Где заканчивается доверие к ИИ в коммерческом блоке?

К концу 2025 года, по данным «Яков и Партнёры», 71% крупнейших российских компаний внедрили искусственный интеллект хотя бы в одной бизнес-функции. По данным Cyberhaven, до ~4% промптов и 20% загруженных сотрудниками в публичные чат-боты файлов содержат чувствительные корпоративные данные за квартал. А ведь коммерческий блок — зона максимального риска: здесь формируются цены, скидки и условия партнёрских соглашений. Одна утечка промпта с упоминанием маржинальности сделки может стоить компании репутации и потери конкурентного преимущества.

Но есть и другой опыт. Для одного из наших клиентов в ИТ-секторе мы выстроили доверенный AI-контур для проверки коммерческих предложений. Данные не покидают защищённый периметр, а бизнес получил измеримый эффект: доля возвратов КП на доработку снизилась втрое. Я расскажу, как это было реализовано и какие уроки можно извлечь из нашего опыта.

Кому это нужно в первую очередь

Запрос на доверенный AI-контур для коммерческого блока возникает не у всех одновременно. Есть отрасли и типы компаний, для которых цена ошибки в КП особенно высока — и именно они получают от внедрения наибольший эффект.

Мы в своей работе видим несколько характерных профилей.

• Компании с товарами ограниченного срока годности — продукты питания, расходные материалы, всё, где есть просрочка и износ. Ошибка в сроках поставки или комплектации КП здесь может означать не просто доработку документа, а прямые товарные потери.
• Проектные компании и системные интеграторы — там, где возврат КП на предыдущие стадии согласования критичен: каждый такой возврат сдвигает сроки сделки и увеличивает стоимость продажи.
• Строительная сфера и поставка стройматериалов — высокая зависимость от точности спецификаций, большое количество взаимозависимых позиций в одном КП.
• Головные подрядчики в распределённых сетях субподрядчиков — цена ошибки умножается на количество участников цепочки.
• Поставщики лицензий и программного обеспечения — специфика комплектации, версионность, условия поддержки создают высокий риск логических несовместимостей в документах.
• Компании с гарантийными обязательствами и отгрузкой с отсрочкой платежа — ошибка в условиях КП фиксируется в договоре и аукается месяцами.
• Компании с высоким потоком КП — при объёме свыше 200–300 предложений в месяц даже небольшой процент ошибок в абсолютных числах выглядит угрожающе.
• Компании с небольшим числом «дорогих» КП — здесь одна ошибка может стоить всей сделки.

Автоматизация переходит в фазу «доверенного ИИ»

Российский B2B-рынок переживает масштабную цифровую трансформацию. По данным TAdviser, объём рынка CRM-систем по итогам 2025 года вырос на 25% и достиг 44,1 млрд рублей.

Но сам по себе рост рынка CRM — это лишь верхушка айсберга. Настоящий сдвиг заключается в том, что компании переходят от хранения данных к их глубокой интеллектуальной обработке и анализу. Ключевым барьером при таком переходе остаётся низкое доверие к ИИ в чувствительных зонах. С точки зрения автоматизации коммерческий блок традиционно оставался недооцифрованным: менеджеры работают в CRM, но документы проверяют вручную (или иногда с помощью публичных нейросетей).

Что это означает на практике? Компании, которые первыми построят доверенный контур для ИИ в продажах, получат не просто экономию FTE (Full Time Equivalent — метрика затрат человеческого ресурса), а структурное преимущество: они смогут масштабировать интеллектуальную автоматизацию на те области, где их конкуренты всё ещё не решаются её применять.

Почему ручная проверка КП — это не просто медленно, а ещё и опасно

В продажах в B2B-секторе, особенно в сфере ИТ, коммерческое предложение — это обычно многостраничный Excel-файл с десятками взаимосвязанных данных: лицензии, железо, сроки внедрения, содержание техподдержки и множество особых условий, возлагаемых на подрядчика.

Типовые ошибки при подготовке документации вручную:

Если рассматривать крупную компанию с потоком более 500 КП в месяц, это означает, что от 20 до 30% документов возвращаются на доработку, задержка согласований составляет 1–2 рабочих дня, в процесс вовлекаются дополнительные подразделения, а данные в процессе исправления могут выйти за уже озвученный клиенту диапазон стоимости.

Как ИИ работает с документами в продажах

Для одного из наших клиентов в ИТ-секторе был выстроен доверенный AI-контур для проверки коммерческих предложений. Доверие к новой системе сформировалось не сразу: на первом этапе менеджеры продолжали дублировать её работу проверкой документов вручную. Однако впоследствии решение дало результат.

