AI‑First: подход, без которого бизнесу уже не обойтись

За последний год я видел десятки компаний, где говорят, что уже внедрили ИИ. На практике это обычно означает, что людям выдали доступ к сервисам, попросили писать через нейросети тексты и презентации, иногда собирать таблицы или слегка автоматизировать рутину через вайбкодинг.

Все это ускоряет выполнение отдельных задач, но радикально не меняет экономику процесса. Один человек постоянно советуется с ИИ в чате по рабочим вопросам, другой пишет с его помощью тексты и презентации, третий что‑то автоматизирует, как умеет. В итоге скорость местами растет, а общая эффективность команды почти не двигается.

Настоящий сдвиг начинается там, где ИИ перестает быть «умным консультантом» и берет на себя повторяемые куски работы целиком. Когда в компании появляются агенты, внутренние мини‑сервисы и сценарии, которые сами собирают данные, готовят заготовки, двигают задачу дальше и отдают человеку уже почти готовый результат.

Именно это я называю AI‑First на практике. Не набор модных инструментов, а способ проектировать процессы так, чтобы по умолчанию автоматизировать все повторяемое, а человеку оставлять контекст, оценку рисков, ответственность и финальное решение.

Пока руководитель сам не начинает работать в этой логике и не перестраивает под нее процессы, команда остается в режиме консультаций с ИИ через чаты. Формально «ИИ внедрен», но операционная модель бизнеса почти не меняется.

На примере нашей компании покажу, как переход от простых «чатов с ИИ» к AI‑First меняет работу продаж и маркетинга: какие процессы мы перестроили, какие задачи передали ИИ‑агентам и что это дало по метрикам и нагрузке на команду.

Что такое AI‑First на практике

Когда я перевожу команду в AI‑First логику, начинаю не с выбора инструментов, а разбираю процесс от начала до конца и смотрю:

• где люди прожигают больше всего времени;
• какие действия повторяются почти без изменений;
• где решение собирается из типовых данных и шаблонов;
• где важнее скорость, чем идеальный результат;
• какие этапы нельзя отдавать системе и нужно оставить человеку.

После такого разбора выясняется, что основная нагрузка уходит именно на рутину. По моему опыту, повторяемые операции спокойно съедают 80% времени команды, хотя это как раз та часть, которую проще всего отдать системе.

Как решить подобную проблему? Сделать так, чтобы менеджеры сами проектировали систему, которая позволит им автоматизировать рутинные, повторяемые операции. И для этого не нужно привлекать разработчиков: простые инструменты можно собрать при помощи Claude, Cursor, Codex, v0 или Lovable буквально за пару часов и доводить до ума за пару дней, вообще не разбираясь в разработке. Начать можно с любого узкого места в процессе — того, где больше всего ручной повторяющейся работы.

Например:

• внутренний сервис для анализа данных из Яндекс.Метрики и других систем аналитики;
• сервис, который собирает данные из нескольких источников и делает ИИ‑анализ;
• агент для разбора и первичной квалификации входящих запросов;
• быстрый кликабельный прототип под задачу клиента;
• сервис для оценки проектов от анализа ТЗ до подготовки КП.

Какие процессы нужно автоматизировать уже сейчас

Пример 1. Анализ рынка и подготовка перед первым касанием. Один из самых дорогих по времени процессов в B2B продажах — подготовка базы для холодного выхода. Раньше менеджер вручную искал компании, собирал список, изучал сайт, соцсети, новости, вакансии, статьи, услуги, связи и другие открытые сигналы, а потом формулировал гипотезу для первого контакта.

Это качественный подход, но он отнимает много времени. Один менеджер мог глубоко проанализировать максимум до 20‑30 компаний в неделю.

С AI‑First логикой этот процесс устроен иначе. ИИ‑агент сам подтягивает открытые данные по компаниям: сайт, вакансии, новости, кейсы, соцсети, интервью, отзывы и другие сигналы. Затем эти данные не просто складываются ссылками в карточку, а собирают профиль компании: чем занимается бизнес, какие у него могут быть задачи и боли, где видны сигналы роста и с какой гипотезой и к кому имеет смысл выходить на контакт.

