На первых встречах руководители промышленных, дистрибьюторских и сервисных компаний спрашивают одно и то же: будет ли бот продавать, сколько это стоит, безопасно ли передавать ему данные, когда появится результат и что станет с качеством через полгода. Отвечаем по каждому вопросу: где чат-бот действительно помогает, где он не нужен и какие цифры считать нормальными.
1. Может ли бот продавать в B2B
Менеджера в B2B-продажах бот не заменит. Если сделка на несколько миллионов, решение принимает комитет, согласование идёт месяцами, а на стороне клиента участвуют закупки, производство, финансы и руководство, продавать всё равно будет человек.
Но участок до сделки бот закрывает целиком:
- →отвечает на первый вопрос за секунды, а не за сутки
- →уточняет отрасль, регион, задачу и срок
- →отличает нового клиента от действующего
- →передаёт обращение нужному менеджеру
- →заводит карточку в CRM с собранным контекстом
- →не теряет заявку вечером, в выходной и в час пик
Ценность тут в скорости и порядке. Клиент, который ждёт ответа сутки, успевает написать конкуренту. Callibri разобрала более 870 тысяч обращений в 528 проектах производственных компаний с июня 2024 по июнь 2025: 38% клиентов, оставивших номер в виджете обратного звонка, так и не дождались звонка, а 28% компаний отвечают на сообщения дольше десяти минут.
Зависимость между скоростью и результатом замерена давно: на 15 тысячах заявок и 100 тысячах попыток дозвона шансы квалифицировать лид падали в 21 раз, если ответ сдвигался с пяти минут на тридцать. Замер сделал профессор Джеймс Олдройд на данных InsideSales.com ещё в середине 2000-х, поэтому читать его стоит как порядок величин, а не как точный коэффициент.
Корректное ожидание такое: бот не продаёт вместо отдела продаж. Он ускоряет первый контакт, собирает данные и даёт менеджеру начать разговор не с пустого места.
2. Есть ли смысл, если заявок немного
Если речь про 30 новых заявок в месяц, эффект в продажах будет ограниченным. На таком объёме проект сложно обосновать экономией времени менеджеров.
Но в B2B есть второй поток, который на старте забывают посчитать, - обращения действующих клиентов: статус отгрузки, повтор заказа, запрос документов, рекламация, заявка на выезд инженера, наличие, сроки, обращение в сервис. Эти запросы повторяются каждый месяц и забирают время у менеджеров, логистов, бухгалтерии и поддержки.
И третий блок - внутренние обращения сотрудников. В крупной компании вопросы к ИТ, кадрам, бухгалтерии и хозяйственной службе идут тысячами в месяц: так было на проекте инженерного предприятия, где мы ставили бота внутренней техподдержки. Основной эффект чат-бот часто даёт именно здесь - он снимает нагрузку с людей, которые каждый день отвечают на одни и те же вопросы и руками заводят заявки. Как считать окупаемость до подписания счёта, разобрали в статье ИИ-бот, который окупится.
3. Останутся ли данные внутри компании
Да. Языковую модель разворачивают внутри инфраструктуры заказчика: запросы не уходят во внешние облачные сервисы, обработка выполняется на сервере компании. Этот вариант выбирают, когда бот работает с зарплатами, коммерческими условиями, маржой, клиентской базой, персональными данными и внутренней перепиской.
Для инженерной компании из промышленной автоматизации мы сделали именно так: языковую модель развернули на сервере клиента с видеокартой, а штатный облачный ИИ Битрикса отключили - во внутренних обращениях встречаются данные, которые нельзя отправлять наружу. Как это устроено технически, разобрали в статье ИИ-бот техподдержки, у которого данные не уходят в облако, а замену штатного облачного ИИ Битрикса своей моделью - в разборе свой провайдер ИИ для Битрикс24.
Если собственная инфраструктура не нужна, подойдут российские модели - YandexGPT или GigaChat: обработка остаётся внутри страны. Но требования 152-ФЗ выполняет не модель, а вы как оператор данных, и условия у сервисов разные: соглашение GigaChat прямо запрещает отправлять персональные данные в запросах, а Yandex Cloud заключает поручение на обработку и подтверждает первый уровень защищённости аттестатом. Что можно отдать в облако, а что остаётся в контуре, решается на этапе разбора данных.
4. Откуда бот берёт ответ и можно ли его проверить
Ответ бот собирает из ваших документов. Даже сильная языковая модель сама по себе не знает внутренние регламенты, актуальные цены, правила сервиса, условия отгрузки и исключения. Не дать ей эти данные - значит получить общий ответ в стиле "как обычно бывает" там, где нужен ответ по правилам компании.
Рабочая схема выглядит так: документы режутся на смысловые фрагменты, по ним настраивается поиск, бот находит подходящие куски, модель формирует ответ строго по найденному и показывает источник. Если данных нет, бот честно об этом говорит и отдаёт вопрос человеку. Эту архитектуру называют RAG.
Устройство RAG по шагам - в статье почему RAG-агент не выдумывает. Почему ассистент отвечает общими словами даже тогда, когда документы вроде бы загружены, - в разборе данные важнее модели. Практический вывод один: основное время проекта съедает сборка базы знаний - разобрать документы, расставить права доступа, выкинуть устаревшие редакции. Сам бот собирается быстрее.
