Рынок корпоративного ИИ раскалывается: сужу по профильным конференциям и разговорам с руководителями. С одной стороны — лагерь прагматиков (часто из традиционного B2B‑сектора) саботирует тему ИИ‑агентов, аргументируя «и без того отлаженными процессами». С другой — жертвы вендорского маркетинга уверены, что у топ‑менеджера в штате должна числиться пара десятков виртуальных сотрудников на все случаи жизни.

Между этими двумя полюсами расположились те, кто внедряет технологии методично. Впрочем, и им непросто: рынок меняется быстрее, чем успеваешь протестировать гипотезу. А конкурируют не только покупатели агентов, но и продавцы.

Вопрос «нужен ли человек ИИ‑агентам» звучит перевернуто — обычно спрашивают наоборот. Однако громкие анонсы нарисовали картину будущего, где в продажах остаются только боты, а роль человека минимальна.

На самом деле людей рано списывать. По данным UserGems, каждого второго автономного AI‑продажника отключают в течение года. Компании, заменившие живой отдел продаж агентами, в большинстве случаев отступали в течение полугода: снова нанимали людей и переходили на гибридную модель. План «сократить штат и снизить расходы» оборачивался обратным: сначала увольнение, потом — новый наем, плюс оплата подписки на агента никуда не делась.

Когда же агенту нужен человек, а когда нет?

Обещания vs реальность

Под вывеской «ИИ‑агент для продаж» предлагают разные классы систем: от полностью автономных ботов на контактах и рассылке до сервисов сбора сигналов и обогащения данных (data enrichment) — такие сервисы лишь подготавливают контекст для живого продавца. Иногда выходит, что покупатель рассчитывает на автономность, а получает инструмент разведки. И наоборот: берут полноценную автономную систему там, где хватило бы инструмента для сбора данных, а в итоге решения приходится по‑прежнему принимать продавцу. 

Но даже когда тип агента выбран верно и задача ему по силам, остается еще один вопрос — насколько он справляется с ней по сравнению с человеком? В продажах разница результатов ощутимая. В A/B‑тесте, о котором рассказывал сервис Dashly, живые SDR (Sales Development Representative, менеджер по холодным продажам) принесли в 2,6 раза больше выручки, чем автономные агенты в сопоставимых условиях.

Автономные системы проваливаются не из‑за текста: современные модели генерируют корректные письма. Проблема в нечутком общении. Агент действует по алгоритму и не учитывает, например, что шестое письмо за неделю одному и тому же человеку приводит к блокировке контакта, а не к сделке.

Кейс 11x: оценка в десятки миллионов вкупе с исками от клиентов

Стартап 11x привлек 74 млн долларов от Andreessen Horowitz и Benchmark под разработку автономного AI SDR по имени Alice. По данным издания OneAway, отток клиентов у компании составлял 70–80%, хотя она заявляла иное.

Показательна история с ZoomInfo: после месячного пилота компания отказалась от контракта с 11x из‑за низких результатов агента по сравнению со штатной командой. Тем не менее 11x указывала ZoomInfo в числе клиентов, пока не получила юридическое предупреждение об иске за недобросовестную практику. 

Как измерить эффективность агента

Пока нет общепринятого определения «работающего» агента — сколько встреч он должен приносить, какой отток нормален, когда внедрение успешно. Без таких стандартов вендор и покупатель нередко говорят на разных языках, а иногда путаются и создатели продукта. Я выбрал ориентироваться на то, сколько клиентов остается с продуктом дольше года и почему ушли те, кто отказался. Рекомендую задавать эти вопросы до подписания контракта, а не после.

Деградация доверительных продаж

Если запустить автономных агентов на этапе первых холодных контактов, писем станет резко больше. По данным Salesmotion, живой продавец отправляет в среднем 1150 писем в месяц, агент — 7400. Отклик при этом снижается с 4,7% до 2,9%, а каждое шестое письмо фильтры отправляют в спам.

