- Нам нужен AI-агент для продаж. Чтобы сам отвечал клиентам и вел CRM.
- Что менеджеры делают руками каждый день?
- Разбирают письма, отвечают на типовые вопросы, переносят данные в CRM, пишут в логистику.
- Тогда я бы начинал с одного сценария, где AI может сразу делать действие.
Такие разговоры у нас идут почти на каждом втором пресейле. Ошибка обычно одна и та же: бизнес выбирает модель раньше, чем считает процесс. Если идти от процесса, уже на старте видно, где пилот за 4-8 недель даст эффект в рублях, а где получится еще один красивый интерфейс.
Деньги появляются там, где AI закрывает шаг процесса
Бизнес часто складывает в одну категорию чат-ботов, ассистентов и агентов. Для бюджета разница здесь существенная. Ассистент пишет текст и ищет ответ. Агент получает контекст, идет в CRM по API, создает задачу, меняет статус, отправляет письмо или передает кейс человеку по правилу.
Если после запуска у команды остается столько же ручных действий, просто появляется новый интерфейс. Для финансового результата это слабый итог.
| Подход | Понимает язык | Делает действие в системе | Нужен человек |
|---|---|---|---|
| Обычная автоматизация | нет | да | редко |
| AI-ассистент | да | редко | часто |
| AI-агент | да | да | по сценарию |
На проекте в e-commerce под NDA мы увидели, что 62% обращений в поддержку - это статус заказа, трек-номер и перенос доставки. Собрали узкий сценарий на Node.js 20 + NestJS, PostgreSQL 16, Redis и API CRM. Через 5 недель ручных действий стало меньше на 41%. Это не вау-демо, а нормальный операционный эффект: меньше времени на один тикет, меньше очередей, меньше нагрузки на первую линию.
Лучший первый кейс обычно скучный - и поэтому окупается
Мы предпочитаем стартовать с процесса, который можно описать в 5-7 шагах. Вход понятен, результат понятен, цена ошибки терпимая. Обычно это разбор входящих лидов, извлечение данных из писем и PDF, черновики ответов в поддержке, внутренний поиск по базе знаний.
CTO логистической платформы однажды сформулировал это точнее многих: «Первый AI-кейс должен убирать минуты из рутины, а не впечатлять совет директоров».
У дистрибутора B2B лиды шли с сайта, из email и Telegram. Менеджер тратил 10-12 минут на одно обращение: вытащить контакты, понять тему, создать карточку, назначить ответственного. Мы сделали связку n8n, OpenAI API и amoCRM. Агент разбирал входящее, заполнял поля, предлагал ответ и создавал сделку. Через 3 недели среднее время упало до 2-4 минут.
Давайте посчитаем: при 900 обращениях в месяц экономия даже 7 минут на кейс дает около 105 часов в месяц. При ставке сотрудника 1 200 ₽ в час это 126 000 ₽ ежемесячно. Цифры говорят: даже узкий сценарий может окупаться быстрее, чем кажется на старте.
Стек выбирают по цене ошибки, а не по моде
В прошлом году был пик запросов в стиле «сделайте на OpenAI, остальное потом». Мы тоже пробовали заходить так, но быстро упирались в один и тот же потолок: модель - только часть системы. Деньги приносит связка из сценария, данных, правил, логов и контроля.
Я обычно раскладываю варианты так:
- SaaS - FAQ, поиск по документам, первый пилот за 1-2 недели
- n8n / Make - когда нужно связать почту, формы, CRM и мессенджеры за 2-3 недели
- Laravel 11 или Node.js 20 + NestJS - если агент меняет данные в рабочих системах и нужен аудит действий, права и версии ответов
Если объем базы знаний умеренный, а команда уже живет в Postgres, мы часто берем pgvector. На практике это хороший баланс цены и скорости: не нужно поднимать отдельное хранилище ради первого production MVP. Нормальный пилот с интеграциями укладывается в 4-10 недель, если доступы к данным не застревают во внутренних согласованиях.
user request
-> classifier
-> RAG по базе знаний
-> LLM
-> действие через CRM API
-> подтверждение человеком
-> логирование и метрики
Чаще ломается не модель, а контекст
Слово «галлюцинации» стало модным, но в реальных проектах проблема обычно приземленнее: у агента нет актуальных цен, остатков, статусов и права что-то проверить. Один раз мы уже заплатили за это своим временем.
В оптовых продажах запускали ассистента для коммерческих предложений. Цены лежали в старых PDF, скидки - в письмах менеджеров, остатки - в ERP, к которой доступ дали не сразу. На демо все выглядело прилично, но в работе доля неверных ответов дошла до 18%. Потом мы переупаковали процесс: собрали единую базу знаний, подключили CRM, добавили RAG через pgvector и проверку критичных полей перед отправкой. Ошибка упала до 5-7%. Это уже режим, который можно масштабировать с контролем человека.
Внедрение считают не по лайкам, а по метрикам
Когда бизнес просит «полностью автономного сотрудника», я обычно предлагаю более рабочую схему: сначала агент предлагает действие, человек подтверждает, система пишет лог, а команда собирает обратную связь. На презентации это выглядит скромнее. Для экономики проекта такой подход полезнее.
Для пилота достаточно пяти метрик:
- доля кейсов, закрытых без участия человека
- среднее время обработки
- стоимость одного кейса до и после
- доля ответов, принятых без правок
- сколько раз агент передал задачу человеку
Хороший результат первого этапа выглядит достаточно приземленно: 25% кейсов закрываются автоматически, еще 40% ускоряются за счет черновиков и автозаполнения. Уже на этих цифрах пилот часто окупается быстрее, чем типовая доработка CRM.
В ближайшие 3 дня сделайте одну вещь: выберите процесс, где люди каждый день делают одно и то же руками за деньги, и распишите его по шагам на одном листе. Если не получается назвать вход, результат, цену ошибки и метрику времени, AI-агента запускать рано - он просто автоматизирует путаницу за ваш бюджет.
