Один из проектов, с которым мы сейчас работаем, — крупная производственная компания, входящая в топ-10 по России в своей категории. Компания производит и продаёт специальное оборудование для B2B и работает с совершенно разными типами заказчиков: крупными дистрибьюторскими сетями, подрядчиками, строительными организациями и конечными заказчиками.

Схема продаж здесь значительно сложнее, чем обычная работа с входящими заявками. Где-то оборудование закупает крупный дистрибьютор. Где-то оно появляется отдельной строкой в тендере на строительство завода, нефтебазы, школы или другого большого объекта. Где-то менеджеру нужно найти компанию, которая только начинает строительство, выйти на нужных людей и постараться попасть в проект ещё до того, как закупка дойдёт до стадии тендера.

Поэтому и сам отдел продаж устроен неоднородно. Часть сотрудников работает с подрядчиками, часть занимается поиском крупных заказчиков, часть отслеживает тендеры и заторги, часть отвечает на входящие обращения с сайта и электронной почты. У сотрудников разный опыт, разная специализация и разный уровень владения цифровыми инструментами.

Когда речь заходит о внедрении ИИ в такую компанию, невозможно просто собрать весь отдел, показать несколько нейросетей и считать задачу выполненной. Здесь сначала нужно разобраться в самой работе компании.

Мы начали с оценки бизнес-процессов отдела. Для этого разбирали работу сотрудников достаточно подробно: какие задачи человек выполняет в течение дня, откуда получает информацию, что ищет вручную, какие документы готовит, где постоянно повторяет одни и те же действия и на каких этапах тратит больше всего времени.

В таком анализе довольно быстро становятся видны процессы, которые можно усиливать с помощью ИИ.

Например, менеджеру приходит запрос по тендеру, в котором указана определённая модель оборудования или технические характеристики. Нужно понять, подходит ли собственная продукция компании, найти аналог, сравнить характеристики, выделить расхождения и подготовить аргументированный ответ.

Другой сотрудник получает обращения с сайта и по электронной почте. Запросы могут быть совершенно разными: кому-то нужен подбор оборудования, кому-то технические характеристики, кто-то запрашивает цену, кому-то нужно коммерческое предложение под конкретный объект. Информацию приходится собирать из нескольких источников, приводить в понятную структуру и готовить ответ клиенту.

Ещё один блок работы связан с поиском новых объектов. Менеджеры отслеживают строящиеся заводы, производственные площадки, нефтебазы, школы, складские комплексы и другие крупные проекты, где потенциально может понадобиться оборудование компании. Здесь важны не только уже опубликованные тендеры. Чем раньше компания узнаёт о новом объекте, тем больше времени остаётся на выход к заказчику, проектировщику или подрядчику.

Отдельная задача — работа с коммерческими предложениями. В B2B-продажах одно и то же КП нельзя просто отправлять всем подряд. Нужно учитывать тип объекта, запрос заказчика, состав оборудования, технические условия, историю общения и этап переговоров.

Все эти задачи находятся внутри одного отдела продаж, но требуют разных сценариев работы с ИИ.

При внедрении ИИ в бизнес мы всегда смотрим на общие процессы компании и на работу конкретных сотрудников.

Общие сценарии действительно есть. Например, можно договориться, как сотрудники используют ИИ для подготовки коммерческих предложений, анализа документов, сравнения технических характеристик или обработки входящих запросов.

Но дальше начинаются различия.

Сотруднику, который занимается тендерами, нужен один набор сценариев. Ему важно быстро разбирать документацию, выделять требования, сравнивать позиции, искать аналоги и понимать, где продукция компании подходит под условия закупки.

Менеджеру, который работает с новыми объектами, нужны другие инструменты. Здесь ИИ может помогать собирать информацию о компаниях, строящихся объектах, инвестиционных проектах, новых производствах и планируемых закупках, а затем структурировать найденные данные для дальнейшей работы.

Сотруднику, который отвечает на входящие обращения, важнее быстро анализировать запрос клиента, понимать, какой информации не хватает, собирать основу ответа и готовить черновик коммерческого предложения.

Поэтому настройка ИИ для сотрудников в такой компании идёт по нескольким уровням: общая логика работы, единые правила безопасности и отдельные рабочие сценарии под функции конкретных людей.

Когда нейросети начинают использовать несколько десятков сотрудников, довольно быстро возникает ещё один вопрос: где и как должна храниться информация.

Если каждый сотрудник просто открывает новый чат и каждый раз заново объясняет нейросети, чем занимается компания, какого типа оборудование она производит и как принято отвечать клиентам, большого эффекта от такой работы не будет.

