В сентябре 2026 года квалификация лидов перестала быть лабораторным экспериментом. На Dreamforce Salesforce и NVIDIA показали модель рассуждений Koa, обученную на десятилетиях данных о сделках и работающую внутри контура компании, а Siemens заявила, что два ИИ-агента теперь обрабатывают все входящие лиды для восемнадцати тысяч продавцов. Цифры роста при этом давно и громко объявлены: компании с ИИ-подсказками растут в 2,6 раза чаще. Вопрос не в том, работает ли ИИ в продажах в принципе, а в том, где обещание «ИИ сам» совпадает с реальностью, а где остаётся фильтром, который лишь готовит менеджера к звонку.
При чём тут Koa и все лиды Siemens
15 сентября 2026 года Salesforce и NVIDIA объявили на Dreamforce о запуске Koa — CRM-модели рассуждений для платформы Agentforce. Модель пост-обучена из NVIDIA Nemotron на синтетическом датасете, собранном из почти трёх десятилетий корпоративных CRM-развёртываний, и работает полностью внутри инфраструктуры Salesforce: данные клиентов контур не покидают. Уже сейчас Koa запущена внутри компании, а с октября уходит в пилоты к Formula 1, UChicago Medicine, Baxter Credit Union и другим, в общий доступ — зимой 2026 года в США.
Параллельно Siemens объявила, что охватывает все входящие лиды для 18 000 своих продавцов через двух агентов: один занимается вовлечением, второй — квалификацией. Это не демонстрация, а продакшн на масштабе промышленного гиганта. Отсюда и вопрос, который руководитель теперь справедливо задаёт: если ИИ умеет сам отвечать и квалифицировать, что остаётся отделу продаж?
Цифры, которые продают: 2,6x и 2,4x
Западная аналитика даёт оптимистичные цифры. По опросу Gartner, отделы продаж, которые дают продавцам ИИ-подсказки следующего лучшего действия, в 2,6 раза чаще достигают коммерческого роста. Организации, вкладывающиеся в обучение продавцов работе с ИИ, в 2,4 раза чаще получают сильный рост выручки. Сам Gartner при этом отмечает разрыв: возможности ИИ расширяются быстрее, чем умение продавцов эти возможности использовать, поэтому лидерам советуют перепроектировать роли под среду с ИИ и учить продавцов управлять агентами.
Прогноз тот же консалтинг даёт жёсткий: к 2027 году около 95% рутинных продажных задач окажутся автоматизированы, а за продавцом останутся моменты, где важны человеческое суждение и ценность для клиента. Это же подтверждает отчёт Gartner Magic Quadrant для CRM-платформ продаж: вендоры смещают акцент с генеративного ИИ на агентные сценарии, а операционным лидерам рекомендуют оценивать решения именно по этой оси. Для российской компании это повод смотреть на выбор модели под конкретную задачу, а не гнаться за самой «умелой».
Почему у большинства не работает: предохранитель McKinsey
Цифры роста меркнут, когда включаешь вторую часть картины. В опросе McKinsey B2B Pulse 2026, охватившем почти 4000 покупателей и продавцов в 13 странах, вывод прямой: большинство B2B-компаний уже что-то делают с ИИ, но мало кто извлекает из него материальную ценность.
Разрозненные данные, слабые инсайты, ручные процессы, разобщённые команды и ограниченное управление изменениями продолжают сдерживать эффект. Добавление ИИ поверх этих ограничений редко меняет результат.
McKinsey, B2B Pulse Survey 2026
Отсюда и развилка. Чемпионы роста — компании, растущие быстрее конкурентов — в три раза чаще других наращивают ИИ-бюджеты на двузначные проценты в 2026 году: 71% против 25%. Разница не в инструменте, а в том, что чемпионы перепроектируют ключевые рабочие потоки целиком, а не добавляют ИИ к существующим.
| Что делают все | Что делают чемпионы роста |
|---|---|
| Покупают ИИ-инструмент и добавляют к текущему процессу | Перепроектируют ключевые потоки от начала до конца |
| Работают с разрозненными данными и ручными процессами | Наводят порядок в данных до автоматизации |
| Учатся на ходу, без обучения продавцов | Инвестируют в обучение и управление агентами |
| Наращивают ИИ-бюджет умеренно (25%) | Увеличивают вложения на двузначные проценты (71%) |
Показательно и то, насколько редко трансформация доходит до глубины. По Deloitte, лишь 34% компаний используют ИИ для глубокого перепроектирования бизнеса, только 30% перепроектируют ключевые процессы, а 37% используют ИИ поверхностно, почти не меняя процессы. То есть подавляющее большинство застревает на полпути: инструмент есть, а перестройки нет.
Цена автономности: галлюцинации и сикофантия
Когда ИИ начинает сам писать клиенту или оценивать лид, цена ошибки растёт. Это ключевой довод за то, чтобы строить сценарии применения вокруг подготовки, а не вокруг автономных решений. Данные Stanford AI Index 2026 это подтверждают: на сложных фактологических вопросах уровень галлюцинаций у 26 ведущих моделей достигает 22–94%. Точность даже сильных моделей падает, когда ложное утверждение подаётся как убеждение пользователя: у GPT-4o с 98,2% до 64,4%, у DeepSeek R1 — с более чем 90% до 14,4%. Модель, которая поддакивает собеседнику, — плохая база для автоматизированного письма клиенту.
