Искусственный интеллект в CRM: что из этого работает сегодня

Разговор об искусственном интеллекте в CRM переполнен обещаниями, и от этого труднее увидеть, что уже приносит пользу. Ниже — граница, по которой мы её проводим.

Признак, по которому проходит граница

Не сложность задачи, а обратимость действия.

Там, где ошибка модели ничего не ломает и заметна сразу, её можно применять смело: неточная расшифровка звонка исправляется, неудачный черновик письма переписывается, неверно определённая тема обращения меняется одним кликом.

Там, где действие необратимо или его последствия проявятся позже, применять её рано. Автоматически отправленное клиенту письмо нельзя вернуть. Сделка, закрытая как бесперспективная, не вернётся в работу. Скоринг, по которому менеджеры перестали звонить части базы, обнаружит себя падением выручки через квартал, и связать одно с другим будет трудно.

Этот признак практичнее любых списков возможностей, потому что не устаревает при выходе новой версии модели.

Что работает уже сейчас

Четыре группы задач, и все они про обработку текста.

Расшифровка и разбор звонков: разговор превращается в текст, из текста извлекаются договорённости и следующий шаг. Менеджер не пишет отчёт после звонка, а проверяет готовый.

Разбор входящих обращений: определение темы, срочности и адресата. Особенно полезно там, где обращения приходят перепиской и не имеют структуры — в наших казахстанских проектах это основной канал.

Черновики ответов: письмо, коммерческое предложение, ответ на типовой вопрос. Отправляет человек.

Заполнение карточек: подстановка данных из переписки в поля. Скучная работа, которую делают неохотно и потому плохо, — а от полноты полей зависит всё, что строится дальше, от документов до отчётности.

У всех четырёх задач общее свойство: человек остаётся последней инстанцией и видит результат до того, как он куда-то ушёл. Модель сокращает время на подготовку, а не принимает решение. Именно поэтому их можно внедрять по одной и оценивать по простому признаку — освободилось ли время и на что оно ушло.

Что не работает и почему

Замена управленческих решений. Модель не знает договорённостей вашей компании: кто отвечает за клиента, что считается приоритетом в этом квартале, какому заказчику можно дать отсрочку.

Эти правила нигде не записаны в виде, доступном модели, — они живут в головах руководителей и в практике. Система их закрепляет ровно в той мере, в какой компания их сформулировала. Если не сформулировала, ни автоматизация, ни модель не помогут: получится уверенно звучащий ответ, не связанный с реальностью бизнеса.

Второе, что не работает, — замена описания процессов. Соблазн понятен: не разбирать схему, а «попросить ИИ разобраться». Но разобраться нужно не в данных, а в том, кто и за что отвечает, а это управленческое решение. Мы пишем об этом отдельно — признаки, что внедрение не взлетит.

Как это выглядит в реальном проекте

В образовательном центре первичные обращения обрабатывает чат-бот: отвечает на типовые вопросы и передаёт разговор человеку, когда вопрос выходит за рамки сценария.

Смысл этого решения не в экономии на сотруднике. Он в том, что человек получает ответ сразу, а не через час, — а в образовании скорость первого ответа напрямую влияет на то, дойдёт ли человек до пробного занятия. Конверсия пробных занятий в платные курсы выросла на 25%, а время планирования и переназначения сократилось на 60%.

Обратите внимание на устройство: бот работает на входе, где ошибка исправляется следующим сообщением, и передаёт человеку при первом усложнении. Это ровно тот участок, где применение оправдано по признаку обратимости.

С чего начинать

С одной задачи, выбранной по двум условиям: она отнимает заметное время и ошибка в ней ничего не ломает.

Практически всегда это расшифровка звонков или разбор входящих. Обе дают результат за короткое время и обе легко оценить: либо менеджеры перестали писать отчёты, либо нет.

Второй шаг — измерить. Не «стало удобнее», а сколько времени освободилось и на что оно ушло. Без этого измерения любой следующий шаг делается вслепую.

Третий — только после этого браться за задачи, где модель что-то решает. К этому моменту у вас будет представление о качестве её работы на своих данных, а не на демонстрации.

Что мы делаем в этом направлении — на странице ИИ в процессах; как выглядят проекты целиком — в кейсах.