Кейсы внедрения ИИ в продажи и маркетинг: 14 историй с цифрами

«Зачем мне тогда мозги пудрили всё это время».

Это клиент на тринадцатой минуте разговора. Он месяц вёл переговоры, получил договор, прочитал предмет и понял, что ему продают совсем другую услугу.

В CRM сделка выглядела образцово: встреча проведена, договор отправлен, стадии по порядку. Правда была только в записи звонка. Её и прочитал ИИ.

Ниже 14 таких историй, с июня по сентябрь 2026 года. Все из одной B2B-компании, где я веду маркетинг и встраиваю ИИ в продажи и аналитику. Названия и имена убраны, цифры настоящие.

Внедрение ИИ в продажи и маркетинг на практике выглядит так: нейросеть получает доступ к CRM, телефонии и почте и сверяет их между собой каждый день. У человека на такую сверку нет времени. Самые дорогие находки в этих кейсах лежали на стыке систем, где CRM показывала одно, а звонки и переписка другое. И почти каждый раз проблема оказывалась в процессе, а не в конкретном сотруднике.

Что ИИ находит в CRM, чего нет в отчёте

Отчёт CRM считает то, что в неё записали. ИИ проверяет, правда ли это. Пять историй про одно и то же: цифра в интерфейсе есть, за ней стоит что-то другое.

Пятнадцать квалификаций, из них одна живая

Метрика «прошли квалификацию» за неделю показала 15. Обычно бывает одна-две. ИИ разобрал каждое движение по стадиям и нашёл сервисный аккаунт интеграции. Он пачками прогонял пустые безымянные карточки через квалификацию в закрытие за секунды.

Из 15 квалификаций 14 оказались мусором автоматики. Живая одна. Так продолжалось с конца марта, по 3–31 карточке в неделю, и всё это время метрика была завышена на порядок.

113 лидов и ловушка ключа

Подрядчик по лидогенерации приносил 113 заявок в неделю и брал оплату за каждую. ИИ проверил дубли двумя способами.

По номеру в названии сделки вышло 17 разных «проектов». Выглядело так, будто подрядчик продаёт одно и то же по семь раз. По телефону вышло 113 разных людей и ноль дублей. Номер в названии оказался ID рекламной кампании подрядчика: одна кампания приводит до 22 человек в неделю.

Форма, которая удваивает заявки

Новый попап на сайте за неделю принёс 9 заявок. Разных телефонов среди них 7: два человека нажали кнопку дважды, форма не блокирует повторную отправку.

Среди оставшихся нашлась настоящая заявка из региона. Её закрыли через 20 часов без единого звонка. В отчёте всё это выглядело как «канал дал 9 лидов».

Один подрядчик, три метки

На одном потоке заявок за четыре дня сменились три метки источника, под одной из них 710 карточек. Считай каналы по меткам, и один подрядчик превращается в три разных канала, а картина источников в отчёте руководству едет.

ИИ не стал суммировать и не стал гадать. Показал раскладку по дням и спросил. Выяснилось, что у подрядчика несколько партий с разными метками, это штатно. Правильная единица счёта здесь поток, то есть название сделки. Метка внутри потока вторична.

Почему цифры ИИ не сходились с CRM

Каждое сравнение давало расхождение: 152 против 139, 97 против 122, 110 против 106. С таким разбросом ИИ-цифрам не верит никто, и правильно делает.

Причина нашлась в методике. CRM по-своему решает, когда лид «прошёл стадию», и по-своему собирает ранние стадии. Когда ИИ повторил её формулу, три воронки сошлись один в один на контрольной неделе. Пока методика не выверена, ИИ-аналитик бесполезен, сколько бы он ни умел.

Откуда на самом деле приходят деньги

За квартал компания получила 33 оплаты. Большинство числилось за источником «прямой, без меток». Откуда идут деньги, не знал никто.

ИИ провёл форензику по всем 33 сделкам. Вытащил полную историю общения, заметки по сделкам и контактам, звонки и письма, всего 2 319 строк. Поднял старые сделки тех же людей с их метками. Сопоставил возраст контакта с датой оплаты.

19 оплат из 33 принесли люди, с которыми компания общалась от полугода до шести лет. Одного клиента вели с апреля 2020 года, 263 звонка. Другого с декабря 2021-го, 157 звонков. Третьего с октября 2023-го, 110 звонков.

Свежая реклама в квартал прихода почти не конвертилась. Пришли и заплатили в том же квартале около шести человек из 33, и половина из них пришла по рекомендации или сама.

Рекомендации дали 12% оплат. Реферальной программы при этом нет, всё восстановлено по обрывкам заметок: «по рекомендации», «действующий клиент привёл второе юрлицо соучредителя».

Нашёлся и тихий герой. Один из менеджеров сопровождения всплывал в дожиме договоров по сделкам, которые числились за неизвестными источниками. Клиенты просили позвать именно этого менеджера.

Как собрать атрибуцию, которая это видит, разбирал в статье про сквозную аналитику в B2B.

Что слышно, когда слушаешь весь отдел

С июля в компании расшифровываются все значимые звонки отдела обзвона, без выборки. Расшифровка идёт на локальной модели на маленьком сервере, одно ядро и 1,9 ГБ памяти. Стоит это 0 рублей в месяц, записи наружу не уходят. Утром ИИ читает транскрипты целиком и сводит их с данными телефонии.

