Искусственный интеллект в продажах и маркетинге: не модный тренд, а новая управленческая норма

В 2026 году компании занимают две противоположные позиции по внедрению ИИ. Одни пытаются внедрить ИИ в максимальное число процессов, следуя за трендом. Другие занимают выжидательную позицию, опасаясь ошибок. Обе стратегии приводят к потерям: в первом случае — к инвестициям в пилоты без выхода на устойчивый измеримый эффект, во втором — к отставанию от конкурентов. Однако в обоих случаях проблема не в технологии, а в постановке задачи, и правильный вопрос будет звучать иначе: не «нужен ли нам ИИ», а «где он даст измеримый эффект».

Мария Бар-Бирюкова, директор департамента e-commerce ГК «КОРУС Консалтинг», — о том, как отличить хайповое внедрение от зрелого и где ИИ реально экономит деньги в продажах, маркетинге и ИТ-проектах.

По данным исследования «Интеллектуальная аналитика», только 7–10% пилотных ИИ-проектов, запущенных 50 крупными российскими компаниями из ИТ, промышленности, финансов, госсектора, транспорта и логистики в 2025 году, дошли до промышленного внедрения. Остальные 90% остались в пилоте, были трансформированы или закрыты.

Действительно, зачастую бывает так, что первые внедрения запускаются на волне интереса к технологии и подкрепляются заявлениями о кратном росте эффективности (x3, x10) вплоть до полной замены отдельных функций. Однако такие заявления могут сформировать неправильные ожидания у бизнес-аудитории по принципу «все внедряют — и мы должны». На практике же такие пилоты часто не масштабируют, потому что компании не до конца понимают, как рассчитать экономический эффект и пытаются быстро распространить отдельные сценарии на все процессы. А в результате не получают устойчивого результата.

При таком подходе возникает разрыв между ожиданиями и реальной ценностью: инициатив много, а системности и прозрачности ROI недостаточно. Более зрелая модель предполагает иную логику: следовать от бизнес-задачи к конкретным сценариям применения с последующей оценкой эффекта. 

Рассмотрим, как можно применять ИИ в маркетинге, продажах и ИТ-проектах, а также расскажу про наш кейс применения ИИ внутри «КОРУС Консалтинг».

Глобально ИИ меняет функцию маркетинга по двум направлениям.

Первое — операционное: генерация визуалов, подготовка презентаций и типовых текстов. Такая генерация уже довольно распространена: почти половина россиян хотя бы раз использовала нейросети. Подход позволяет ускорить производство креативов и коммуникаций без расширения команды. Но важно помнить, что конкурентное преимущество определяется не объемом производимого контента, а его качеством и способностью решить поставленную бизнес-задачу: рост охватов, лидов, трафика и любых других целевых действий. Так, доступность нейронок уже привела к кратному увеличению «нейрослопа», низкокачественных материалов. Например, музыкальный сервис Suno уже столкнулся с переизбытком сгенерированного контента и начал вводить ограничения на его производство. Это не говорит о недостатках самой технологии, ведь результат здесь напрямую зависит от уровня экспертизы пользователя и качества постановки задачи.

По мере того, как операционные задачи передаются ИИ-инструментам, меняется и сама роль маркетинга. Фокус смещается в сторону стратегической функции. Поэтому второе направление — усиление аналитики, где ИИ позволяет ускорить принятие и обоснование бизнес-решений. Маркетинговые команды используют ИИ для гиперперсонализации маркетинговых материалов, поиска инсайтов в клиентских данных, проверки рыночных гипотез, оценки спроса, интерпретации обратной связь от целевой аудитории. Gartner подсчитали, что 53% директоров по маркетингу отмечают ускорение выхода продуктов на рынок благодаря нейронкам.

Так, например, HubSpot и Salesforce используют ИИ для выявления «горячих» лидов. Для этого они анализируют не только базовые данные о компании, но и действия пользователя на сайте, взаимодействие с email-рассылками, уровень вовлеченности в контент. Подход позволяет точнее выстраивать nurturing-кампании и сокращать цикл сделки. Amazon и eBay используют ИИ для создания персонализированных рекомендаций и email-кампаний, что позволило им повысить конверсию в покупку на 20–30%. Danone внедрил ML-технологии для прогнозирования спроса на скоропортящиеся продукты, вследствие чего ошибка прогноза сократилась на 20%, а потери продаж — на 30%. И, конечно, это только начало.

Что касается цикла продаж, то ключевой эффект от применения ИИ связан с обработкой и интерпретацией больших массивов данных. Например, анализ десятков клиентских звонков требует значительных временных затрат при ручной работе и не всегда дает системный результат.

Использование ИИ-инструментов позволяет автоматизировать этот процесс:

• анализировать записи разговоров,
• формировать краткие резюме встреч,
• выявлять типовые возражения,
• предоставлять подсказки менеджерам в ходе коммуникации,
• персонализировать коммерческие предложения,
• ускорять онбординг сотрудников на основе реальных кейсов из корпоративной базы знаний.

Такие решения уже применяются на практике и становятся частью операционной модели продаж. Так, «Сбер» внедрил собственную платформу речевой аналитики на 5000 сотрудников (1 млн диалогов в месяц). Задокументированный результат составил 138 млн рублей экономии за год и рост согласий при продажах на 48%. Зарубежный пример: по данным Bain & Company и McKinsey (2025), внедрение ИИ в продажах повышает удовлетворенность и результативность продавцов за счет автоматизации рутины. Более 80% sales-команд, использующих ИИ, фиксируют рост выручки — против 66% у тех, кто его не применяет. McKinsey также оценивает прирост производительности продаж от GenAI в 3–5%, а маркетинга — в 5–15%.