Дальше можно фильтровать компании по любым признакам, предложить ИИ‑агенту выявить ТОП потенциальных клиентов, для которых определенные гипотезы будут наиболее актуальными.

Пример 2. ABM‑анализ и приоритезация аккаунтов. После первичного ресерча возникает следующая задача: провести ABM‑анализ и определить, какие компании действительно являются приоритетными для работы. В ручном режиме менеджеры тратили до 12 часов в неделю на оценку потенциала компаний, поиск триггеров, ранжирование и подготовку сводок перед касаниями.

Account‑Based Marketing (ABM) — это стратегия, где мы перестаем “стрелять из пулемета” по всему рынку, а фокусируемся на конкретных компаниях, которые нам идеально подходят. Мы создаем персонализированную историю для каждого клиента, зная его боли и потребности, вместо массовой рассылки одного и того же оффера всем подряд. В AI‑First подходе ABM перестает быть дорогой и сложной маркетинговой методикой, доступной только корпорациям, и превращается в масштабируемый процесс: ИИ собирает профиль компании, находит “боли” и готовит индивидуальное решение».

Здесь важно подсветить рыночный контекст: в западной практике компании часто используют мощные SaaS‑решения для ABM (вроде Apollo). В России прямых аналогов, которые бы объединяли глубокий ИИ‑анализ, поиск сигналов и качественную CRM‑автоматизацию в одной экосистеме, нет.

Именно поэтому подход AI‑First — это не просто способ сэкономить на сервисах, а способ построить свое конкурентное преимущество. Вместо того чтобы ждать появления “русского Apollo” или пытаться адаптировать западные инструменты, которые работают с локальным рынком через раз, вы собираете свой агентский стек. Это позволяет вам работать с данными о клиентах быстрее и точнее, чем конкуренты, которые ограничены возможностями стандартных CRM‑систем».

И проблема в ABM не только во времени. Данные быстро устаревают, приоритеты ведутся в нескольких таблицах, а менеджер может строить коммуникацию по информации, которая была актуальна месяц назад.

Мы перестроили этот этап так, чтобы система сама обновляла профиль аккаунта, фиксировала триггеры, ранжировала компании по заданным критериям и готовила краткую сводку перед касанием или встречей.

Менеджер больше не собирает картину с нуля. Он проверяет выводы системы, понимает, почему аккаунт попал в приоритет, и решает, как именно с ним выходить в диалог. В этом и есть правильное разделение работы: система собирает и обновляет фактуру, человек выбирает стратегию контакта

Пример 3. Персонализация оффера и исходящая рассылка. В сложных B2B‑продажах массовая рассылка быстро упирается в потолок: клиент получает одинаковые письма, не видит связи со своей ситуацией и просто не отвечает. Чтобы исходящий канал работал, оффер должен опираться на конкретный контекст компании: ее задачи, сигналы, стадию роста и потенциальные боли.

Нужно, чтобы оффер отвечал вызовам и болям конкретного клиентам и был максимально персонализирован. Предлагать нужно не просто услуги, а решение конкретных проблем клиента, при этом делать это точечно на уровне каждой компании с учетом их ранжирования — куда стоит идти, а куда нет.

Раньше менеджер вручную составлял каждое письмо, изучая профиль клиента. Объем рутинных действий был огромным: даже самые продуктивные сотрудники были ограничены 100‑150 контактами в неделю.

В AI‑First логике агент собирает контекст по компании, формирует черновик оффера и готовит цепочку касаний. Менеджер не начинает письмо с пустого листа: он проверяет гипотезу, тон, аргументацию и решает, стоит ли выходить на этот аккаунт вообще.

Например, для одного из наших приоритетных направлений — аутстаффинга, такими сигналами являются:

• потенциальная компания активно нанимает разработчиков под новый стек;
• появляются вакансии, которые указывают на перегрузку внутренней команды;
• выходит новый продукт или обновление;
• нанимают нового топ‑менеджера из необычной сферы.

