Содержание

• Введение
• Почему это актуально
• Процессная ABM и единый контур ИИ-агентов
• Для сравнения: как выглядит «ручная» ABM
• Сравнение: деньги и производительность (ручной контур vs ИИ-агенты)
• Одинаковый бюджет, но разная выручка: прогноз MRR (ручной контур vs ИИ-агенты)
• Юридический комплаенс: как я соблюдаю 152-ФЗ и антиспам
• Что это меняет

1 октября я выступил на Moscow Startup Summit 2025 и показал, как перевести продажи от набора разрозненных активностей к процессной ABM со сквозной автоматизацией: ИИ-агенты закрывают повторяемые операции, люди — переговоры и чувствительные шаги. На одинаковом ICP и оффере это радикально снижает CAC и ускоряет окупаемость.

Я предлагаю смотреть на продажи как на процесс по аккаунтам и ролям ЛПР. Контур ИИ-агентов берёт на себя рутину — поиск компаний, проверяемые контакты, подготовку обращений, касания, сводки и даже онбординг. Всё фиксируется в CRM/DWH, поэтому видны CPL /CAC, ROMI и срок окупаемости — не «ощущениями», а цифрами.

ABM (Account-Based Marketing) — это подход, в котором продажи и маркетинг работают по конкретным компаниям (аккаунтам) и ролям ЛПР, а не по «каналам» и массовым лидам. Цель — довести нужные роли внутри выбранного аккаунта по цепочке касаний до сделки и расширения, считая экономику по каждому шагу.

Почему это актуально

Вчера продажам часто хватало одного работающего канала и 1−3 касаний. Сегодня путь B2B-покупателя — это 6−12 касаний при участии нескольких ролей (финансы, безопасность, ИТ, продукт), а информационный шум вырос: ИИ удешевил выпуск контента, но не расширил внимание аудитории. В такой среде набор разрозненных активностей дают разрыв атрибуции и рост себестоимости касаний.  Выход — управляемый процесс ABM: касания строю под аккаунты и роли ЛПР, рутину закрывают ИИ-агенты, люди остаются на переговоры и чувствительные шаги. Это возвращает предсказуемость воронке и снижает CAC при соблюдении комплаенса.

ICP (Ideal Customer Profile) — это портрет компании, ради которой вообще стоит делать касания. Набор признаков «наш клиент» + список красных флагов «проходим мимо». Чем точнее ICP, тем меньше мусора в воронке и ниже CAC.

Процессная ABM и единый контур ИИ-агентов

Я перестраиваю продажи из набора разрозненных активностей в управляемый процесс по аккаунтам и ролям ЛПР. Это те же шаги «ручной» ABM, только разбитые на микрооперации и выполненные ИИ-агентами на базе LLM. Массовые и дешёвые действия ведут операционные модели (быстрые, недорогие), тонкие задачи решают экспертные модели (длинный контекст, лучшее понимание).

