ИИ-агент в продажах: как не терять лиды после 18:00
ИИ-агент на первой линии продаж закрывает три классические боли отдела: выгорание менеджеров, субъективную квалификацию лидов и потерю обращений после 18:00. Ниже разбор того, как такая связка устроена в Альбато, и рабочий пример агента для аренды автомобилей на связке Usedesk, amoCRM и Google Sheets. Материал собран по итогам доклада на конференции по продажам. Доклад прочитала Мария Емельянова, Альбато.
О чём говорится в докладе
- Скорость первой реакции напрямую влияет на конверсию: чем дольше менеджер молчит, тем меньше шансов на сделку.
- В 2026 году ИИ-агенты перестали быть привилегией техно-команд. Барьер для нетехнических специалистов снизился.
- Три главные боли продаж: выгорание менеджеров, ошибки квалификации, ограничение бизнес-часами.
- Робот не заменит человека в продажах, но возьмёт на себя первую линию и передаст менеджеру теплый лид с готовой расшифровкой диалога.
- Сборка ИИ-агента под конкретную задачу занимает не месяцы, а пару недель.
- Кейс с арендой автомобилей: связка Usedesk, ИИ-агент Альбато, amoCRM, Google Sheets как база знаний.
Почему скорость первой реакции решает всё
Чем дальше менеджер от клиента по времени реакции, тем ниже вероятность довести его до сделки. Это не теория, а ежедневная реальность для тех, кто получает заявки из нескольких каналов одновременно. Внутри Альбато служба поддержки работает с жёстким нормативом первой реакции: первая минута.
«У нас, например, наша техподдержка, у нас есть жесткие таргеты, мы должны ответить в ближайшую минуту. У ребят даже последние показатели были 47 секунд, 50».
Именно эта механика чаще всего ломает воронку: клиент пишет вечером в нескольких каналах, не получает ответа и до утра успевает уйти к конкуренту. В докладе приводится личный пример из практики покупателя, не продавца.
«Я ребятам написала в нерабочее время, я была настойчива и написала им практически во всех каналах. Мне никто не ответил. Я связалась с другим продуктом, и у них как раз подключен ассистент, который быстро мне ответил, назначил встречу на завтра. На следующий день первые ребята тоже со мной связались в рабочее время, но я уже им отказала. Я сама была в такой ситуации: хотела купить и не купила».
Эта история не уникальна для одной отрасли. Так уходят клиенты в SaaS, в недвижимости, в B2B-услугах. О том, как выстроить процесс обработки заявок и не допускать таких разрывов, мы писали отдельно: как не терять заявки с сайта.
ИИ-агенты в 2026 году: барьер для нетехнических команд упал
Полтора-два года назад внедрение ИИ в бизнес-процессы требовало команды разработчиков, отдельного бюджета и месяцев работы. Сегодня всё иначе. Подписки на ЛЛМ (большая языковая модель) стоят как обычный SaaS-инструмент, а сборка агента переехала из кода в визуальный конструктор.
«Те компании, которые не используют искусственный интеллект, неважно, просто общаетесь с ним, выбрали какую-то модель и что-то у неё спрашиваете, или встраиваете агентов и модели в бизнес-процессы. Если вы этого не делаете, то вы начинаете стагнировать и отставать от конкурентов».
При этом главный барьер для входа часто психологический. Открываешь видео, чтобы разобраться, и на тебя сыплют термины: ЛЛМ, агенты, RAG, ИИ. Реакция: «отложу ещё на немного». На практике достаточно одного захода: купить подписку на одну из моделей, начать с ней общаться, прокачать рабочие промпты, и дальше барьер уходит сам. Подробнее про практические сценарии: ChatGPT и DeepSeek для бизнеса.
Три главные боли отдела продаж, которые закрывает ИИ-агент
Это центральная часть доклада. Проблемы человеческого фактора в продажах разложены на три понятных пункта.
1. Усталость и выгорание менеджеров
Любой менеджер по продажам остаётся обычным человеком. У него бывают плохие дни, простуда, личные обстоятельства. И в такие дни скорость первой реакции и качество диалога падают. Решение, которое разбирается в докладе: подключить ИИ-агента на входящую линию. У машины нет настроения. Если в неё загружена база знаний, она одинаково отвечает в понедельник в 9:00 и в субботу в 23:00. Ровный тон, одинаковая полнота ответа, одна и та же скорость в любое время.
2. Ошибки квалификации лидов: «вкусовщина»
Вторая боль связана с субъективностью оценки лида. Клиент написал сухо или грубо, менеджер поставил минус и квалифицировал диалог как «не наш». Это фильтрация, не основанная на реальном потенциале сделки. Агент не оценивает тон эмоционально. Он работает по критериям из промпта и базы знаний. Часть «холодных» по ощущениям лидов на деле могла быть теплыми, их просто так оформили. Когда поток входящих идёт через агента, эта вкусовщина уходит как класс.