Может показаться, что даже со сниженным откликом агент берёт количеством. Но это хорошо, только когда у вас потенциальных клиентов бесконечное число =) К тому же у этой механики еще два негативных последствия:

• Техническое: почтовые сервисы фиксируют однотипные сообщения, снижают репутацию домена и вносят адреса в черные списки, выйти из которых занимает месяцы.

• Концептуальное: происходящее противоречит логике доверительных B2B‑продаж. Вместо точечной работы с контекстом клиента компания генерирует массовый поток сообщений, разрушая контакт еще до разговора.

Если автономные боты с треском проваливают задачи, означает ли это, что технология в продажах не работает? Не совсем. Проблема не в принципе, а в архитектуре систем.

Как устроен автономный ИИ‑продажник

За вывеской «ИИ‑агент для продаж» скрывается не единый нейросетевой модуль, а связка узкоспециализированных агентов. В архитектуре сервиса Salesmotion, к примеру, агент сигналов отслеживает триггеры в компаниях‑клиентах, агент исследования собирает контекст по конкретному контакту, а агент рассылки пишет и отправляет письмо. По данным сервиса, слабым звеном в этой цепочке чаще всего оказывается агент рассылки, работающий на устаревших или плохо очищенных данных. Если их не проверять, получается сгенерированный спам, который рушит работу системы.

Вдобавок агентные системы взаимодействуют по всем каналам. Не отвечают на имейл? Агент переключается на LinkedIn, затем на мессенджеры.

По наблюдениям издания OneAway, здесь эффективность зависит от того, насколько строго формализованы сценарии. Без жестко описанных алгоритмов, правил задержки (follow‑up delay), лимитов на количество касаний и правил прогрева, — без всего этого агент приводит к обратному эффекту. Клиент воспринимает хаотичные сообщения на разных платформах как агрессивный спам, жалуется, и вас блокируют.

Почему триггерная персонализация превращается в ИИ‑слоп 

Раньше персонализацию собирали по статичному профилю: отрасль, размер компании, должность. Агенты же работают по инфоповодам — отслеживают новые вакансии, смену топ‑менеджеров или раунды инвестиций.

Контраст между маркетингом и реальностью здесь особенно заметен. В июле 2026-го TechCrunch описал кейс, где ИИ‑стартап доверил автономному агенту провести инвестиционный раунд на 100 млн долларов — от поиска контактов до назначения встреч. Однако на практике, когда тот же агент пытается продавать, триггерный подход вырождается в поверхностную имитацию персонализации, на которую так негативно реагируют люди.

По наблюдениям Salesmotion, если агент просто вставляет триггеры в алгоритм, получатель считывает письмо как стандартный шаблон с переменными.

Исследование Sopro показывает то же самое: 57% руководителей воспринимают входящие коммерческие письма обезличенными, даже когда к ним обращаются по имени. Без понимания контекста автоматизация лишь умножает спам, выжигает базу и роняет конверсию.

Почему и как сменилась парадигма продаж

Автономная рассылка неэффективна — зато эффективна автономная квалификация лидов. 

В кризисе метрика MQL (Marketing Qualified Lead — лид, утвержденный маркетологами). Десятилетиями MQL считался контактом, готовым к передаче в отдел продаж: если пользователь скачивал документ, регистрировался на вебинар или запрашивал демоверсию, значит, он достаточно вовлечен.

Затем контакт передают на уровень SQL (Sales Qualified Lead — лид, утвержденный продажниками). На этом этапе менеджер подтверждает бюджет заказчика, полномочия, потребности и сроков сделки (критерии BANT).

К 2026-му логика MQL перестала отражать готовность к покупке. Кто‑то скачал аналитический отчет или посетил сайт — часто это AI‑агент потенциального покупателя собирает данные. Или даже AI‑агент конкурентов анализирует ваш бизнес.

По данным Afiniti Global, конверсия из MQL в SQL снижается пятый год подряд и достигла 13%. Попытки компенсировать это падение авторассылкой лишь увеличивают спам‑нагрузку. В результате бизнес переходит от ковровой автоотправки писем к глубокому анализу намерений клиентов (Intent Analysis).

