Эдуард Лебедев, основатель агентства мобильного маркетинга Wakeapp, отмечает растущую значимость больших языковых моделей (LLM) в коммерческих процессах. В последние годы фокус сместился с привлечения лидов на их качественную обработку и доведение до финального этапа сделки.
Диалоговые ИИ-агенты, которые базируются на LLM, стали инструментами, позволяющими автоматизировать и оптимизировать коммуникацию на стадии закрытия сделки.
Анализ текущей практики показывает, что эти системы могут эффективно выполнять функции, ранее требовавшие значительных человеческих ресурсов, и при этом демонстрировать более высокую степень доступности и последовательности. Материал основан на системном анализе и практических наблюдениях команды компании за внедрением ИИ в B2B и B2C сегментах.
Почему классические воронки продаж перестают работать
Современный покупатель существенно изменил свои ожидания от взаимодействия с бизнесом. Скорость получения информации, точность ответов и персонализация коммуникации стали базовыми требованиями. По данным отраслевых исследований, около 75% клиентов готовы тратить на 40% больше, если для них формировать индивидуальные предложения.
Классические скрипты продаж, рассчитанные на стандартизированные сценарии, часто вызывают отторжение. Клиенты, особенно в B2B, устали от шаблонных обращений и необходимости повторять информацию разным менеджерам. По данным исследования сайта «Авито», опубликованного в 2025 году, 50% пользователей стремятся общаться с продавцами исключительно через встроенные инструменты онлайн-платформы. Тренд особенно ярко проявляется среди поколения «зумеров» — российская молодежь тяготеет к виртуальному общению. По данным ВЦИОМ, 61% респондентов предпочитают взаимодействие в интернете.
Существует значительный разрыв между моментом проявления интереса (например, оставленная заявка) и принятием окончательного решения. На этом этапе часто происходит «утечка» лидов из-за недостаточной скорости реакции, нерелевантности предложений или ошибок в обработке возражений. Продавцы тратят большую часть времени на рутинные уточнения. Это снижает их эффективность на более сложных этапах, где требуется глубокая экспертиза и эмпатия.
LLM-агенты и диалоговые системы в работе: аналитика и системный подход, Эдуард Лебедев, Wakeapp
Что такое LLM-агенты и чем они отличаются от чат-ботов
Большие языковые модели (Large Language Models, LLM) — нейросетевые архитектуры, обученные на огромных массивах текстовых данных, что позволяет им понимать контекст, генерировать связный и релевантный текст, а также имитировать естественный диалог. В отличие от традиционных чат-ботов, основанных на жестких правилах и заранее прописанных сценариях (сценарные боты), LLM-агенты обладают способностью к адаптации.
Сценарные боты могут эффективно работать только в строго заданных рамках. При отклонении от сценария они «теряются» или возвращают стандартные, неудовлетворительные ответы. LLM-агенты, благодаря своему контекстному пониманию, способны вести непрерывный, многоходовой диалог, запоминать детали предыдущих сообщений и адаптировать стиль общения под конкретного пользователя. При этом анализ строится на агрегированных и обезличенных данных в рамках политики конфиденциальности.
По словам Эдуарда Лебедева, эта гибкость является основным отличием: LLM-агенты оперируют не заготовками. Они синтезируют ответ в реальном времени на основе имеющихся знаний и контекста беседы. Это позволяет им лучше справляться с нелинейными запросами, свойственными этапам принятия решения.
Как диалоговые ИИ-агенты влияют именно на завершение сделок
Искусственный интеллект перестал быть экспериментом и всё чаще используется как прикладной инструмент — 39% российских организаций уже используют ИИ-агентов и ИИ-ассистентов для решения различных задач.
В маркетинге на финальных этапах воронки важную роль играет обработка возражений и поддержание вовлеченности потенциального клиента. Диалоговые ИИ-агенты демонстрируют высокую эффективность в работе с сомнениями клиентов, которые часто являются стандартными, но требуют индивидуального подхода.
ИИ-агент может мгновенно сопоставить возражение клиента с базой знаний, включающей техническую документацию, успешные кейсы и ответы на частые вопросы, а затем сформулировать аргументированный ответ. Важным аспектом является способность LLM-агентов адаптировать коммуникационный стиль.
Если клиент предпочитает краткие технические выкладки, агент предоставит их, избегая излишней эмоциональности, свойственной нетренированным менеджерам. Таким образом, снижается «потеря» клиентов на последнем шаге из-за неубедительной или слишком медленной реакции. Экспертиза Wakeapp в интеграции этих систем позволяет настроить агентов на удержание внимания до момента передачи сделки живому специалисту.
В целом, по прогнозам, к 2027 году ИИ-агентами будут пользоваться 50% компаний, а к 2028 году такие агенты будут встроены в 33% корпоративных программных приложений — это позволит им автономно принимать не менее 15% повседневных рабочих решений.
Эдуард Лебедев, Wakeapp: экспертиза в области внедрения ИИ для завершения сделок
Где LLM дают максимальный эффект в продажах
Применение LLM-агентов в продажах не является универсальным решением для всех этапов, однако их преимущества наиболее заметны там, где требуется высокая скорость реакции и работа с большим объемом информации.