• Доля возвратов КП на доработку снизилась с 28% до 9% (более чем в 3 раза).
• Среднее время согласования сократилось с 1,7 до 1,2 дней (−30%).
• Нагрузка на отдел технической экспертизы снизилась на 15 часов в неделю.
• Снизилось количество обращений в техподдержку по вопросам, вызванным ошибками в комплектации.
• Выросла удовлетворённость руководителей подразделения: сократилось время на рутинную проверку, фокус сместился на непосредственную работу с клиентом.

При средней стоимости часа работы высококвалифицированного специалиста 1500–2000 рублей только экономия на подготовке и проверке КП составляет порядка 3–4 млн рублей в год.

Архитектура доверенного AI-контура

На практике эффективный подход оказался не в «добавлении функции на основе ИИ в CRM», а в построении отдельного доверенного контура работы с чувствительными данными, в том числе коммерческими.

Ключевые принципы:

• Изолированный контур. LLM развёрнута on-premise, обрабатываемые данные не покидают защищённый периметр компании — это принципиально отличается от интеграции с публичными API.
• Ролевая модель доступа. Проверку запускает только авторизованный менеджер из интерфейса CRM. Система наследует права доступа из корпоративной Active Directory.
• Аудируемость. Каждое обращение к ИИ логируется вместе с метаданными: кто, когда, какой документ проверял и какой результат получил.

Как это работает

Линейный менеджер формирует КП в CRM и отправляет его на проверку. Система извлекает из документа структурированные данные и отправляет их в LLM вместе с промптом, содержащим матрицу совместимости продуктов и услуг и правила ценообразования. Ответ формируется в течение 5–60 секунд. Результат проверки отображается в интерфейсе CRM: либо как «ОК», либо как список ошибок с рекомендациями по их исправлению. После этого документ уходит на согласование вышестоящему сотруднику.

50% успеха — грамотный промпт-инжиниринг

В среднем на отладку уходит несколько недель. Для получения корректного результата промпт должен включать развёрнутый контекст, пошаговую инструкцию и набор примеров. Для получения рабочей системы потребовалось два цикла дообучения на реальных данных. Первая версия модели «цеплялась» за несущественные детали — разные формулировки одного и того же условия в разных разделах документа. В итоге удалось научить модель отличать реальные проблемы от стилистических расхождений.

Метрики качества модели

После первой итерации точность оценки составила 78%, полнота — 82%, а доля ложных срабатываний оказалась на уровне 22%. Модель часто «цеплялась» за несущественные детали: разные формулировки одного и того же условия в разных разделах документа она принимала за реальные противоречия. После второго цикла дообучения на реальных данных точность удалось поднять до 94%, полноту — до 91%, а ложные срабатывания снизились до 6%. В таком состоянии система стала различать реальные ошибки и стилистические расхождения, а менеджеры перестали игнорировать её подсказки.

Как масштабируется архитектура под разный размер бизнеса

Один из главных вопросов, который задают компании, впервые рассматривающие подобный проект: «Это для нас или только для больших?» Ответ: решение масштабируется. Архитектура гибкая, и ряд компонентов можно заменить более бюджетными аналогами без потери ключевой функциональности.

• Полный контур для крупного бизнеса (on-premise, полная интеграция, дообучение): от 10 до 200 млн рублей, срок от 1 года.
• Базовый контур для среднего и малого бизнеса (облако, упрощённая интеграция): от 2 до 10 млн рублей, срок от 3 месяцев.
• Стоимость владения в месяц: от 10 тыс руб. до 2 млн руб. Для понимания того, какие этапы нужного бизнес-процесса быстро можно оптимизировать с помощью ИИ без участия человека, можно начать с разработки пилота. В среднем это занимает около 1,5 месяцев и стоит от 800 тыс. до 5 млн руб.

Кто может реализовать ваш проект

На постоянной основе в проекте обычно участвуют минимум три специалиста: руководитель проекта, ML-инженер и AI-аналитик, специалист по промпт-инжинирингу. Руководитель держит связь с клиентом, контролирует сроки и артефакты. ML-инженер отвечает за развёртывание модели on-premise или в облаке, дообучение и настройку инференса. Промпт-инженер параллельно работает над сценарием проверки: проектирует промпт, готовит примеры, тестирует на реальных КП. Эти роли могут пересекаться особенно на небольших проектах, если один и тот же сотрудник закрывает ML и промпты, но разделение ролей ускоряет отладку.

К проекту могут подключаться DevOps-инженер, который разворачивает инфраструктуру, настраивает логирование и аудит, разработчик-интегратор, который связывает LLM с CRM через API и настраивает ролевую модель доступа из Active Directory, и специалист по информационной безопасности, который проверяет контур на соответствие внутренним политикам клиента, особенно если речь о банке или КИИ. ИБ-специалист подключается только на этапе проектирования архитектуры и финального аудита перед запуском.