Задокументированных ИИ-инцидентов при этом становится больше: 362 в 2025 году против 233 в 2024-м. Российские практики смотрят на проблему проще и ежедневно: всё, что ИИ подготовил перед разговором с клиентом, нужно проверять, потому что модель может приписать компании не тот оборот, не того генерального директора или не ту отрасль. Для квалификации это означает жёсткое правило — автоматизировать можно подготовку, но не решение о том, что лид целевой.
Что реально работает в российском отделе продаж
Российская практика, описанная в публикациях на Habr, сужает обещание «ИИ сам» до реалистичных сценариев. Подготовка брифинга к звонку падает с 15–20 минут до 2–3. Руководитель отдела вместо прослушивания 50 записей разговоров читает 50 саммари по пять предложений и за полчаса видит, у кого менеджер не отрабатывает возражение и кто забывает предлагать дополнительную продажу. Каждая из этих задач — подготовка и анализ, а не принятие решения за человека.
Квалификация лида тоже строится как фильтр, а не замена звонка: модель просят оценить заявку по шкале от 1 до 10 относительно портрета целевого клиента, и она отсеивает очевидно нецелевые обращения, а не решает судьбу каждого. Коммерческое предложение целиком по-прежнему собирает менеджер, но отдельные этапы — подбор кейсов, адаптация под клиента, формулировка выгод — занимают 5–10 минут вместо 30–40, а на всё предложение уходит 40 минут вместо двух часов.
Из инструментов на рынке выделяются сервисы разбора встреч вроде Fireflies.ai, которые дают расшифровки, итоги и данные для CRM, а для проектов, где важна российская экосистема, — YandexGPT и интеграции через Yandex Cloud. Общее правило едино: независимо от выбора сервиса клиентские базы, пароли, коммерческую тайну и персональные данные в публичный ИИ-чат отправлять нельзя.
Куда смотреть дальше: данные и суверенность
Отдельный сюжет — насколько выбор ИИ в продажах упирается в происхождение вендора и контур данных. По Deloitte, 77% компаний уже учитывают страну происхождения вендора при выборе, а почти три из пяти строят ИИ-стек преимущественно на локальных вендорах. Для российского отдела продаж это означает, что разбор записей переговоров и квалификацию разумно держать в контуре, где персональные данные не пересекают границу, что согласуется с требованиями 152-ФЗ. Такая постановка приближает встроенные в платформу возможности частного контура к задачам отдела продаж.
Итог простой. ИИ в продажах даёт измеримый эффект, но не там, где обещают вендоры: не в автономном «ИИ сам всё сделает», а в ускорении подготовки и аналитики.
- Автоматизируйте подготовку к звонку: брифинг по компании за 2–3 минуты вместо 20.
- Используйте ИИ как фильтр лидов с оценкой по портрету клиента, а не как замену квалификационного звонка.
- Разбор переговоров превращайте в короткие саммари для контроля менеджеров.
- Коммерческое предложение пусть собирает менеджер, а ИИ готовит кейсы, адаптацию и выгоды.
- Держите данные в контуре: клиентские базы и персональные данные не отправляйте в публичные чаты.
- Наводите порядок в CRM и процессах до внедрения, иначе ИИ добавится к хаосу и ничего не изменит.
Точка отсчёта не «купить ИИ», а «навести порядок в процессах, затем автоматизировать». Тогда обещанные 2,6 раза роста становятся достижимыми, а российский отдел продаж получает не замену менеджера, а инструмент, который делает его быстрее и точнее.
Частые вопросы
Может ли ИИ сам квалифицировать лиды, без участия человека?
Может, но ценой риска: на сложных фактах у 26 топ-моделей галлюцинации достигают 22–94%, поэтому надёжнее использовать ИИ как фильтр с оценкой по портрету клиента, а решение о заявке оставлять человеку.
Почему у одних компаний ИИ в продажах даёт рост, а у других нет?
Разница не в инструменте: чемпионы роста перепроектируют процессы и наводят порядок в данных, а большинство добавляет ИИ к существующему хаосу и не получает ценности. Это превращает обещанные 2,6 раза в достижимый результат.
Готовит ли ИИ коммерческие предложения целиком, без менеджера?
Целиком нет: в российской практике КП собирает менеджер, а ИИ готовит кейсы, адаптацию под клиента и формулировку выгод, сокращая время с двух часов до 40 минут.
Куда безопасно отправлять данные клиентов при внедрении ИИ в продажи?
Клиентские базы, персональные данные и коммерческую тайну нельзя отправлять в публичные чаты. Разбор переговоров и квалификацию держат в контуре компании, что согласуется с 152-ФЗ.
Источники
- 'Now We Can Know Everything and Do Anything,' Jensen Huang Says at Dreamforce — NVIDIA Blog, обращение 2026-09-22
- Sales Organizations That Provide AI-Enabled Next Best Actions Are 2.6x More Likely to Achieve Commercial Growth — Gartner Newsroom, обращение 2026-09-22
- Magic Quadrant for CRM Sales Platforms — Gartner, обращение 2026-09-22
- The future of B2B sales: How growth champions rewire their playbooks with AI — McKinsey & Company, обращение 2026-09-22
- From Ambition to Activation: Organizations Stand at the Untapped Edge of AI's Potential — Deloitte (State of AI in the Enterprise 2026), обращение 2026-09-22
- Responsible AI | The 2026 AI Index Report — Stanford HAI, обращение 2026-09-22
- ИИ для продажников: что реально работает в 2026 году и на чём все теряют время — Habr (OTUS), обращение 2026-09-22
- Лучшие нейросети для бизнеса в 2026 году — Habr (StudyAI), обращение 2026-09-22