3. Ограничение бизнес-часами
Большинство отделов продаж работают пять через два с 9 до 18. Даже при графике два через два или сменах остаются часы, когда никто не отвечает. Именно вечерами и в выходные пишут те, кто готов покупать. Они сами в моменте сравнивают предложения и уходят туда, где быстро ответили.
«Лица, принимающие решения, часто сидят вечером, остаются в офисе, задерживаются. Они могут спокойно в нерабочее время искать услугу или продукт, написать вам, и вы просто потеряете этот лид».
Вывод простой: либо первая линия закрыта 24/7, либо часть выручки уходит конкуренту, у которого она закрыта.
Робот не заменит менеджера, но возьмёт первую линию
Позиция доклада чёткая: ИИ-агент не должен закрывать сделки вместо живого менеджера. Это не цель.
«Лучше, чем человек продать другому человеку, какой-то робот не сможет. Но мы точно можем облегчить менеджерам работу: помочь с квалификацией лидов, отдавать им только теплые сделки, заводить им сразу встречи».
Логика процесса простая: агент сам ведёт первую линию диалога с клиентом, отвечает на базовые вопросы и доводит обращение до точки, когда менеджеру есть что подхватить. Дальше менеджер получает теплый лид с готовой расшифровкой диалога и переходит сразу к продаже. Такая модель снимает с менеджера рутину первой линии и оставляет ему то, где живой человек действительно нужен: переговоры, возражения, сделка. Если хотите глубже разобраться в подготовке агента, у нас есть чек-лист настройки ИИ-агента из 10 шагов.
Как устроена платформа Альбато: триггеры, экшены и 1 000+ сервисов
Перед разбором кейса полезно зафиксировать, как устроена сама платформа. Альбато на рынке с 2018 года, входит в реестр аккредитованных IT-компаний РФ и является резидентом Сколково. Серверы расположены на территории РФ, платформа соответствует 152-ФЗ о персональных данных.
На платформе более 1 000 коннекторов: CRM, helpdesk, телефония, рекламные кабинеты, 1С. Если сервиса нет в каталоге, но у него есть API (программный интерфейс), его можно добавить через конструктор приложений. Внутри Альбато два ключевых понятия: триггеры и экшены. Триггер срабатывает при изменении в сторонней системе: появилась новая заявка в CRM, оператор принял звонок, поступило новое сообщение в helpdesk. Экшен это действие в системе-приёмнике: создать сделку, записать строку в таблицу, отправить уведомление в мессенджер.
Альбато оборачивает API в человекочитаемый формат. Не нужно читать техническую документацию: поля называются понятными словами вроде «заявка с формы» или «звонок принят». Для систем без коннектора есть конструктор приложений, в котором интеграция собирается из готовых блоков. О логике триггер-экшен подробно: что такое вебхук и как с ним работать.
Кейс: ИИ-агент для аренды автомобилей на связке Usedesk, amoCRM и Google Sheets
Кейс собран на основе реальных запросов клиентов Альбато за последние полгода. Один из свежих примеров: сеть медицинских клиник, где агент записывает пациентов на приёмы и подсказывает, как готовиться к процедурам. Демо построено на аренде автомобилей.
Шаг 1. Триггер: новое сообщение от клиента в Usedesk. На посадочной странице у клиента стоит helpdesk-виджет. Любое сообщение от посетителя через вебхук уходит в Альбато моментально.
Шаг 2. ИИ-агент Альбато подхватывает сообщение. В связке агент стоит сразу после триггера и принимает входящие. Это новый инструмент платформы.
Шаг 3. Экшены без жёсткой логики. В классической связке экшены идут последовательно. В агенте иначе: накидываете нужные экшены в любом порядке, какие применить и когда, агент решает сам по контексту обращения. В демо подключены: ответ клиенту в Usedesk, поиск и создание контакта в amoCRM, создание сделки, обновление статуса на «переговоры» при первом ответе клиента, перемещение сделки на следующий этап воронки при выборе автомобиля.
Шаг 4. База знаний в Google Sheets. Агенту обязательно нужна точка опоры, иначе он начинает фантазировать.
«Очень важно отдать в агента базу знаний, он должен на что-то ориентироваться. Если вы дадите максимально большое количество контекста вашему агенту, то он будет отвечать не хуже ваших менеджеров на входе».
Подойдёт любая структурированная база: таблица, документ, файл, отдельная система. В кейсе использовалась простая таблица Google Sheets с моделями автомобилей и условиями аренды.
Шаг 5. Маппинг полей через встроенного ассистента. На этом шаге нужно показать платформе, что емейл из формы ложится в поле емейла amoCRM. В Альбато это берёт на себя ассистент, и шаг превращается из часов ручной работы в минуту проверки.
Шаг 6. Промпт. Самая трудоёмкая часть сборки. Назначаете агенту роль, тон, этапы и ограничения, чтобы он не придумывал то, чего нет.
«Самое сложное и самое скрупулёзное это написание промпта. Современные ЛЛМ-ки уже настолько хорошо понимают простую речь, что пишите своими словами, что вы хотите. Если ещё полтора года назад надо было структурированно описывать, то сейчас можно своими словами».