Поток шагов

1. Краулер. Программно формируется база сайтов целевых компаний. Выход: домены и базовые метаданные.
2. Классификация (операционные модели). Определяются тип компании (e-com / B2B / B2C / гос), отрасль и примерный масштаб по публичным сигналам; нерелевантные сегменты отсекаются.
3. Поиск ролей ЛПР (экспертные модели). Выявляется состав buying committee в публичных источниках (маркетинг, продажи, финансы, ИТ/безопасность и т. п.); к каждому факту сохраняется ссылка-подтверждение.
4. Извлечение контактов (гибрид: правила + экспертные модели). Извлекаются рабочие e-mail/телефоны, выполняется дедупликация, пометка комплаенса и проверка по стоп-листам.
5. Кластеризация (кастом-код/ML). Аккаунты группируются по размеру и отрасли; на выходе — сегменты под разные цепочки касаний.
6. Коммуникационная политика (экспертные модели). Формулируются «боль» и оффер по сегментам, выбираются канал и последовательность касаний 1−5 шагов под роль ЛПР. Результат — маршрут: триггер → сообщение → следующий шаг → критерий успеха.
7. Отправка касаний (операционные модели). Персонализированные сообщения отправляются по правилу «одно касание — один канал». Логируется: аккаунт, роль, источник контакта (ссылка), версия шаблона, канал, время.
8. Аналитика ответов (экспертные модели). Ответы классифицируются (позитив/нейтрал/отказ/спам), рассчитывается эффективность связок «боль/оффер/канал», генерируются рекомендации для правок текстов и порядка шагов.
9. Цикл улучшения. Перед новой волной формируется список адресатов и сообщений на основе аналитики; модели дообучаются на свежих логах; сценарии с ROMI < 1 отключаются.
10. Дальше по воронке. Встреча → демо → КП → договор → оплата → внедрение → эксплуатация/продление. Онбординг автоматизируется: запись встречи → распознавание речи → суммаризация → структурирование в JSON → автоконфиг. Чувствительные шаги (переговоры, условия, юр-проверки, финальные письма) выполняются вручную.

«Я не наращиваю штат, я наращиваю предсказуемость»

Итог. Двухклассная схема (операционные + экспертные модели) даёт предсказуемость процесса и низкую себестоимость микроопераций. Поэтому падает CAC и ускоряется окупаемость — при той же логике ABM и тех же входных данных.

Для сравнения: как выглядит «ручная» ABM

Я много лет запускал этот процесс силами людей. Поток шагов тот же, но каждая операция стоит дороже и чаще теряется по дороге.

Поток шагов (людьми)

1. База компаний. Выгрузка/покупка списков, ручная очистка и импорт в CRM.
2. Квалификация. Пресейлеры сортируют по сегментам, отсекают нерелевантных.
3. Поиск ролей и контактов. Ручной ресёрч в открытых источниках, сбор e-mail/телефонов.
4. Касания. Персонализация, отправка писем/сообщений/звонки; фиксация в CRM.
5. Ответы и фоллоу-ап. Сейлы ведут переписку, назначают встречи, добиваются КП.
6. Дальше по воронке. Демо → КП → согласования → договор → оплата → внедрение.
7. Онбординг. Аналитик/разработчик вручную готовит ТЗ, настраивает интеграции.

Где «ломается» экономика

• Человеческий фактор. Шаги выпадают, касания не фиксируются, шаблоны дрейфуют.
• Масштаб ухудшает метрики. Команда растёт — управляемость и качество падают.
• Долгие согласования. Срывы сроков, «перегорание» лидов.
• Дорогая персонализация. Много ручной подготовки под роли ЛПР.
• Отсутствие единого лога. Атрибуция рвётся, спорим «что сработало».

Чтобы было видно, где именно экономит автоматизация, ниже честное сравнение «ручной» ABM и контура с ИИ-агентами.

Сравнение: деньги и производительность (ручной контур vs ИИ-агенты)

Чтобы увидеть, где именно рождается экономика, смотрим сравнение ниже. Я свёл в одну таблицу «ручной» контур и контур с ИИ-агентами на одинаковых вводных: один ICP, один оффер, те же каналы, период и лимит касаний. Специально заложил строгие допущения для ИИ-ветки (ниже конверсия и средний чек), чтобы было видно главное: выигрывает не «чудо-конверсия», а низкая себестоимость каждого шага.

CPL — цена валидного лида; CAC — стоимость привлечения клиента до подписания договора; LTV — суммарная выручка за срок жизни клиента (MRR x число месяцев); ROI — эффективность вложений (LTV/CAC).

Одинаковый бюджет, но разная выручка: прогноз MRR (ручной контур vs ИИ-агенты)

Чтобы показать эффект масштаба, считаю один и тот же месячный бюджет — 4,4 млн ₽. Вводные одинаковые. Для ИИ-ветки намеренно жёсткие допущения: ниже конверсия (0,1% против 0,333%) и меньше средний чек. За счёт производительности (лидов кратно больше) контрактов выходит больше — отсюда выше MRR и ROI, а окупаемость короче.