Нужно продумать структуру: какие инструкции использовать, какие проекты создавать, какие документы можно подключать как базу знаний, какие данные разрешено передавать внешней модели, а какие должны оставаться внутри корпоративного контура.

Для части задач достаточно правильно настроенного рабочего пространства в ChatGPT или другом сервисе. Для более сложных процессов уже могут понадобиться ИИ-агенты для бизнеса, которые работают с определёнными источниками данных, выполняют заданную последовательность действий и выдают сотруднику подготовленный результат.

Отдельно обязательно разбирается безопасность. Для производственной компании это особенно важно, потому что сотрудники работают с технической документацией, коммерческими условиями, клиентской информацией и внутренними данными.

Для B2B-компании очень интересна задача поиска объектов ещё на ранней стадии.

Когда тендер уже опубликован, вокруг него работают десятки поставщиков. Но информация о строительстве нового завода, логистического центра, школы, нефтебазы или производственного комплекса появляется значительно раньше.

Нейросеть может помогать менеджеру собирать такую информацию из открытых источников: находить новости о начале строительства, инвестиционные проекты, заявления компаний, публикации региональных властей, информацию о застройщиках, подрядчиках и новых производственных площадках.

После этого ИИ может приводить данные к единому виду: название объекта, регион, заказчик, подрядчик, стадия проекта, потенциальная потребность в оборудовании, доступные контакты и источник информации.

Менеджер получает уже подготовленную основу для дальнейшей работы и тратит меньше времени на ручной поиск.

Для отдела продаж это особенно важно, потому что освободившееся время можно направить на переговоры, выход на заказчиков, работу с подрядчиками и сопровождение сделок.

В производственных компаниях сотрудники регулярно сталкиваются с задачей подбора аналогов.

В тендере или проекте может быть указано оборудование другого производителя. Менеджеру нужно понять, можно ли предложить собственную модель, какие характеристики совпадают, где есть отличия и насколько они критичны.

Раньше специалист вручную открывал несколько технических описаний, сводил характеристики и сравнивал их по десяткам параметров.

ИИ значительно ускоряет эту часть работы. Он может структурировать характеристики, собрать их в таблицу, выделить совпадения и различия, обратить внимание на потенциально критичные параметры и подготовить основу для дальнейшего анализа специалистом.

Финальное решение всё равно остаётся за человеком, особенно когда речь идёт о технических характеристиках. Но сам объём ручной работы становится значительно меньше.

Главный эффект от внедрения ИИ в такой компании мы видим не в количестве сервисов, которые освоили сотрудники.

Мы смотрим на конкретные рабочие процессы.

Сколько времени раньше занимал анализ тендерной документации и сколько занимает после настройки ИИ. Насколько быстрее менеджер подбирает аналог. Сколько времени уходит на подготовку ответа клиенту. Насколько быстрее можно собрать информацию о потенциальном заказчике. Сколько новых объектов сотрудник способен проанализировать за неделю.

Именно поэтому мы формулируем свою работу так:

Мы разбираем работу компании и встраиваем ИИ в реальные процессы: управление, продажи, документы, аналитику, инженерные задачи, базы знаний и работу сотрудников.

Нас интересует не количество освоенных нейросетей, а то, какая работа после внедрения ИИ перестала выполняться вручную.

В большой производственной компании невозможно за несколько часов полностью изменить работу отдела продаж.

Сначала нужно разобраться в процессах, затем определить задачи, на которых ИИ даст реальную экономию времени, подобрать инструменты, настроить рабочие сценарии, решить вопросы безопасности и только после этого постепенно встраивать новые способы работы в ежедневные процессы сотрудников.

При этом первые полезные результаты появляются достаточно быстро. Даже более качественный поиск информации, автоматизация первичного анализа запросов, сравнение оборудования и подготовка черновиков коммерческих предложений уже снимают с менеджеров значительную часть рутинной работы.

Дальше можно двигаться глубже: создавать корпоративные базы знаний, настраивать ИИ-агентов, автоматизировать мониторинг новых проектов и связывать ИИ с существующими процессами компании.

Мы работаем с компаниями, которым нужно не просто познакомить сотрудников с нейросетями, а встроить ИИ в существующие бизнес-процессы.

Начинаем с анализа того, как сегодня устроена работа: продажи, документы, аналитика, управление, инженерные задачи, тендеры, коммерческие предложения, поиск клиентов и работа с внутренней информацией.

После этого определяем, где ИИ действительно может сократить ручную работу, и настраиваем инструменты под конкретных сотрудников и процессы компании.

Если вы рассматриваете внедрение ИИ в бизнес в Ростове-на-Дону или хотите понять, какие процессы в вашей компании имеет смысл автоматизировать в первую очередь, можно обсудить задачу на консультации.