Разборы · Статья: · Подкаст: · 51:57

AI-агент для отдела продаж: сначала диагностика amoCRM, потом бот

Разбор выпуска Action Plan с Александром Серебряковым из TextBack: как выгрузка переписок из amoCRM превращается в аудит отдела продаж, системный промпт, ночного AI-ассистента, готовые сообщения для дожима и список клиентов, которых менеджеры могли потерять.

ИИ Бизнес Маркетинг Продуктивность
Слушать подкаст

Как из выгрузки amoCRM собрать AI-агента для отдела продаж | Александр Серебряков

Action Plan | Николай Хлебинский, гость — Александр Серебряков, TextBack · 51:57
Главы выпуска — нажми, чтобы перейти к моменту 14
  1. 0:00 Зачем отделу продаж AI-агент Вступление задаёт конфликт: плохие чат-боты раздражают, но узкие агентные сценарии уже экономят время.
  2. 3:17 Первый провал: бот вместо всего отдела Александр объясняет, почему агент, который “сам всё продаст”, почти всегда ломается.
  3. 4:42 Где агент полезен: формализуемые задачи Назначение встреч, часовые пояса, сбор контактов и простые шаги воронки.
  4. 9:26 Главная метрика: перехват человеком По аналогии с беспилотниками: считать, как часто оператор вынужден вмешаться.
  5. 10:51 Обучение не из регламента, а из переписок РОПы часто не могут дать готовый скрипт; реальные диалоги оказываются лучшей базой.
  6. 15:46 Обезличивание перед LLM Переписки содержат персональные данные, поэтому перед внешними моделями нужен отдельный слой очистки.
  7. 20:28 Агентский пайплайн аудита Из одной выгрузки получают презентацию, отчёт, knowledge base и системный промпт.
  8. 27:45 Главная ошибка внедрения Нельзя ставить агента поверх неизвестного процесса: сначала диагностика отдела продаж.
  9. 30:45 Диагностика 220 сделок Разбор скорости ответа, нерабочего времени, отказов, нагрузки и потенциально упущенной выручки.
  10. 37:02 Системный промпт из ответов менеджеров AI извлекает стиль, частые вопросы и цель агента, но первую версию нужно вручную тюнить.
  11. 39:59 Живой тест в Telegram Агент не притворяется человеком, передаёт клиента менеджеру и продолжает вести к следующему шагу.
  12. 43:15 Безопасность и prompt injection Проверка, не отдаёт ли агент системную инструкцию и не нарушает ли границы.
  13. 44:18 Отчёт по потерянным и замолчавшим клиентам Самый ценный артефакт: кого вернуть, что написать на 2-й, 3-й и 7-й день.
  14. 48:51 Финальная рамка: Less Money и New Money AI может не только снижать расходы, но и создавать новые денежные потоки внутри продукта.

Коротко

Главная мысль выпуска: AI-агент в продажах начинает приносить пользу не тогда, когда “заменяет отдел”, а когда анализирует реальные переписки и показывает, где деньги уже теряются. Самый безопасный первый запуск — ночные ответы, дожим замолчавших клиентов и подсказки менеджерам, а не полная автономная продажа с первого дня.

Выжимка голосом

Самое ценное из разбора — за пару минут

0:00 2:11
Показать текст выжимки
Если коротко, это выпуск не про волшебного бота, который завтра уволит весь отдел продаж. Он про более полезную и трезвую вещь: как взять выгрузку реальных переписок из amoCRM и сначала понять, что вообще происходит в продажах. Александр Серебряков показывает путь: выгрузить диалоги, убрать персональные данные, прогнать их через агентский аудит и получить не один красивый чат-бот, а сразу несколько артефактов. Диагностику скорости ответа, список частых вопросов, причины отказов, черновик системного промпта, отчёт по ночным обращениям и готовые сообщения для клиентов, которые замолчали. Самая важная мысль: не надо начинать с идеи “пусть агент сам всё продаёт”. Это почти всегда ломается. Лучше выбрать узкий участок, где задача хорошо формализуется: ответить ночью, собрать контакты, назначить встречу, объяснить тариф, передать человеку, если клиент просит оператора. В этом месте AI не притворяется гением продаж, а закрывает дырку, где раньше была тишина. Для руководителя продаж ценность ещё глубже. CRM-экспорт превращается в рентген отдела: сколько лидов ждут первый ответ, кто пишет в нерабочее время, какие сделки зависают, какие клиенты забыты, какие фразы у лучших менеджеров можно превратить в подсказки для остальных. Но есть и осторожность. Обезличивание за тридцать секунд не равно юридической безопасности. Автономный агент не должен скрывать, что он бот, спорить с клиентом, который просит человека, и обещать то, чего бизнес не готов выполнить. Его нужно тестировать на утечки системной инструкции, галлюцинации и несанкционированные обещания. Практический вывод простой: начните не с бота, а с аудита ста-двухсот реальных диалогов. Возможно, первая прибыль появится ещё до запуска агента — просто потому, что вы наконец увидите клиентов, которых уже почти потеряли.