В демо-промпте были этапы (что сделать на первом, что на втором), тон («дружелюбный, профессиональный»), реакция (на сообщение пользователя) и ограничения от галлюцинаций.
Шаг 7. ЛЛМ-«мозг». Чтобы агент думал, ему нужна модель. В Альбато есть собственное решение Albato AI: не нужно отдельно регистрироваться в OpenAI или Gemini и решать вопрос с оплатой иностранными картами. Также подключаются российские модели YandexGPT и GigaChat. Подробная инструкция по российской ЛЛМ: как подключить GigaChat API.
Шаг 8. Журнал агента. После запуска связки появляется лог: пошагово видно, что агент делал на каждом обращении. В какой источник «стучался», что искал, как ответил клиенту. Этот же журнал помогает дорабатывать промпт: если агент перестаёт «попадать» в кейс или галлюцинирует, по логу видно, на каком шаге он сломался. Без журнала отладка превращается в гадание.
В завершение демо обозначен эффект, ради которого всё это собирается.
«Условно оставили его на выходные работать, пусть сдаёт автомобили в аренду. В понедельник менеджер вернулся к работе и увидел, что у него в воронке amoCRM уже лежит готовая сделка на этапе переговоров».
Что важно учесть, если вы запускаете ИИ-агента в продажах
Из доклада складывается короткий чек-лист. Если вы решили попробовать ИИ-агента на первой линии продаж, держите эти пункты в голове.
- Дайте агенту максимум контекста. База знаний обязательна. Без неё агент будет либо отвечать общими фразами из открытых источников, либо фантазировать. Подойдёт любая структурированная информация: таблица, документ, отдельная база.
- Поставьте агенту реалистичную цель. Не «закрыть сделку», а «довести до встречи» или «передать менеджеру теплый лид с расшифровкой диалога». Агент справляется с этим заметно лучше, чем с попыткой заменить продавца целиком.
- Промпт пишите своими словами. Назначьте роль, тон, этапы, ограничения. Если агент часто галлюцинирует или уходит от темы, добавляйте ограничения, а не переписывайте промпт с нуля.
- Тестируйте на живых кейсах быстро. Сборка занимает не месяцы, а пару недель. Дальше нужны 1-2 недели на живых обращениях. Месяц считается уже долгим сроком.
- Освободите менеджеров от первой линии. Цель агента не сэкономить на ФОТ, а перевести менеджеров на работу с теплыми сделками. Вы получите больше переговоров и встреч, а не меньше людей.
- Подключайте журнал и читайте его. Лог действий агента остаётся главным инструментом доводки. Без него вы не поймёте, где агент срезается.
Принцип переносится в любую вертикаль с входящими обращениями: интернет-магазины, образование, медицина. Похожую логику связок мы разбирали в материале про автоматизацию продаж на Авито.
Частые вопросы
Заменит ли ИИ-агент менеджера по продажам?
Нет. Человек по-прежнему лучше продаёт другому человеку. Задача агента ограничивается первой линией: квалифицировать лид, довести диалог до встречи или передать теплого клиента менеджеру с готовой расшифровкой. Сама сделка остаётся за живым продавцом.
Сколько времени занимает сборка ИИ-агента в Альбато?
Рабочий ИИ-агент собирается за пару недель: настройка связки, промпт, база знаний, ЛЛМ. Дальше нужно 1-2 недели на тестирование на живых кейсах. Раньше похожие задачи решались месяцами с командой разработчиков.
Что нужно подключить, чтобы агент работал в нерабочее время?
Минимум четыре компонента: канал входящих обращений (например, Usedesk), CRM для фиксации сделок (например, amoCRM), база знаний (например, Google Sheets) и ЛЛМ-модель в качестве «мозга». В Альбато можно использовать встроенную Albato AI или подключить GigaChat и YandexGPT для российского контура.
Какую ЛЛМ выбрать для ИИ-агента?
На этапе проверки гипотезы подходит Albato AI: не нужно регистрироваться в OpenAI или Gemini, нет проблем с иностранной картой. В российском контуре подключайте GigaChat или YandexGPT. На рабочей нагрузке стоит протестировать несколько моделей и сравнить качество на ваших кейсах.
Как написать промпт для ИИ-агента в продажах?
Современные ЛЛМ хорошо понимают простую речь, поэтому промпт можно писать своими словами. Важно указать роль агента, тон, этапы работы, реакцию (на какие сообщения отвечать) и ограничения от галлюцинаций.
Как понять, что агент работает корректно?
В Альбато есть журнал, в котором по шагам видно, что агент делал на каждом обращении: в какой источник «стучался», что искал, как ответил. Журнал нужен и для отладки, и для контроля качества. По логу видно, где агент ошибается, можно точечно поправить промпт или базу знаний.
Если хотите проверить механику ИИ-агента на своих лидах, путь короткий: связка из канала входящих, CRM, базы знаний и ЛЛМ. Большую часть рутины первой линии можно отдать агенту за пару недель.