Месяц продавали услугу, которой нет

Тот самый разговор из начала. Клиент месяц просил одно: контроль за тем, как его сотрудники заводят первичные документы. «Она пишет 90 единиц вместо 100. Как вы это определите?»

Это задача бухгалтерского аудита. Компания занимается доработкой и сопровождением программ, такой услуги у неё нет. Выяснилось это на этапе договора, и сделка ушла. По всем метрикам CRM до момента отказа она была образцовой.

Пять цен на одну услугу

Сплошная расшифровка впервые дала сравнить, что говорят клиентам разные сотрудники. За двое суток прозвучали пять несовместимых цен на один продукт: 9 400 ₽ в месяц, депозит 10 часов по 3 400 ₽, депозит от 6 800 ₽, пакет 8 часов по 2 800 ₽, обслуживание за 15 000 ₽ в месяц.

Один клиент поймал это прямо в разговоре: «Изначально речь шла про 9 400, а у вас практически вдвое дороже». И отказался.

Два звонка одному клиенту

Один сотрудник закрыл госучреждение как бесперспективное: закупки только через торги. В тот же день другой сотрудник назначил этому клиенту видеовстречу. Каждый видел только свою карточку. ИИ сопоставил звонки по номеру и вынес противоречие на решение руководителю до встречи.

Скрипт, который не звучит

Первый прогон сверки звонков со скриптом продаж дал средний балл около 45%. Три пункта скрипта менеджер не выполнил ни в одном из четырёх продающих разговоров, включая главную акцию против «дорого». Разбор по шагам и расчёт в деньгах в статье нейросети для отдела продаж.

Почему рассылка с отдачей 15% упала до 2%

После каждого вебинара компания отправляет письмо с записью эфира и приглашением к разговору. Канал работал больше года, и его отдачу не считал никто: письма не сводились ни с посещаемостью эфира, ни с ответами.

ИИ выгрузил из CRM 165 тысяч писем, разобрал переписку на пары «наше письмо и ответ клиента», привязал каждое письмо к эфиру. Получателей разложил на две группы: кто был на эфире и кто зарегистрировался, но не пришёл.

Исторически письмо уходило тем, кто не пришёл. Человек пропустил эфир, получил запись и ответил. Отдача держалась на 9–20% ответов полгода подряд.

На последнем эфире сегмент перевернулся. Письмо получили 46 из 59 человек, которые сидели в зале, и ни один из 138 не пришедших. Ответ пришёл один. Отдача упала с 15% до 2%. Человеку, который час просидел на эфире, отвечать не на что: он уже всё услышал.

Технически при этом всё было исправно. Письмо ушло вовремя, доставка ровная, в интерфейсе зелено. Адресата молча поменяли, и заметить это было некому.

Где ИИ ошибается

Теперь честная часть. В том же разборе рассылки ИИ ошибся четыре раза подряд. Искал письма не в той сущности CRM и объявил живой канал мёртвым. Посчитал переписку по тредам вместо получателей, и лучший ящик попал в отчёт худшим. Захватил окном соседний эфир и выдал охват 281%. Придумал объяснение разнице между ящиками и не проверил поле «От».

Каждый раз цифры были верными, вывод ложным. И почти каждый раз ошибку поймал человек.

Ещё раньше ИИ «доказал», что сотрудник сливает тёплую базу после двух гудков. Проверка SMS и писем перевернула вывод. Все пять случаев и правила проверки, которые после них появились, разобрал в статье галлюцинации ИИ в аналитике.

Как ИИ чинит собственный конвейер

Ночная расшифровка звонков работает на слабом сервере, и иногда модель зацикливалась: вместо текста выдавала повтор одного слова. Прошлый фикс только ловил такой мусор и обнулял его. В итоге три дня расшифровок пропали молча, и руководитель этого не видел.

Утром ИИ заметил странность: у части сотрудников ноль расшифровок при полном объёме звонков в базе. Предположил, что сбой случайный, и проверил опытом. Перезапустил те же файлы тем же кодом, и они распознались чисто за 14–17 минут. После этого он написал настоящий фикс с автоповтором. Три потерянных дня вернулись.

С чего начать у себя

Весь этот стек сразу не нужен. Вот проверки, которые окупаются первыми. Каждую можно сделать за вечер даже руками, ИИ просто делает их каждый день.

1. Кто двигает лиды по стадиям. Выгрузи движения за неделю с автором. У нас сервисный аккаунт интеграции завышал квалификации в 15 раз.
2. Дубли по телефону. Сверь заявки подрядчика по телефону или почте. Номер в названии сделки может оказаться чем угодно.
3. Возраст контакта на оплате. Посчитай, сколько оплат квартала принесли люди, которые пришли в базу раньше. У нас вышло 58%.
4. Кому уходит автоматическая рассылка. Возьми любую цепочку и проверь сегмент получателей руками. Настройки меняются молча.

Это та же логика, что в аудите маркетинга: сначала проверяем, что цифры правдивы, потом по ним решаем.

Частые вопросы

Полезные материалы

• Галлюцинации ИИ в аналитике: пять случаев, когда нейросеть уверенно ошибалась
• Нейросети для отдела продаж: как устроен контроль звонков по скрипту
• ИИ-агенты для бизнеса: чем агент отличается от промпта и чат-бота
• Сквозная аналитика в B2B: как видеть, откуда приходят деньги
• Аудит маркетинга: найдём, где врут твои цифры