Озвучено синтезом речи · голос alena

Объясни проще

Суть без жаргона

Простыми словами

В выпуске показывают практичный способ внедрения AI в продажи: не писать абстрактного бота “на все случаи”, а взять реальные переписки из amoCRM, обезличить их, проанализировать и на этой базе собрать ассистента. Такой ассистент сначала помогает там, где риск ниже: отвечает ночью, собирает вводные, предлагает менеджеру сообщения для дожима, показывает замолчавших клиентов и передаёт разговор человеку, когда клиент этого просит.

Как ребёнку

Представь магазин, где продавцы иногда забывают ответить покупателям. Умный помощник сначала читает старые переписки и показывает: вот здесь покупатель ждал слишком долго, здесь его не спросили важный вопрос, а здесь ему можно было написать ещё раз. И только потом помощника ставят отвечать ночью, когда продавцы спят.

Аналогия — «это как…»

Это не автопилот, который сразу едет по городу без водителя. Это сначала видеорегистратор и инструктор: он смотрит записи поездок, показывает ошибки, предлагает правила, а уже потом берёт на себя простые участки дороги.

Зачем это мне

Если отдел продаж работает в мессенджерах, большая часть ценной информации уже лежит в переписках. Там видны задержки, повторяющиеся вопросы, потерянные клиенты, стиль лучших менеджеров и слабые места воронки. AI-агент полезен не только как собеседник, но и как аналитик этого скрытого слоя продаж.

Для тех, кто в теме

Ключевой паттерн: CRM export -> PII redaction -> audit pipeline -> diagnostic deck/report -> system prompt/knowledge base -> limited-scope agent -> nightly operating report -> human-in-the-loop reactivation. Важные метрики: median first response, доля ответов до 5 минут, обращения вне рабочего времени, forced human handoff, lost/silent leads, причины отказа, hallucination review и conversion from assisted conversations.

Оценка выпуска

Чем выше — тем больше пользы на минуту

4.4

средняя из 5

Актуальность информации 5.0

Выпуск свежий и попадает в практический пик 2026 года: компании уже пробуют AI-агентов, но ещё часто начинают с неправильной стороны.

Содержательность 4.5

Есть живое демо, выгрузка из amoCRM, обезличивание, аудит 220 сделок, генерация промпта, тест агента и отчёт по клиентам.

Инновационность идей 3.8

Сами элементы знакомы, но сильна связка “CRM export как рентген отдела продаж”, а не просто очередной чат-бот.

Применимость на практике 4.7

Материал легко переводится в первый проект: выгрузка, аудит, ночной режим, дожим замолчавших клиентов, human handoff.

Достоверность и баланс 3.9

Есть продуктовый интерес TextBack и рекламность демо; цифры вроде 30% нерабочего времени стоит воспринимать как кейсовый тезис, а не универсальную норму.

Кому будет полезно

Чем выше оценка — тем больше пользы для профессии. Разверни — почему.

Для руководителей отделов продаж 5 /5

Прямой чек-лист: где теряются лиды, как считать скорость ответа, как запускать ночного агента и как превращать лучшие переписки в подсказки команде.

Для предпринимателей и CEO малого бизнеса 4.8 /5

Помогает не покупать “магического бота”, а начать с диагностики: есть ли реальные потери в переписках, ночью, отказах и замолчавших клиентах.