Квалификация в моменте вместо постанализа

На смену MQL сервис Docket ввел концепцию AQL (Agent‑Qualified Lead). Агент оценивает клиента менее формально и сразу в процессе:

• MQL оценивает пользователя постфактум — по набору кликов и скачиваний на сайте.

• AQL квалифицирует контакт в ходе диалога: агент уточняет бизнес‑задачу, сверяет ее с профилем идеального клиента (ICP), выясняет рамки бюджета и сроки проекта (BANT‑параметры).

По результатам первичной квалификации агент передает лид либо продавцу, сформировав аналитическую карточку контекста, либо в сценарий целевого догрева. По данным Docket, диалог в формате AQL приводит к демо‑встречам или формированию КП в 7 раз чаще при том же объеме входящего трафика.

По данным аналитического обзора Prospeo, у компаний, задействовавших агентную квалификацию, конверсия входящих обращений в валидированный SQL поднимается с рыночных 13% до 40%.

Эффективность подхода иллюстрирует анализ 62 диалогов AQL‑агента за двухнедельный пилот в компании из сферы Enterprise Data. Анализ показал, что 56% обращений — это пользователи исследуют тему, но покупать не готовы. Традиционная скоринговая система либо отсеяла бы их как нецелевых (потеряв тех, кто в итоге купил бы), либо сразу передала бы в отдел продаж, потратив ресурс SDR.

AQL‑агенты дали и другие прикладные результаты:

• Воронка стала прозрачнее: объективные данные о том, на каких вопросах застревает основной поток потенциальных пользователей.

• Нашли продуктовые триггеры: маркетинговая команда говорит, что анализ диалогов с агентом подсветил список интеграций, которые часто упоминают пользователи, готовые к покупке. 

В отличие от автономных рассылок, заваливавших менеджеров нецелевыми контактами, агентная квалификация бережет время живых сотрудников от бесед с теми, кто еще не готов покупать.

Прямой статистики по удержанию AQL‑агентов на горизонте года пока нет, но отношение бизнеса четко отражает отчет Forrester — к агентской оценке потенциальных клиентов пришли или стремятся 88% B2B‑сегмента. 

Диалоговая оценка показывает высокую конверсию, и соблазн очевиден: если агент неплохо ведет диалог и оценивает готовность лида, может, он справится и со сделкой? Но это совершенно другая задача. Понять, готов ли человек разговаривать о покупке, — распознавание паттерна, пары вопросов агенту хватит. А вот довести сделку до решения — значит, учитывать мелкие нюансы ситуации: настроение собеседника, невербальные сигналы, то, что не проговаривается словами. Неудивительно, что живые продавцы здесь приносят в 2,6 раза больше выручки, чем автономные агенты.

Есть и еще один барьер на пути к полностью автономному отделу продаж — на стороне клиентов тоже появляются автоматические системы закупки, и это меняет механику сделки. 

Потолок ценности агентов

Разбирая перспективы агентных систем, журналисты часто цитируют оптимистичные прогнозы о скорой замене линейных сотрудников. Но в индустриальных отчетах виден разрыв ожиданий с реальностью.

Gartner в ноябре 2025-го спрогнозировал: к 2028-му число ИИ‑агентов в продажах в 10 раз превысит количество живых специалистов, а алгоритмы возьмут на себя до 60% рутины.

Однако текущие результаты говорят о другом. В исследовании Gartner по эффективности продаж вице‑президент практики Мелисса Хилберт указывает: менее 40% сотрудников подтверждают, что ИИ‑инструменты повысили их продуктивность. Она называет это потолком ценности: когда компания внедряет слишком много автономных утилит, они не разгружают человека, а заставляют его тратить время на их обслуживание.