Часть ролей клиент закрывает сам, и это заметно снижает стоимость. Если у клиента есть собственный CRM-администратор, он берёт на себя настройку интерфейса и прав доступа внутри системы — интегратору остаётся только API-связка. Бизнес-аналитик заказчика, знающий матрицу продуктов и правила ценообразования, экономит недели на этапе аудита данных, тогда внешней команде не приходится разбираться в специфике. А ИБ-специалист клиента согласовывает модель доступа и журналирование, сокращая цикл приёмки. Наконец, менеджеры отдела продаж становятся тестовой группой, без них дообучение модели на реальных данных просто не состоится.

Для малого бизнеса минимальный состав со стороны исполнителя сокращается до двух человек: ML-инженера и руководителя проекта, берущего на себя интеграцию с CRM и координацию. DevOps в этом сценарии либо не требуется (тогда облачное развёртывание берёт на себя провайдер), либо подключается на короткий период для настройки журналирования. Базовый контур в облаке, без дообучения, через упрощённую интеграцию — посильная задача для команды из двух человек при сроке в четыре-шесть недель.

Рекомендации по внедрению

На основе опыта внедрений мы выработали следующие рекомендации для компаний, рассматривающих подобные проекты.

• Начинайте с аудита данных. Прежде чем подключать LLM, убедитесь, что ваша база, матрица совместимости и правила ценообразования оцифрованы и структурированы. Модель бесполезна, если её кормить «кашей» из Excel-файлов с ошибками и неточностями.

Аудит данных входит в проектную работу, отдельной услугой мы его не выставляем. На практике это первая фаза проекта: две-три недели, в течение которых команда разбирается в матрице совместимости продуктов, правилах ценообразования и структуре КП клиента. Если эти данные разбросаны по десяткам Excel-файлов без единой логики, то на этот этап может потребоваться до месяца.

• Изолируйте контур с первого дня. Не начинайте с публичных API просто «чтобы попробовать». Загружая туда реальные КП, вы теряете контроль над чувствительными данными. Разворачивайте решение on-premise или используйте сертифицированный частный облачный контур. По данным исследований, в отраслях с повышенными требованиями к безопасности — например, в банковском секторе — 90% компаний используют именно on-premises-решения.
• Инвестируйте в промпт-инжиниринг. «Магия» LLM — это не магия, а тщательно проработанный сценарий работы ИИ. Закладывайте минимум 2–3 недели на отладку промпта и дообучение модели на реальных данных — это примерно 60–80 человеко-часов. Работа не непрерывная: первые дни уходят на проектирование сценария и подготовку примеров, потом идут циклы тестирования на реальных КП с паузами на анализ результатов.
• Интегрируйте бесшовно. Если для запуска проверки менеджеру нужно переключаться между окнами и копировать данные, он с высокой долей вероятности продолжит пользоваться публичным чат-ботом. Результатом интеграции должен быть единственный клик в привычном рабочем интерфейсе.
• Внедряйте метрики с первого дня. Фиксируйте ключевые показатели до начала работы: сколько КП возвращается на доработку, сколько времени уходит на согласование, какова нагрузка на экспертов. Без этого невозможно в цифрах оценить ROI проекта, а согласно докладу McKinsey, 80% компаний в мире не видят значимого влияния на финансовый результат, потому что этого не делают.

Почему описанный подход становится стандартным

По прогнозам «Яков и Партнёры», к 2030 году экономический эффект от внедрения ИИ в России может составить 7,9–12,8 трлн рублей в год — до 5,5% от оценок будущего ВВП. Компании, которые уже построили доверенные AI-контуры для работы с коммерческими данными, получают двойное преимущество:

• операционное (сокращение цикла сделки, снижение нагрузки на ключевых сотрудников, уменьшение числа ошибок);
• стратегическое (возможность использовать ИИ в обработке чувствительных данных — туда, куда конкуренты пока боятся его запустить).

К 2030 году, по прогнозу «Яков и Партнеры», экономический эффект от внедрения ИИ в России может достичь 12,8 трлн рублей в год. Но между этой оценкой, основанной в основном на ожиданиях, и работающей системой в отделе продаж может пройти не один месяц разработки и еще месяцы дообучения модели. Без этого ИИ в коммерческом блоке остаётся либо публичным чат-ботом, которому менеджеры скармливают чувствительные файлы, либо пилотом, который может не пережить перехода в продакшен.

Валентина Заводскова, руководитель департамента внешних разработок «Сайбер Бизнес Консалтинг»