Для CRM-интеграторов и RevOps-специалистов 4.7 /5

Видно, какие артефакты можно строить вокруг amoCRM/Bitrix: экспорт, очистка, аудит, системный промпт, отчёт, регулярная автоматизация.

Для маркетологов и лидгенов 4.4 /5

Дожим замолчавших клиентов, реактивация базы и касания на 2-й/3-й/7-й день — практичные сценарии на стыке продаж и CRM-маркетинга.

Для менеджеров по продажам 4 /5

Материал показывает, как AI может быть не угрозой, а источником готовых формулировок, напоминаний и разбора диалогов.

Для специалистов по ИБ и юристов по данным 3.8 /5

Не как юридический гайд, а как список вопросов к внедрению: персональные данные, трансграничная передача, автоматизированные решения, prompt injection, доступы и журналы.

Инсайты

Нажми, чтобы раскрыть — то, что меняет взгляд на тему

01 Первый продукт AI-агента — не разговор, а диагностика 27:45

Самое ценное может появиться ещё до запуска бота: отчёт показывает задержки, нерабочие обращения, частые вопросы, причины отказов и клиентов, которых менеджеры могли потерять.

02 CRM-экспорт превращает отдел продаж в наблюдаемую систему 10:51

Пока переписки просто лежат в карточках сделок, они выглядят как архив. После анализа это становится датасетом для обучения, контроля качества и поиска выручки.

03 Безопасный старт — там, где альтернатива равна тишине 3:39

Ночной агент не конкурирует с менеджером за сложную продажу. Он отвечает, когда команда не работает, собирает вводные и сохраняет контакт до рабочего времени.

04 Human handoff — не исключение, а метрика качества 9:26

Если клиент просит человека, агент должен быстро передать чат. Доля вынужденных перехватов становится такой же важной метрикой, как конверсия.

05 Подсказки менеджеру часто ценнее автономного ответа 46:31

Самостоятельный агент рискованнее, чем генератор сообщений для оператора. Черновики касаний дают скорость, но оставляют человеку контроль над обещаниями и тоном.

Полезные советы

Что можно применить уже сегодня. Разверни совет — сколько займёт, что даст и что конкретно делать

1

Начни с read-only аудита переписок

вечер увидишь деньги, которые теряются уже сейчас

Не запускай бота сразу в боевой чат. Сначала выгрузи 100–300 диалогов за последний период и попроси AI найти задержки, типовые вопросы, причины отказов, молчащих клиентов и стиль лучших менеджеров.

Что делать

  1. 1 Выгрузи сделки и переписки за 30–90 дней.
  2. 2 Исключи тестовые, служебные и автоматические сообщения, если они искажают картину.
  3. 3 Попроси отчёт по скорости ответа, отказам, частым темам и зависшим диалогам.
  4. 4 Проверь выводы вручную на 10–20 примерах, прежде чем принимать решения.
2

Сделай обезличивание отдельным шагом

полдня меньше риск утечек и регуляторных проблем

Перед отправкой переписок во внешние модели убирай телефоны, имена, email, адреса, ссылки на профили и другие идентификаторы. Это не заменяет юриста, но резко снижает риск уже на первом прототипе.

Что делать

  1. 1 Составь список полей и паттернов, которые нельзя отправлять во внешнюю модель.
  2. 2 Прогони выгрузку через локальную очистку или проверенный внутренний инструмент.
  3. 3 Сделай выборочную ручную проверку: 20 случайных диалогов до и после очистки.
  4. 4 Отдельно проверь медицинские, финансовые и другие чувствительные данные.
3

Запусти агента сначала только вне рабочего времени

1–2 дня улучшаешь скорость ответа без риска отдать агенту всю продажу

Ночной режим — хороший первый контур: клиент получает ответ вместо тишины, а менеджер утром видит собранные вводные и может продолжить разговор.

Что делать

  1. 1 Ограничь расписание агента нерабочими часами.
  2. 2 Запрети скидки, финальные обещания и нестандартные договорённости.
  3. 3 Попроси агента собирать контакты, задачу, канал и удобное время связи.
  4. 4 Каждое утро проверяй отчёт по ночным диалогам.
4

Заведи метрику перехвата человеком

час на настройку станет понятно, где агент реально взрослеет, а где прячет проблемы

Считай не только конверсию, но и сколько диалогов агент не смог решить сам: клиент просил оператора, агент не понял вопрос, возникла конфликтная ситуация или потребовалась нестандартная скидка.