Таблица 1: Роль LLM-агентов в процессе продаж
| Этап | Без LLM | С применением LLM |
| Квалификация лида | Ручной опрос, время реакции зависит от загрузки менеджера. | Автоматизированный диалог для сбора ключевых параметров, мгновенная оценка приоритета. |
| Обработка возражений (на ранней стадии) | Стандартные ответы из базы знаний, риск неполного ответа. | Анализ возражения в контексте диалога, генерация детализированных, релевантных ответов. |
| Квалификация и переход к сделке | Требуется вмешательство менеджера для перевода интереса в конкретное предложение. | LLM-агент собирает необходимые данные, готовит проект КП или демо-запроса, планирует следующий шаг. |
| Постпродажное сопровождение (до закрытия) | Мониторинг и напоминания — часто рутинная задача. | Проактивные диалоги с клиентом для прояснения оставшихся вопросов и снятия барьеров перед оплатой. |
Кейсы из практики Wakeapp
Внедрение LLM-агентов требует системного подхода и понимания специфики бизнеса. Команда агентства мобильного маркетинга фокусируется на практическом применении технологий для решения конкретных проблем в процессе продаж.
Кейс 1: Удержание клиентов, «дошедших и исчезнувших»
Бизнес, работающий с длительным циклом продаж (B2B-сервисы), столкнулся с проблемой, когда потенциальные клиенты после получения коммерческого предложения переставали выходить на связь. Менеджеры не успевали оперативно обработать накопившиеся вопросы, которые возникали у клиентов уже после ознакомления с деталями.
LLM-агент был интегрирован для «дожима» и сопровождения сделок на этапе оценки предложения. Агент инициировал диалог через мессенджеры, задавая уточняющие вопросы, основанные на содержании отправленного КП. Вместо стандартного «Есть вопросы?» агент спрашивал: «Мы видим, что вы изучаете пункт о кастомизации. Какие конкретные модули вас интересуют в первую очередь?». Это позволило вернуться в диалог с конкретной темой, а не общим запросом. Результат выразился в значительном увеличении процента повторного вовлечения в диалог клиентов, находящихся на паузе, что снизило отток «подвисших» сделок.
Кейс 2: Использование ИИ в связке с CRM и рекламными каналами
В одном из проектов, связанном с высокомаржинальными IT-решениями, требовалось быстро и качественно обрабатывать заявки, поступающие из разных рекламных каналов. Основной задачей было квалифицировать лид и обеспечить полную историю коммуникации до передачи его в отдел продаж.
Эксперты компании использовали LLM-агента как первичный фильтр и квалификатор, интегрированный непосредственно с CRM. Агент обрабатывал входящие запросы, заполнял профиль клиента необходимыми параметрами (бюджет, сроки, ключевые потребности) и, используя аналитику, автоматически назначал приоритет. Если клиент проявлял высокий интерес, агент мог предложить бронирование времени для демонстрации продукта у технического специалиста, при этом вся диалоговая сессия автоматически прикреплялась к карточке в CRM. Роль экспертизы заключалась в построении промптов и системы доступа LLM к корпоративной базе знаний, что обеспечило высокую точность генерируемых ответов.
Кейс 3: Оптимизация работы с пробными периодами
Компания, предоставляющая SaaS-решения, сталкивалась с тем, что пользователи, начавшие бесплатный пробный период, часто не доходили до активации платной подписки, поскольку не успевали освоить функционал в сжатые сроки.
Был разработан LLM-агент, который в течение пробного периода вел диалог с пользователем, основываясь на его активности в системе. Если система фиксировала, что пользователь не использовал определенный ключевой модуль, агент инициировал диалог: «Заметили, что вы не использовали инструмент аналитики. Могу показать быстрый пример его настройки, если это актуально для ваших задач». Этот проактивный и контекстно-зависимый подход позволил персонализировать обучение и демонстрацию ценности продукта, что положительно сказалось на конверсии из пробного периода в платную подписку.
Почему LLM не заменяют продавца, а усиливают его работу
Важно понимать, что LLM-агенты — инструмент автоматизации, но не замена человеческого фактора в продажах. Эдуард Лебедев неоднократно подчеркивал, что максимальный результат достигается при совместной работе ИИ и человека.
Живой продавец остается незаменимым в разработке общей стратегии взаимодействия, определении ценовой политики и ведении переговоров на уровне первых лиц. LLM-агенты берут на себя рутинную, но важную работу: обработку большого потока запросов, первичную квалификацию, ответы на типовые возражения и обеспечение непрерывности диалога. Это высвобождает время квалифицированных менеджеров для фокусировки на сделках, требующих высокого уровня эмпатии, сложного построения отношений или нестандартного принятия решений. ИИ обеспечивает высокий уровень аналитики процесса, предоставляя менеджеру готовые выводы о готовности клиента к закрытию сделки.
Где возникают завышенные ожидания от ИИ-продаж
Основная причина разочарования при внедрении LLM-технологий кроется в мифах о «самопродающем ИИ». Существует ошибочное представление, что достаточно подключить модель, и она начнет автономно закрывать сложные сделки без должного обучения и контроля.
Ошибки внедрения часто связаны с отсутствием системного подхода. Если LLM получает доступ к неактуальной или противоречивой информации, качество диалога неизбежно падает. Разочарование наступает, когда ожидается, что модель решит внутренние проблемы компании — например, нечеткую структуру продукта или устаревший ценовой лист.
Эдуард Лебедев акцентирует внимание на том, что технология лишь усиливает существующую систему. Успех зависит от качества данных, четкости инструкций (промптов) и постоянного контроля со стороны команды, обладающей необходимой экспертизой.
Заключение
Диалоговые ИИ-агенты на базе LLM трансформируют этап завершения сделок, делая его более измеримым и предсказуемым. Они эффективно устраняют разрывы в коммуникации и снижают нагрузку на команды продаж, позволяя сосредоточиться на стратегических задачах. По опыту команды компании, LLM работают как усилитель уже выстроенных процессов, автоматизируя работу с возражениями и поддерживая вовлеченность клиента. Как отмечает Эдуард Лебедев, главное условие успеха — системный подход и понимание того, ИИ не замена, а высокоточный инструмент для повышения эффективности коммерческих процессов.