Есть еще один фактор, о котором редко говорят интеграторы, — навык сотрудников работать с ИИ. Анализ Deloitte Human Capital Trends и публикации Harvard Business Review показывают, что ИИ работает не как замена специалисту, а как усилитель его текущих навыков:

• Опытный специалист после обучения становится продуктивнее почти в три раза (по данным исследования Deloitte): он задает точные рамки, проверяет контекст и правит черновик агента перед отправкой.

• Слабый сотрудник либо слепо копирует сгенерированный текст (получая шаблонный спам), либо проверяет бота дольше, чем работал бы сам.

В итоге выгода упирается не в мощности нейросети, а в подготовку человека. У неподготовленного сотрудника агенты вместо порядка наводят хаос.

Гибридная модель

Если полная автономия сбоит и не все утилиты дают ожидаемый эффект, то рабочий результат показывает гибридная схема — сотрудник с поддерживающими алгоритмами.

По данным разбора американского B2B‑рынка от DigitalApplied, связка «менеджер + 2 ИИ‑агента» приносит в среднем 278 тысяч долларов в воронке продаж на человека в месяц. Для сравнения:

• Команда без применения ИИ дает 187 тысяч долларов.

• Автономные агенты без участия человека — всего 94 тысячи долларов.

Причина в разделении задач. ИИ‑агенты берут на себя первичный охват — в среднем 5260 исходящих контактов в месяц на одно место, по данным DigitalApplied. Это меньше, чем 7400 контактов у полностью автономного агента. Но ориентир для сравнения здесь другой — без агентов человек делает в среднем всего 1150 контактов в месяц. При этом конверсия из встречи в сделку у гибридной модели держится на уровне 41% (близко к классическим 47% у живой команды), тогда как у автономных систем падает до 28%. В общем, в гибриде алгоритмы наращивают поток обращений, а специалист сохраняет качество переговоров.

Похожий результат показывает кейс Analytic Partners. Компания увеличила объем сделок в воронке на 40%, не сокращая продавцов и не передавая диалоги ботам. Команде дали инструмент, который собирает аналитику к встрече за 15 минут вместо трех часов. В освободившееся время менеджеры звонили новым клиентам.

Граница целесообразности зависит от сложности продукта и размера чека. По исследованиям Salesmotion, автономный агент справляется без человека, когда целится в широкую аудиторию и в сделки до 25 тысяч долларов.

В сложных B2B‑продажах с длинным циклом и несколькими лицами, принимающими решение, ситуация иная: живые специалисты при поддержке алгоритмов приносят выручки в 2,6 раза больше ботов.

Опыт SaaStr: 20 агентов под ежедневным контролем

Практический пример такого подхода описал основатель SaaStr Джейсон Лемкин. Команда развернула более 20 ИИ‑агентов, что добавило 5 млн долларов в воронку продаж и закрыло сделок на 2,4 млн долларов.

Лемкин назвал ключевым фактором ежедневное ручное управление. Сотрудники часами проверяли ответы, корректировали логику и исправляли ошибки ботов. 

Лемкин оценил качество работы агентов сдержанно — на уровне начинающего продавца. Без постоянной валидации человеком проект быстро пополнил бы статистику заброшенных внедрений.

Откуда берется модель «менеджер + 2 ИИ‑агента»

Мне было интересно заметить, что выгода гибридной модели по сравнению с автономной связана с тем, что здесь дважды срабатывает закон Парето — в структуре рабочего дня менеджера и в структуре рынка. 

В B2B‑продажах принцип Парето действует так. Специалист 80% времени ищет контакты, собирает данные, заполняет CRM — и только 20% времени общается с клиентами, хотя это приносит основной доход. Передав рутину алгоритмам, продавец больше общается и закрывает больше сделок. Но одного агента недостаточно — сейчас объясню почему.

Второй раз принцип Парето проявляется в структуре B2B‑рынка: 80% клиентов составляют массовый сегмент с небольшим чеком, тогда как 20% энтерпрайз‑клиентов формируют 80% выручки. Если агент работает по одному алгоритму в обоих случаях, то теряет контекст и ошибается. Поэтому система требует специализации. Первый агент с высокой автономией скринит и отсеивает 80% массового потока. Второй агент с крупными клиентами даже не общается, лишь собирает аналитику и подсказывает менеджеру.