Что делать

  1. 1 Разметь причины handoff: request human, no answer, risky promise, unclear intent, angry client.
  2. 2 Смотри долю handoff на 100 диалогов каждую неделю.
  3. 3 Улучшай базу знаний и скрипты только по самым частым причинам.
5

Генерируй сообщения для дожима, но оставь кнопку у менеджера

вечер меньше забытых клиентов и меньше “навязчивых” автосообщений

Для замолчавших клиентов AI может предложить цепочку касаний на второй, третий и седьмой день. Менеджер выбирает, отправлять ли текст как есть, переписать или закрыть тему.

Что делать

  1. 1 Найди диалоги, где клиент перестал отвечать после вопроса или предложения.
  2. 2 Попроси AI дать 2–3 варианта мягкого follow-up.
  3. 3 Добавь напоминания в CRM, а не автоспам без контроля.
6

Протестируй агента на утечку инструкции

2 часа поймаешь опасные ответы до клиентов

Перед запуском проверь базовые атаки: просьбу показать системный промпт, изменить роль, игнорировать правила, выдать скидку, обещать сроки или перейти в запрещённый канал.

Что делать

  1. 1 Составь 20 провокационных сообщений клиента.
  2. 2 Проверь, не раскрывает ли агент инструкцию и внутренние данные.
  3. 3 Проверь, как он отказывает и когда зовёт человека.
  4. 4 Сохрани проваленные кейсы как regression tests.

Сценарии применения

Как разные люди применяют это на практике

Я как РОП

Проблема: кажется, что менеджеры “в целом отвечают”, но конверсия проседает и непонятно где

Хочу: увидеть задержки, частые вопросы, отказников и зависшие сделки без ручного чтения сотен диалогов

Поможет: выгрузка amoCRM становится аудитом отдела продаж и планом улучшений

Я как основатель B2B-сервиса

Проблема: хочется внедрить AI, но страшно отдать ему весь контакт с клиентом

Хочу: найти низкорисковый первый сценарий

Поможет: ночной агент и подсказки для менеджеров дают пользу без полной автономии

Я как CRM-интегратор

Проблема: клиент просит “сделать AI-бота”, но не может дать нормальные скрипты и регламенты

Хочу: получить материал для промпта из реальной работы отдела

Поможет: анализ успешных и проваленных переписок превращается в knowledge base и системную инструкцию

Я как менеджер по продажам

Проблема: часть клиентов молчит, а каждый follow-up приходится придумывать заново

Хочу: быстро получать аккуратные варианты касаний

Поможет: AI предлагает тексты и напоминания, а менеджер оставляет за собой решение

Я как юрист или специалист по данным

Проблема: команда хочет грузить CRM-переписки во внешние LLM без понимания рисков

Хочу: встроить контроль данных до эксперимента

Поможет: обезличивание, договоры обработки, ограничения доступа и ручная проверка становятся частью workflow

Логика повествования

Как устроена логика выпуска — пройди по шагам

Предпосылка Аргумент Пример Вывод
  1. Предпосылка Плохая стартовая идея: заменить весь отдел продаж 3:17

    Полный автономный продавец ломается на нюансах, доверии, передаче человеку и сложных обещаниях.

  2. Аргумент Лучше искать формализуемые участки 4:42

    Назначить встречу, собрать вводные, ответить ночью, объяснить базовый тариф, передать оператору.

  3. Аргумент Берём реальные переписки вместо абстрактного регламента 10:51

    У отдела часто нет актуального скрипта, зато есть диалоги лучших и слабых менеджеров.

  4. Аргумент Очищаем персональные данные 15:46

    Перед внешними моделями нужен слой обезличивания и юридическая проверка процесса.

  5. Пример Аудит превращает CRM в карту потерь 30:45

    Скорость ответа, нерабочие обращения, отказники, нагрузка, частые темы и замолчавшие клиенты.

  6. Пример Из аудита рождается первый агент 37:02

    Системный промпт и база знаний собираются из реальных ответов, но первую версию нужно проверять человеком.

  7. Вывод Запуск начинается с ограниченного контура 39:59

    Ночь, сбор контактов, дожим и handoff безопаснее, чем “продавай всё сам”.

