Важно настроить диалог между лидерами коммерческого и технического направлений.
Вместе с Алексеем Федоровым, - экспертом по стратегиям роста и развитию продаж в IT" и автором ТГ канала @growthinIT, мы обсудили 10 честных и жестких вопросов, на которые нужно ответить перед тем, как взяться за внедрения AI-агентов.
1️⃣ Зачем мы это делаем?
А.Ф.: Это базовый вопрос. Мы внедряем AI, потому что где-то «болит» (например, низкая конверсия лидов, медленно разбираются тикеты) или потому что «все внедряют, а мы отстаем»? Нужно точно знать метрику, которую хотим улучшить.
С.Ш.: Для AI - агента «зачем» — это, прежде всего, цифра: SLA, конверсия, количество диалогов на менеджера (например, время первого ответа сокращено с 5 минут до 30 секунд, количество обработанных лидов на менеджера увеличено в 2 раза). Если нет целевых метрик, то технически непонятно, что оптимизировать и как вообще понять, что агент не просто «болтает», а работает.
2️⃣ Готовы ли наши процессы к такой автоматизации?
А.Ф.: AI-агент работает как усилитель. Если бизнес-процесс изначально сломан или продукт плох, AI усилит хаос. Поэтому, прежде чем внедрять AI, скажем, в отделе продаж, убедитесь, что скрипты продаж работают в «ручном» режиме, CRM грамотно заполняется релевантной информацией и т.д.
С.Ш.: Агент учится на текущих данных и, если там бардак, он масштабирует именно этот бардак. Например, в случае со скриптами необходимый минимум для старта — описанный целевой процесс и набор «эталонных» диалогов, на которые можно натягивать поведение модели.
3️⃣ Готовы ли мы к ошибкам?
А.Ф.: AI-агенты ошибаются. Они могут нагрубить клиенту в поддержке или неправильно квалифицировать крупного клиента как «мусор». Нужно предусмотреть стратегию выхода из ситуации, когда AI «облажается» перед важным клиентом (ручной контроль, эскалация на людей).
С.Ш.: С технической стороны это вопрос наличия guardrails: что агент не имеет права обещать и в каких случаях обязан передать диалог человеку. Настраиваются политики, лимиты и триггеры эскалации — иначе ошибка одной фразы превращается в системный репутационный риск.
4️⃣ Какие данные мы готовы скормить модели?
А.Ф.: Если структурированная база знаний отсутствует (FAQ, описание продуктов, успешные кейсы и т.п.), то AI будет склонен к выдумыванию и искажению фактов. И здесь важен честный ответ: наша база знаний оцифрована или она только в головах у менеджеров?
С.Ш.: И еще один важный вопрос: готовы-ли мы потратить время на оцифровку базы знаний? Без этого агент будет галлюцинировать (врать как "сивый мерин"), потому что ему просто не на что опираться. Нужен централизованный FAQ/документация + RAG‑слой, чтобы модель не «придумывала», а ходила за фактами в ваши документы.
5️⃣ Кто будет отвечать за AI-агента?
А.Ф.: Допустим, заказчиком внедрения агентов выступаем мы, то есть коммерческий блок. Мы ожидаем оптимизации процессов и сокращения издержек. Однако, будет ошибкой думать: «Мы купили AI, теперь он работает сам». AI-агентов требуется дообучить, настроить и контролировать. В этом нам потребуется участие Тех департамента.
С.Ш.: В отличие от покупного софта, агент - живой продукт, требующий к себе внимания. Кто-то конкретный должен регулярно разбирать логи, править настройки/промпты и принимать решения, что считать нормой, а что — багом. Так что это не минус 5 человек в коммерческом департаменте, а + 1 в тех депе. 🙁
Вопрос к читателям: кто, на ваш взгляд, должен в компании отвечать за работу AI – агентов? Направление, выступающее заказчиком? Или Технический департамент, отвечающий за внедрение и поддержку?
6️⃣ Как это повлияет на команду и корпоративную культуру?