Менеджеру остается проверить рабочую заготовку: структуру, логику, подсвеченные преимущества, и дать команду на запуск. Дальше агент сам отправит письма и сформирует статистику: кто прочитал, ответил, проявил интерес, и так далее. Критерии оценки менеджер задает в рамках общей настройки сервиса.

Пример 4. Разбор входящих и первичная квалификация. После первых касаний начинается поток ответов. Его также нужно контролировать и обрабатывать. Кажется, что ничего сложного нет, однако много внимания человека уходило на мелкие задачи:

• что хочет клиент;
• проанализировать компанию клиента;
• какой продукт или услуга ему подойдет;
• свериться с нашими ресурсами и возможностями;
• как подсветить преимущества и провести презентацию;
• подготовить ответы.

Сейчас ИИ‑агенты выполняют следующую работу:

• разбирают и классифицируют ответы;
• выделяют ключевые требования;
• сопоставляют запрос с нашими возможностями и ресурсами;
• готовят ответы для менеджеров с полным анализом клиента, комментариями и рекомендациями;
• хранят историю взаимодействия (из какого канала клиент обратился).

Время на ответы первых этапов (уточнения, детали, закрытия возражений) сократилось до пары минут практически в 90% случаев. Если клиент проявляет интерес или вопрос выходит за заданные правила, менеджер получает уведомление вместе с разбором контекста всей переписки.

В результате менеджер перестает вручную разбирать однотипные ответы и подключается там, где нужно перехватывать проявившего интерес клиента.

Пример 5. Подготовка прототипов и материалов к встречам. Чтобы не упустить клиента в условиях растущей конкуренции, важно как можно быстрее подготовить ответ и презентовать идею. Например, как будет выглядеть интерфейс в целом, какая структура кабинета, логика переходов и прочее.

Если описывать это словами, то высок риск, что клиент будет думать одно, а при реализации получится не то, что он ожидает. Поэтому презентацию важно подкреплять визуальной демонстрацией. Прототип собирается буквально за минуты, благодаря инструментам автоматизированного вайбкодинга v0, lovable. При этом менеджер, за несколько минут может получить решение сразу с учетом видения клиента.

Это полезно сразу с двух точек зрения. Во‑первых, клиент быстрее понимает, что именно вы предлагаете. Во‑вторых, сама команда быстрее видит слабые места идеи еще до начала полноценной разработки.

Для одного из заказчиков мы с помощью вайбкодинга за 15 минут создали прототип мобильного приложения для поиска психологов. Пользователи могут подобрать специалиста по заданным критериям, а психологи — находить новых клиентов. Дополнительно в приложении есть инструменты для отслеживания эмоционального состояния.

Где участие человека остается необходимым

1. Финальный вывод.

ИИ хорошо помогает собрать данные, структурировать поле, предложить гипотезы и даже показать несколько возможных трактовок. Но решение «стоит ли прорабатывать этот сегмент», «закрываем ли мы реально эту боль клиента» или «какой оффер сейчас сработает», должен принимать человек.

Поскольку на первое место выходят дополнительные факторы: опыт, понимание контекста, оценка рисков, а также позиционирование компании в целом.

2. Переговоры и встречи.

ИИ отлично помогает собрать профиль компании, подсветить важные моменты или персонализировать предложение в целом. Но сам разговор с клиентом должен проводить человек. Важно чувствовать тон разговора, распознавать скрытые сомнения и ограничения, особенно при продажи сложных B2B продуктов. Нейросети пока делать этого не умеют.

3. Работа с HR без сильного контроля.

ИИ помогает при найме сотрудников: проводит исследование кандидата, анализирует анкету, помогает подготовить материалы или структурировать информацию для обратной связи. Но понять внутреннюю мотивацию будущего сотрудника, особенности характера и прочие нюансы, может только живой HR.

4. Любые темы, связанные с проверкой фактов.