  8. Вывод Дальше агент становится операционной системой продаж 48:51

    Еженедельный аудит, отчёты по ночным диалогам, подсказки менеджерам и регулярный тюнинг.

Подробный разбор

Полный разбор — разверни, если нужно глубже

Развернуть подробный разбор

Стоит ли смотреть целиком

Да, если у тебя есть продажи в мессенджерах, CRM и ощущение, что “где-то теряем клиентов, но непонятно где”. Выпуск хорош не тем, что обещает заменить продавцов, а тем, что показывает рабочий промежуточный слой: выгрузка переписок становится аудитом, из аудита рождается системный промпт, а первый агент берёт на себя только ограниченный и понятный контур.

Если времени мало, забери одну мысль: начинать надо не с бота, а с диагностики. Иначе AI просто ускорит текущий хаос.

Где проверяемые факты

Исходный материал — выпуск Action Plan от 27 июня 2026 года с Александром Серебряковым, основателем TextBack. В демо разбирается выгрузка из amoCRM/TextBack, аудит 220 сделок, ночной агент, системный промпт и отчёт по клиентам.

Юридический слой в статье намеренно сформулирован осторожно. Закон 152-ФЗ определяет персональные данные как любую информацию, относящуюся к прямо или косвенно определяемому физическому лицу, а обработку — широко, включая сбор, хранение, передачу и обезличивание. Поэтому “мы заменили имена на Name” — полезная техническая мера, но не полноценная юридическая стратегия. Для боевого внедрения нужны договоры, политика обработки, контроль доступа и консультация с юристом по данным.

Что делать после просмотра

Самый практичный первый шаг — взять не больше 200 реальных диалогов, обезличить их и сделать read-only отчёт: скорость первого ответа, доля ночных обращений, причины отказа, зависшие клиенты, частые вопросы и примеры лучших ответов. Если уже на этом этапе находятся потерянные деньги, агент не надо “продавать” команде — его польза становится видимой.

Потом запускай маленький контур: ночной ассистент, подсказки для follow-up, сбор контактов и обязательная передача человеку по просьбе клиента. Полная автономия пусть подождёт, пока появятся метрики, логи, тесты безопасности и уверенность, что агент не обещает лишнего.

План внедрения

С чего начать — отмечай шаги, прогресс сохранится

Выполнено 0 из 6

Проверь себя

Ответь на вопросы, чтобы материал закрепился

Отвечено: 0 / 5 Верно: 0

  1. 1. С чего выпуск предлагает начинать внедрение AI-агента в продажах?

  2. 2. Почему ночной агент считается хорошим первым запуском?

  3. 3. Какая метрика по аналогии с беспилотниками важна для AI-агента?

  4. 4. Что рискованно делать с CRM-переписками перед отправкой во внешнюю LLM?

  5. 5. Почему подсказки менеджеру могут быть лучше полной автономии агента?

Словарь терминов

Понять незнакомое простым языком

Показать 8 терминов
amoCRM
CRM-система для управления сделками, клиентами и коммуникациями отдела продаж.
AI-агент
Ассистент на базе LLM, который не просто отвечает текстом, а действует по цели: задаёт вопросы, выбирает следующий шаг, вызывает инструменты и передаёт чат человеку.
Handoff
Передача диалога от агента живому менеджеру, когда клиент просит человека или ситуация выходит за рамки правил.
PII / персональные данные
Информация, по которой можно прямо или косвенно определить человека: имя, телефон, email, адрес, профиль, заказ и другие идентификаторы.
Обезличивание
Удаление или замена идентификаторов так, чтобы по данным нельзя было определить конкретного человека без дополнительной информации.
Knowledge base
База знаний для агента: факты о продукте, тарифы, ограничения, типовые ответы, стиль общения и правила эскалации.
Prompt injection
Попытка клиента заставить агента игнорировать правила, раскрыть системную инструкцию или выполнить запрещённое действие.
Реактивация базы
Возврат клиентов, которые уже общались с компанией, но перестали отвечать или не дошли до покупки.