А.Ф.: Чем в итоге станет AI для команды - помощью или заменой? Как внедрение AI в одном отделе повлияет на работу другого? Стоит ли ожидать саботажа сотрудников, которые боятся потерять работу? Нужно четко транслировать команде: AI берет рутину, люди берут сложные задачи (и, возможно, получают премии за рост эффективности).
С.Ш.: Технически можно включать два режима: copilot (агент подсказывает) и autopilot (агент действует сам). Обычно разумно стартовать с copilot — команда привыкает, мы собираем данные, а уже потом переводим куски процессов на автопилот.
7️⃣ Каков бюджет на ошибки и дообучение?
А.Ф.: Стоимость внедрения AI часто складывается не только из лицензии, но и из времени на его настройку и интеграцию. При этом может потребоваться 2–3 месяца тестирования, когда результат будет слабее, чем при работе людей. Имеет смысл включить расходы на приобретение лицензий и пилотное тестирование в бюджет Технического департамента.
С.Ш.: Первые 2–3 месяца агент почти гарантированно будет работать хуже людей — это нормальный обучающий цикл. В бюджете должно быть место на пилот, параллельную работу «люди+агент» и время на разбор/докручивание, а не только на оплату LLM модели или токенов. И только после этого появится возможность экономить на части рутинных задач сотрудников.
Вопрос к читателям: в бюджете какого направления нужно учитывать расходы на внедрения AI?
8️⃣ Интеграция с IT-ландшафтом: у нас ад или рай?
А.Ф.: AI-агент должен забирать данные из CRM, перепроверять их по базе знаний и складывать результат обратно. Если CRM представляет из себя «кладбище данных» с мусором, то и AI будет работать криво. А еще нужно «подружить» AI с текущей инфраструктурой. Это тоже кто-то должен делать.
С.Ш.: Без вменяемого API и порядка в текущих системах (например, в CRM) агент будет слеп: он не видит историю, не может писать статусы и нормально завершать процессы. Придётся делать интеграционный слой и наводить порядок в данных, иначе 80% времени уйдёт на борьбу с вашим же зоопарком систем.
9️⃣ Что мы будем делать с полученным эффектом?
А.Ф.: Даже в случае успеха с внедрением AI-агента можно попасть в ловушку успеха. Вот внедрили агента, и он начал приносить в 3 раза больше лидов, чем раньше. Ваш отдел продаж сможет переварить новые объемы? А если AI ускорит поддержку, не просядут ли смежные отделы?
С.Ш.: Если агент внезапно удвоит входящий поток, он такой же безжалостный усилитель узких мест, как и хаоса. Поэтому заранее моделируем нагрузку и закладываем троттлинг и «рубильники», чтобы можно было быстро притормозить генерацию лидов или диалогов.
🔟 Как мы будем измерять ROI?
А.Ф.: Как отличить успех от провала? Ответ «круто, AI отвечает быстро» не является годной метрикой. Требуется KPI, по которому можно будет сравнить «до» и «после». Например: Cost Per Lead снизился в 3 раза, конверсия из MQL в SQL увеличилась в 2 раза, и т.д. Если метрики заметно улучшились, значит мы все спланировали и реализовали верно, повысили эффективность направления и можем ожидать премии за это.
С.Ш.: Нормальный агент сразу строится с телеметрией: SLA, % авто‑решений, влияние на конверсию и нагрузку на людей. Дальше это гоняется через A/B или «до/после» по цифрам — не по ощущениям, а по цифрам, иначе разговор про ROI превращается в веру.
Вопрос к читателям: кто должен получить премию за успешный результат внедрения AI-агента или нести ответственность за провал? Коммерческий или технический блок? Или вместе?
Резюме: Если вы можете честно ответить на эти вопросы и ответы не отпугивают – поздравляем! Вы готовы к осознанному внедрению AI- агентов. Если большинство ответов начинаются с «надо подумать» или «как-нибудь само настроится» — стоит начать с малого пилота, а не с тотальной автоматизации.
Будем рады, если в комментариях или в наших ТГ каналах
Алексей https://t.me/growthinIT
Стас https://t.me/HuRated
вы поделитесь своим мнением и добавите свои обязательные вопросы перед внедрением AI - агентов.