5. Что в бюджете проекта кроме самого бота
Цена складывается ступенями: кнопочный бот в конструкторе стоит на рынке десятки тысяч рублей, агент с базой знаний и интеграциями - сотни тысяч, проект с локальной моделью в своём контуре - миллионы. Разбор ступеней и того, что входит в смету, - в отдельной статье про то, сколько стоит чат-бот для бизнеса. Здесь - про статьи расходов, которые на старте не закладывают.
- →подготовка базы знаний: разбор документов, права доступа, чистка устаревших редакций
- →настройка интеграций с CRM, учётной системой, телефонией и сайтом
- →инфраструктура при локальном размещении - сервер с видеокартой и его администрирование
- →тестирование на реальных обращениях, а не на придуманных примерах
- →сопровождение после запуска: дообучение на новых вопросах, расширение сценариев
- →время сотрудника, который отвечает за актуальность базы знаний
Подготовка данных занимает больше времени, чем кажется на старте. Бота собирают быстро, а вот источники для ответов ему готовят долго - и именно от них зависит, будет он полезен или начнёт путать клиентов.
6. Когда появится результат
Устойчивое качество наступает через два-три месяца. Первый эффект виден раньше: бот начинает отвечать на типовые вопросы, создавать заявки и разгружать первую линию. Но день запуска и стабильная работа - разные вещи.
Первые недели уходят на доводку по живым диалогам. Пользователи спрашивают не так, как описано в сценарии. В базе знаний находятся пробелы. Часть ответов требует уточнения, появляются новые формулировки, правила передачи человеку приходится корректировать, а работу в пиковые периоды - проверять отдельно.
В проекте для инженерной компании от старта до боевого использования прошло три месяца. За это время бот получил базу знаний с учётом прав доступа, локальную модель в контуре, десять шаблонов заявок и проверку ответов нейросетью-судьёй. Планировать поэтому стоит не "запустили и забыли", а запуск с периодом настройки и контроля.
7. Какие показатели считать нормальными
Показатели зависят от типа обращений. Для внешних типовых вопросов ориентир - до 80% обращений, закрытых без участия сотрудника: при условии, что вопросы повторяются, база знаний актуальна, а бот подключён к нужным данным.
В проекте для компании по продаже и обслуживанию спецтехники нейросотрудник в Telegram отвечает на вопросы о наличии, показывает статусы заказов, подбирает технику по параметрам и принимает заказ запчастей по VIN, серийному номеру или фото шильдика. До 80% обращений он закрывает самостоятельно - разбор в кейсе.
Для внутренней поддержки цифра ниже: часть обращений требует прав доступа, действий инженера или согласования. Нормальный результат тут - около 40% вопросов, закрытых ответом из базы знаний без создания заявки. Остальное бот не бросает: собирает параметры, подбирает шаблон и заводит задачу.
Маршрутизация меряется отдельно. В одном из проектов бот определяет компанию по ИНН, сверяет её с базой из 3000 юридических лиц и ведёт обращение по маршруту: к закреплённому менеджеру, в техподдержку или в список новых клиентов. 80% обращений от клиентов из базы бот обрабатывает целиком, а время взятия в работу сократилось до 3-5 секунд (кейс).
8. Что будет с качеством через полгода
Качество снижается, если ботом не заниматься после запуска. Причины простые: поменялись регламенты, обновились цены и условия, добавились услуги, сменили модель, переписали сценарии, никто не читает диалоги, а владельца базы знаний внутри компании так и не назначили.
Бот не остаётся точным сам по себе. Его сопровождают так же, как CRM, сайт или любую внутреннюю систему.
В одном из наших проектов ответы бота проверяет вторая нейросеть: она сверяет их с эталонной таблицей примерно из 100 вопросов и выставляет оценку по весам, поэтому просадка видна раньше, чем сотрудники начнут жаловаться. Качество ответов держится на уровне 93%. Отдельно бот собирает обратную связь по закрытым заявкам - средняя оценка сотрудников за работу поддержки 4,5 из 5. Устройство этого контроля разобрали в статье нейросеть-судья оценивает качество ответов.
Тот же контроль ведут и вручную: раз в месяц прогоняют эталонные вопросы, читают реальные диалоги, обновляют базу знаний и смотрят, какие темы бот не закрывает. Главное - заранее назначить ответственного за знания.
9. С чего начать, чтобы не потратить деньги зря
Начинают не с платформы и не с выбора модели, а с разбора обращений. Выгрузите переписку менеджеров, поддержки или внутренних служб за две недели и выделите повторяющиеся вопросы. Дальше разложите их на три группы.
- 01Ответ есть в документах компании - регламенты, инструкции, прайсы, база знаний, условия сервиса.
- 02Ответ нужно взять из системы - 1С, CRM, сайт, склад, телефония, календарь.
- 03Нужен человек - с опытом, полномочиями и правом принимать решение.
Первые две группы автоматизируются. Третью боту целиком не отдают: он собирает данные, уточняет контекст и передаёт обращение сотруднику. Если повторяющихся вопросов много, задача для чат-бота есть. Если почти каждый запрос уникален и требует экспертного решения, полноценный бот не окупится - тогда разумнее ограничиться сбором первичной информации или не запускать проект.
Мы начинаем с потока обращений: какие вопросы приходят, кто на них отвечает, какие данные нужны, где они лежат и в какой момент подключается человек. После этого видно, что подходит - сценарный бот, ИИ-бот с базой знаний, агент с действиями в CRM и 1С или смешанная схема. Состав работ и подход - на странице разработки чат-ботов и ИИ-агентов. Если задача не окупится на текущем объёме обращений, мы скажем это прямо.