Получается, менеджеру нужно не меньше двух агентов. Но больше двух тоже нельзя. Проверять ответы и править контекст за двумя ИИ‑ 15–20 часов в неделю. Оценка в 15–20 часов контроля в неделю опирается на стандарт Human‑in‑the‑Loop (HITL). Согласно отчетам Gartner и практике применения AI SDR, специалист в гибридной модели инвестирует 35–40% рабочего времени в фазу проверки: фактчекинг, разбор пограничных лидов и отладку контекста. Выход за пределы двух агентов увеличивает нагрузку на валидацию свыше 50% времени, лишая менеджера возможности вести прямые переговоры. Третьего и четвертого агента менеджеру контролировать некогда, он пропускает ошибки, крупные сделки срываются и перекрывают экономию от автоматизации.

Сколько агентности давать агентам 

Вернемся к вопросу из названия статьи: нужен ли человек? Данные отвечают однозначно: почти всегда нужен, вопрос в дозировке.

По методике DigitalApplied, конфигурацию человеческой и алгоритмической работы надо выбирать не только по экономии на зарплатах, но и с поправкой на качество данных о клиентах. По оценке источника, результат работы агента на 80–90% определяется чистотой CRM, точностью портрета клиента и настройкой маршрутизации лидов, и только на 10–20% — качеством текстов. Сильный агент на плохих данных уверенно пишет нерелевантные письма — просто быстрее и большему числу людей. Поэтому чем хуже данные — тем больше нужно человеческого взгляда.

Также методика связывает соотношение ручного и машинного труда с чеками сделок. Нам пороги этих денежных сумм неудобны, так как рассчитаны по США. Лучше перевести их в более универсальные величины — длину цикла сделки и число участников со стороны покупателя. 

По данным WorksBuddy, сделка с одним человеком, принимающим решение, обычно закрывается за 30–60 дней. При трех‑пяти участниках цикл растягивается до 60–120 дней. А по данным Arcade, при пяти‑десяти участниках, типичных для крупных контрактов, сделка занимает уже 6–12 месяцев: каждый участник добавляет к циклу больше времени, чем предыдущий.

Ориентироваться можно так: если со стороны покупателя в сделке участвует больше одного человека — посмотрите, сколько в среднем идут сделки с комитетом такого размера. Вдвое дольше, чем самая быстрая сделка в вашей воронке, или еще дольше — скорее всего, автономный агент не справится. 

Да, по суммам ориентироваться проще, но это эффективно только на конкретном рынке. Salesmotion в исследовании американского B2B SaaS проводит границу, выше которой нужен человек, примерно на 25 тысячах долларов чека для одного покупателя и на 50 тысячах для сделки с комитетом. Повторюсь — для нас суммы будут другими.

Есть и отраслевой нюанс. В здравоохранении, финансовых услугах и госсекторе регуляторные требования делают автономную рассылку рискованной — одна галлюцинация модели в письме потенциальному клиенту способна создать юридическую проблему, независимо от того, насколько хорошо агент справляется технически. 

Еще надо проверять аккаунты, с которыми продавец выстроил личные отношения. Автономный агент, не связанный с историей общения через CRM, может отправить роковое шаблонное письмо тому же комитету закупок, с которым продавец полгода вел переговоры вручную.

Как оценить ИИ‑продажника

Salesmotion предлагает шесть параметров. Вот они — от наиболее важного к наименее:

— качество сигналов, на которые реагирует агент, — насколько точно и своевременно он ловит события вроде раунда инвестиций или смены директора, не работает ли по статичной базе;
— глубина персонализации — пишет агент по контексту контакта или подставляет переменные в заготовку;
— интеграции с существующим стеком — синхронизируется агент с CRM и историей общения с клиентом или нет;
— встроенные ограничения — возможно ли ограничить объем рассылки и контролировать попадания в спам;
— прозрачность работы агента для команды — видно продавцу, почему агент написал именно так, или это черный ящик;
— экономика и цена — в самом конце, так как дешевый инструмент, не прошедший первые пять проверок, обходится дороже дорогого, который их прошел. 