Даже самые продвинутые ИИ модели по‑прежнему ошибаются. При этом их уверенный ответ легко принять за истину. Поэтому любые расчеты, выводы, сигналы и особенно формулировки писем для клиента должны проверяться человеком и контролироваться человеком.

С чего начать внедрение AI‑First в компании

Самая частая ошибка — пытаться внедрить ИИ в компанию, как абстрактную инициативу, ради самого факта автоматизации. Основным драйвером перехода на AI‑First должны быть первые лица компании. Они должны пройти весь путь самостоятельно, внедрить это в свою работу, и только после этого масштабировать решение на всю компанию.

По нашему опыту, вот таких шагов стоит придерживаться.

Шаг 1. Выберите один процесс, а не десять.

Возьмите один понятный небольшой блок, где есть много рутинных и повторяемых задач. Например:

• подготовка списка компаний;
• проработка информации по клиенту перед первым касанием;
• разбор входящих заявок;
• подбор кандидатов под типовой запрос;
• подготовка кратких сводок перед встречами.

Шаг 2. Загрузите базовую информацию.

Чтобы ИИ‑агент мог правильно функционировать, важно предоставить ему как можно более полные данные.

• кто вы и что продаете;
• какие сегменты для вас целевые;
• какие боли вы реально закрываете;
• какие кейсы и ограничения есть;
• как сформулирована ценность;
• какие ответы точно нельзя давать клиенту;
• как выглядит хороший и плохой лид.

Подойдет любая база знаний: ссылка на сайт, внутренние справочники и регламенты, внешний контент в виде статей или кейсов.

Шаг 3. Освойте для начала простой стек.

Выберите самые простые приложения для вайбкодинга: например, v0 или Lovable, и купите базовые подписки. После этого с их помощью создайте любой простой продукт — то, что поможет автоматизировать рутину. И протестируйте это на практике: будет ли вам удобно им пользоваться?

Уже после этого можно попробовать реализовать более сложные задачи при Claude, Cursor или Codex.

Шаг 4. Зафиксируйте, что делает ИИ, а что делает человек.

Важно сделать выводы: что можно автоматизировать полностью, что частично, а что нужно оставить сотруднику. Получится простой регламент в виде таблицы:

• эти задачи агент может делать сам;
• в этих задачах ИИ готовит только черновик, менеджер проверяет;
• вот такие задачи должен делать только человек.

Шаг 5. Запускайте пилот на небольшой группе.

Пообщайтесь с сотрудниками: узнайте, кто из них лояльно настроен к ИИ, а кто негативно. Выберите 2‑3 человека, готовых к экспериментам в рамках своей работы, и презентуйте им ваш опыт: что уже сделали, как это упростило рабочий процесс.

Цель пилота — понять, какие сценарии реально работают в вашей компании, где ломается контекст, где нужны дополнительные правила, а где автоматизацию уже можно масштабировать.

Шаг 6. Считайте реальную экономию.

Важно зафиксировать все данные, которые помогут сделать выводы:

• сколько времени ушло на автоматизацию;
• сколько времени реально экономится, и на каких задач;
• упало ли качество реализованных задач, или повысилось;
• сколько стоит поддержка системы, с точки зрения количества используемых токенов на человека в день.

Что в итоге меняется для бизнеса

Мы внедрили автоматизацию в своей компании чуть больше чем 6 месяцев назад. И эффект был заметен сразу: со 100‑150 ручных контактов в неделю мы дошли до 2000‑3000 автоматических контактов. Причем персонализированных, на базе реального исследования компаний, их болей и специфики.

Но главный эффект для меня в другом. Менеджеры перестают быть операторами CRM, таблиц и однотипных писем. Их время уходит туда, где действительно нужна экспертиза: в стратегию по аккаунту, переговоры и работу с возражениями.

AI‑First не заменяет команду. Он снимает с нее работу, которая не должна была быть ручной изначально. Начать можно с одного процесса, где у вас больше всего повторяемости. Посчитайте время, соберите простой сценарий, определите границы ответственности ИИ и человека, а затем измерьте результат. Так внедрение перестает быть красивым пилотом и становится частью операционной модели.