У агентского контура выигрывает не «чудо-конверсия», а себестоимость каждого шага.

Юридический комплаенс: как я соблюдаю 152-ФЗ и антиспам

Комплаенс — это не «галочка для юристов», а защита бренда и конверсий. Любая агрессивная тактика быстро убивает доставляемость и портит репутацию отправителя. Поэтому я сразу проектирую контур так, чтобы можно было проверить любой шаг и без споров показать: что отправили, кому, на каком основании и где отказаться.

Данные и приватность: только публичные источники и право отказаться

Мы используем открытые данные: сайты компаний, публичные реестры, выступления и публикации. Если контакт найден — в карточке всегда лежит ссылка-доказательство, откуда он взят. Правовое основание — B2B-интерес: мы общаемся с компанией по её деловой роли. В каждом сообщении указываем, кто мы, почему пишем именно этому человеку и как одним действием отказаться — кнопкой/формой/ответом. Логи касаний и версии шаблонов хранятся в CRM/DWH, по запросу запись удаляем, отказ фиксируем. Это и про 152-ФЗ, и про уважение к адресату.

Коммуникации и антиспам: частота, идентификация, прозрачный CTA

Касание — это одно исходящее сообщение одному контакту в одном канале. Мы ограничиваем частоту (N сообщений за X дней на контакт) и не смешиваем каналы в одной волне. В тексте обязательно есть: кто пишет, источник контакта («нашли на…»), причина обращения и понятный CTA (что именно предлагаю сделать — выбрать время, открыть демо, ответить «стоп»). «Купленные базы» не используем, капчи не обходим и закрытые разделы не парсим — это короткая дорога к блокировкам и конфликтам.

Качество и контроль: человек на критичных шагах

Агенты дают масштаб, но в чувствительных точках я включаю ручную проверку: адресность, корректность оффера, тон, стоп-листы, юридические риски. Внутри команды действует правило «четырёх глаз»: важные письма просматривает второй участник. Все версии шаблонов и сами отправки привязаны к версиям — можно восстановить, какой текст ушёл в какой момент и почему.

Ограничения моделей и инфраструктура

Если адресат отказался, контакт получает статус «opt-out», касания останавливаются во всех каналах, а запись в логе отмечается как «запрет на коммуникацию». Если просят удалить — удаляем из рабочих списков и фиксируем действие.

Что происходит, если человек не хочет коммуникации

Я запрещаю любые «серые» схемы.
Мы работаем только с корпоративных доменов и номеров, без прокси и антидетектов. Сенситивные письма (условия, юр-согласования) отправляются только вручную. Если правило платформы конфликтует с процессом — мы меняем процесс, а не правила.

Важно: этот раздел описывает мою операционную практику и не является юридической консультацией. Для конкретных проектов финальные правила мы утверждаем с юристами клиента и адаптируем под их внутренние политики.

Такой подход делает контур не только законным, но и предсказуемым: когда правила известны заранее, у касаний снижается шум, растёт доверие к отправителю и улучшается экономика на длинной дистанции.

Что это меняет

Я смотрю на продажи как на производственный процесс. Не «больше людей» и «ещё один канал», а конвейер операций, которые машина делает стабильнее и дешевле. Люди остаются там, где решают доверие и ответственность: переговоры, условия, юридические вопросы. Всё остальное уезжает в автоматизацию.

Когда процесс собран, экономика становится предсказуемой: каждое касание измеримо, шаблоны версионируются, логи лежат у клиента, гипотезы обновляются по факту ответов. Отсюда падает CAC и сдвигается окупаемость. Мы не спорим «что сработало» — мы видим это в данных и масштабируем.

Узнать подробнее про AI Агентов Андата

Читайте также