилось с четырёх часов до 30 секунд.
Компания встроила ИИ-ассистента для подбора товаров, рецептов и готовых сценариев покупок.
Покупателям доступен разговорный способ подбора покупок. Число пользователей и влияние на продажи отдельно не раскрыты.
Вместо ручного аудита 1,5% звонков внедрена тотальная автоматическая проверка звонков с помощью LLM-речевой аналитики 3iTech; система проверяет этапы продаж, соблюдение скриптов, качество консультаций, CSI и недопустимые сценарии, а также кластеризует инсайты из опросников и передаёт транскрипты в смежные подразделения.
В статье заявлены следующие результаты: соблюдение скриптов и техник продаж выросло с 41% до 94%, оформление заказа по телефону — с 12% до 15%, доходы от телефонных продаж — на 19%, доля не справляющихся с консультацией снизилась с 30% до 12%, Resolved Issue Rate вырос с 58% до 77%, CSI — с 4,6 до 4,7, а доля решённых вопросов по оценке клиентов — с 90% до 92%. Также описано втрое меньшее число жалоб после изменения инструкции для подрядчиков.
Бариста получают рекомендации о предложении клиенту с учётом времени суток и погоды.
Через три месяца средний чек вырос с 450 до 570 рублей, или на 26%.
Бот принимает бронирования через Telegram и сайт.
Через три месяца доля потерянных броней снизилась с 12% до 0%.
Внедрена система речевой аналитики для анализа профильных звонков, автоматической проверки чек-листов, выявления проблемных сценариев и кластеризации клиентских инсайтов.
Продажи по телефону выросли на 19%; соблюдение скриптов и техник продаж — с 41% до 94%; доля оформления заказа по телефону — с 12% до 15%; доля решённых вопросов — с 90% до 92%; Resolved Issue Rate — с 58% до 77%; CSI — с 4,6 до 4,7; доля операторов, не справляющихся с консультацией, — с 30% до 12%. Точность автоматической оценки превысила 90%.
Текстовый агент подключён к двум аккаунтам Авито, сайту, Telegram и Max, а голосовой агент принимает звонки; оба ведут клиента до записи и автоматически создают или обновляют карточки в CRM.
Конверсия из обращения в запись выросла с 10% до 25%, стоимость записи снизилась примерно с 5 000 до 1 000 рублей, а участие инженера в продажах было устранено.
Ассистент на платформе «Савви» отвечает на вопросы об услугах, отрабатывает возражения и повторно связывается с клиентом. Номер телефона и запрос передаются менеджеру через CRM.
Число записей выросло с 2–3 до 15 в неделю. Ассистент собрал 171 диалог с номером телефона; ответ занимает 2–3 секунды.
Агент распознаёт параметры заказа в фотографиях, рукописных бланках, PDF и Excel, рассчитывает стоимость и передаёт готовое коммерческое предложение в систему на базе 1С.
Коммерческое предложение формируется за 3 минуты. Число менеджеров на участке сократилось с 8 до 4, экономия фонда оплаты труда — 4,8 млн рублей в год.
Ассистент на платформе «Савви» обрабатывает сообщения четырёх аккаунтов Авито, рассчитывает параметры по прайсу, выделяет заказы от 150 м² и автоматически создаёт карточки квалифицированных лидов в Bitrix24.
Заявлено, что без участия человека обработано 95% сообщений: ассистент обработал более 6500 сообщений и провёл 1263 целевых диалога при стоимости 15 ₽ за квалифицированный диалог.
Ассистент синхронизирован с YCLIENTS, видит актуальные окна и цены, записывает клиентов, проверяет абонементы и сертификаты и отправляет ссылки на оплату.
Система обработала 9 234 сообщения, закрыла без администратора 597 диалогов и охватила 100% обращений; средняя стоимость диалога составила около 13 ₽.
Система автоматически напоминает родителям об окончании абонемента.
По данным кейса, доля продлений выросла на 14%.
Бот предлагает время, оформляет запись на пробное занятие и передаёт готовую запись администратору.
По данным кейса, конверсия заявки в запись выросла с 60% до 89%.
LLM-агент обзванивает действующих клиентов, ведёт диалог о продлении, обрабатывает возражения, предлагает другой клуб и автоматически отправляет напоминание об оплате.
Заявлены производительность на 25% выше средней производительности сотрудника, конверсия в продление 47% и контактность 71%; операторов перевели на сложные обращения и дополнительные продажи.
Создан чат-бот, интегрированный с Telegram, 1С и складом, который рассчитывает запасные части по запросам клиентов.
Заявлено сокращение обработки заявки с 20–30 минут до 2–3 минут; экономия 2,3 ставки в месяц или 4 млн рублей в год; ботом пользуются 70% клиентов.
Бот на связке ChatGPT API, Make и Google Calendar отвечает на типовые вопросы и записывает клиентов без участия администратора.
Количественный эффект не раскрыт.
Внедрён Telegram-бот для обработки запросов из Островка и Booking на основе YandexGPT 5; администратор проверяет и отправляет ответ.
Среднее время ответа сократилось с 47 до 6 минут; загрузка выросла с 64% до 86%.
Связка получает форму с сайта, создаёт заявку в CRM, уведомляет менеджера в Telegram и формирует персонализированное приветственное письмо.
Время ответа сократилось с двух часов до пяти минут; настройка заняла три часа.
В Telegram внедрён бот, который уточняет симптомы неисправности, предлагает вероятные варианты диагноза и формирует предварительно заполненную карточку заказа для мастера-приёмщика.
Через полгода время первичного приёма сократилось с 12 до 4 минут, а конверсия из обращения в визит выросла с 41% до 58%.
Сеть внедрила AI-бронирование, генерацию меню и аналитику отзывов.
Заявлены снижение числа звонков на 40%, рост среднего чека на 18% и увеличение рейтинга на 0,3 пункта.
Внедрён LLM-чат-бот Bot4Web, который консультирует автовладельцев по симптомам неисправностей, стоимости технического обслуживания и запчастям, расшифровывает коды ошибок и переводит диалог в онлайн-запись.
Количественный эффект не раскрыт.
Раз в квартал система обращается к пациентам, которые не посещали клинику более шести месяцев, и предлагает свободную дату.
По данным кейса, рассылка дала записи от 12% базы из 1 400 пациентов.