Критический взгляд

Объективно: с какими тезисами можно поспорить и что преувеличено

Однобоко

Демо неизбежно продуктово окрашено

Гость представляет TextBack, поэтому успешные сценарии и интерфейс показаны через призму продукта. Это не делает кейс бесполезным, но требует пилота на своих данных.

Упрощение

“Обезличили за 30 секунд” не равно compliance

Скрипт может убрать телефоны и имена, но юридическая корректность зависит от состава данных, договоров, целей обработки, хранения, доступа и повторной идентификации.

Спорно

Обучение на лучших менеджерах может воспроизвести плохие привычки

Успешная сделка не гарантирует этичную или масштабируемую коммуникацию. Нужен фильтр: что из стиля менеджера действительно можно превращать в правило агента.

Упрощение

Цифры из диагностики нельзя переносить на все отделы продаж

220 сделок TextBack дают хороший пример, но медиана ответа, доля ночных обращений и оценка упущенной выручки будут радикально отличаться по нишам.

Спорно

Личный аккаунт и “непонятно, человек или бот” — зона доверия

Даже если агент пишет естественно, клиенту важна прозрачность. В B2B это может быть преимуществом, а в чувствительных темах — источником репутационного риска.

Взгляни иначе

Новый угол, смежные области и потенциал на стыке — пища для размышлений

Другой угол

AI-агент — это рентген, а не только продавец

Самая недооценённая функция агента — не вести диалог, а делать видимым то, что раньше тонуло в CRM: молчание, задержки, забытые обещания и повторяющиеся боли клиентов.

На стыке областей

Продажи становятся model ops

РОПу придётся управлять не только людьми и скриптами, но и датасетами, evals, handoff, отчётами, guardrails и регулярным тюнингом агента.

Смежная область

Лучший первый AI-продукт может быть внутренним

Не обязательно сразу продавать агент клиентам. Иногда выгоднее сначала встроить аудит и подсказки в собственный отдел продаж, доказать экономику, а потом упаковывать наружу.

Другой угол

Замолчавший клиент — это не отказ, а незавершённый сценарий

AI полезен тем, что видит зависшие диалоги как очередь задач: кому написать мягко, кому закрыть тему, кому предложить другой следующий шаг.

Другой угол

Честный бот может продавать лучше скрытого

Прозрачность снижает ожидания “идеального человека” и делает handoff нормальной частью сервиса. В долгую доверие может быть дороже мимикрии.

Похожие разборы

Разбор

Конвейер лидов на Perplexity и ИИ в продажах: что реально окупается, а что хайп

Практичный разбор того, как ИИ уже работает в B2B-продажах: поиск и обогащение лидов через Perplexity, парсинг HeadHunter, голосовые роботы и контроль качества. Главная мысль — ИИ это множитель: умножит и порядок, и бардак, поэтому сначала база и процессы, потом нейросети.

Читать → Разбор

Стратегия внедрения ИИ не из головы, а из чужих кейсбуков: метод консультанта O2Consulting

Консультант с 500 проектами объясняет, почему «накидать 50 агентов» и копировать чужие промты не работает, и показывает метод: стратегию внедрения ИИ не пишут с нуля, а собирают, обогащая модель готовыми отраслевыми кейсбуками, сотней чужих стратегий и контекстом своей компании. Главный вывод — будущее не в чужих агентах, а в собственном «цифровом мозге» на графовой модели знаний, где LLM лишь надстройка.

Читать → Разбор

Внедрение ИИ в бизнес по-русски: где закон, где здравый смысл, а где деньги на ветер

Архитектор ИИ-решений объясняет, почему загружать персданные клиентов в Claude или GPT — нарушение закона, и как строить ИИ-систему вокруг базы знаний (graph-RAG), а не вокруг конкретной модели. Главный вывод: ценность смещается от SaaS и самих LLM к доменной экспертизе, данным и управлению знаниями.

Читать → Разбор

Claude Desktop как агент-аналитик: выводы из данных компании без команды аналитиков

Claude Desktop в режиме «код» — это полноценный AI-агент: даёшь ему доступ к файлам компании и цель, а способ решения он выбирает сам, заменяя рутину аналитика за минуты вместо месяцев. Главный поворот: «красота кода» больше не ценность — выигрывает тот, кто быстро получает рабочий продукт, не зная ни строчки кода.

Читать →
← Все разборы Слушать подкаст-источник