Как тестировать технологию, не теряя бюджет

За рубежом сложилась практика пробного запуска на одном‑двух сотрудниках с ограниченным списком целевых контактов. Тест идет 30 дней в формате A/B‑сравнения с текущей ручной рассылкой на аналогичной выборке.

Здесь полезно учитывать наработки команд из других регионов, которые уже прошли стадию первых гипотез и калибровки процессов. По данным DevCommX, даже у зрелых команд стабильный результат — 20–40 демонстраций в месяц — появляется не раньше 6–8 недель работы. За это время целевую аудиторию калибруют по данным об откликах.

Перед покупкой решения спросите разработчика прямо: какая доля клиентов продлевает подписку дольше года. Поставщик скрывает метрики — повод отказаться от сделки, даже когда презентация убедительная. История стартапа 11x не даст соврать.

Еще один практический совет: если в корпоративную CRM‑систему встроен модуль ИИ, обычно безопаснее начинать с него — базовая функциональность часто входит в стоимость текущей лицензии. Тогда переход на сторонние решения или смена поставщика не потребуют перестраивать инфраструктуру.

Еще раз вкратце: архитектура гибридных продаж и граница применимости

Опыт внедрений в США показывает, что передавать сложные B2B‑продажи алгоритмам невыгодно. Установить агента недолго, но рискованно: можно потерять репутацию почтовых доменов, лимит доверия клиентов и время специалистов на проверку данных — без человека почти наверняка случится коллапс. 

Но и человек в одиночку не максимально эффективен. Производительнее всего гибридная модель «менеджер + 2 ИИ‑агента». Первый агент с высокой автономией обрабатывает 80% рынка — массовый сегмент. Второй агент с нулевой автономией — сам не общается, только готовит аналитику по 20% энтерпрайз‑клиентов. Больше агентов не нужно, потому что и на проверку двух у специалиста уходит от 15–20 часов в неделю.

Автоматизация устойчива, если строить ее на трех взаимосвязанных принципах.

Первый принцип — строго делить задачи по этапам воронки

Высокая автономия алгоритма оправдана на этапе подготовки данных и первичного контакта: автоматический сбор досье сокращает время с 3 часов до 15 минут. На этапе переговоров и согласования условий полная автономия заметно уступает: по данным DigitalApplied, конверсия из встречи в сделку падает с 41% у гибридной модели до 28% у полностью автономных агентов. Это согласуется и с более общей картиной удержания: по данным UserGems, до 70% внедрений автономных SDR‑инструментов не доживают до года. Поэтому здесь агент эффективен только как помощник для сбора подсказок и фиксации договоренностей в CRM.

Второй принцип — опираться на квалификацию специалиста

ИИ‑агент не компенсирует пробелы пользователя в базовых навыках, а лишь ускоряет процессы. Опытный сотрудник за счет точной постановки рамок и валидации контекста кратно увеличивает свою выработку. А малоопытный менеджер с алгоритмом лишь быстрее генерирует шаблонные обращения, что чревато отклоненными письмами и блокировками почтовых доменов.

Третий принцип — в первую очередь автоматизировать мелкие сделки и малоэффективные задачи 

В массовых и быстрых продажах цена ошибок бота перекрывается низкой себестоимостью обработки и широким охватом. Но в сделках с крупным чеком и высоким CAC потеря даже одного клиента из‑за некорректного ответа бота перекрывает экономию на зарплатах. 

Совсем коротко: ИИ‑агенты полезны квалифицированным работникам. Правильный баланс: высокая автономия алгоритма в сборе данных — но решения и личные переговоры контролирует человек. Держитесь за успешных и опытных SDR — с агентами они раскроются еще сильнее.