Ключевое изменение, которое позволяет получить ИИ — рост скорости рабочих процессов и глубины анализа данных. Компании получают возможность не только фиксировать отклонения в показателях, но и быстрее находить их причины. Несмотря на то, что финальное решение остается за ответственным сотрудником, ИИ существенно ускоряет сбор данных и формирование обратной связи. Например, при снижении конверсии в отдельном сегменте нейронки могут оперативно определить, когда возникла проблема, какие факторы на нее повлияли и какие управленческие выводы из этого следуют.

Если говорить про электронную коммерцию, то ИИ используют для сокращения трения на клиентском пути. На рынке уже существуют решения для персонализированного ценообразования и товарных рекомендаций, умного поиска, ИИ-консультанты и инструменты подбора товаров, а также инструменты для работы с брошенной корзиной и удержания клиентов.

Так, по данным Amazon, создание рекламных изображений и описаний с помощью ИИ повысило конверсию в просмотры на 40%. В России МТС AI внедрили речевую аналитику на базе WordPulse и Audiogram. Система транскрибирует 100% звонков, отслеживает соблюдение скриптов и анализирует интонации операторов, что в результате позволило увеличить исходящие продажи на 30%, кросс-продажи — на 20%, а эффективность работы колл-центра — на 20%.

В нашей практике разработки и применения ИИ мы придерживаемся подхода с внутренним пилотированием. А именно, сначала тестируем инструменты на собственных процессах, затем масштабируем их для клиентов, чтобы избежать рисков и точнее оценивать операционную эффективность.

ИИ-инструменты используем на уровне аналитики, тестирования, управления проектами, разработки и контроля качества. Так, в аналитике ИИ помогает усиливать этап исследования и формализации требований. Например, в рамках полноценных исследованиях бизнес-процессов клиента и требований к системе, структурировании входных данных и подготовке документации, которая становится рабочим инструментом для дальнейшей эксплуатации системы. Это особенно важно на фоне распространенных «быстрых запусков», после которых компании вынуждены возвращаться к пересборке требований и архитектуры.

Что касается тестирования, то здесь используем ИИ для стандартизации и ускорения процессов: формируем чек-листы, анализируем типовые дефекты, сокращаем время адаптации новых специалистов на проекте. Это снижает нагрузку на команды и повышает предсказуемость качества.

На уровне управления проектами ИИ-инструменты используем для работы с проектными рисками: предотвращаем срывы сроков, оптимизируем пул задач, избавляемся от зависимостей между задачами. А также повышаем эффективность работы с операционной документацией: формализуем материалы вроде статус-репортов по внутренним корпоративным шаблонам, анализируем протоколы встреч и актуализируем дорожные карты. Все вместе позволяет сократить время на рутинные задачи и повысить управляемость проекта.

Наибольший эффект в разработке достигается не столько в генерации кода, сколько в его доработке и контроле качества. Если коротко, то здесь ИИ применяем для рефакторинга, расширения покрытия тестами и проведения код-ревью — в тех зонах, где традиционно накапливаются ошибки и «слепые зоны» системы.

Расскажем, как мы внедряли ИИ в операционные процессы внутри команды. Разделили процесс на этапы и начали с гипотезы: дает ли ИИ измеримую экономию времени на типовых задачах, и если да, то где эффект наибольший. Затем собрали пилотную группу из 10 человек: четыре бизнес-аналитика, два тестировщика, два руководителя проектов, два менеджера по продажам. До старта зафиксировали базовые показатели — сколько часов каждая роль тратит на стандартные задачи: подготовку внутренних документов, обновление дорожных карт, формирование чек-листов и коммерческих предложений.

Работали с комбинацией инструментов: внутренняя ИИ-модель в защищенном контуре для задач с чувствительными данными, внешние сервисы — под конкретные сценарии. Данные перед отправкой во внешние системы анонимизировали. Инструменты внедряли точечно, без установки на быстрое масштабирование. Назначили ответственного, прописали регламент и требования к безопасности.

В результате суммарная экономия по группе из 10 человек составила около 200 часов в месяц. Цифра учитывает затраты на внедрение и эксплуатацию решений и рассчитана с учетом численности каждой роли: аналитики экономят 30 часов в месяц каждый, тестировщики — 25, руководители проектов — 15, менеджеры по продажам — 16, в сумме около 200 трудочасов. Это эквивалентно 1,2 FTE, полной ставке сотрудника с учетом стандартной рабочей нагрузки. Показатели по разработке в данный расчет не включены: оценка эффективности в этом направлении проводится отдельно. Когда результаты подтвердили и воспроизвели на повторных измерениях, решения встроили в общие процессы.

Наибольший измеримый эффект ИИ позволяет получить в автоматизации рутины — именно здесь возникает устойчивая добавленная стоимость. Но эффект зависит от качества реализации проектов. Так, важно понимать, насколько точно модель решает задачу, выдерживает ли нагрузку и насколько готова к масштабированию без полной пересборки. Google в руководстве по ML Ops указывает, что основная сложность — не разработка модели, а построение и поддержка всей системы вокруг нее, в том числе пайплайны данных, тестирование, мониторинг, инфраструктура. Быстрое внедрение без продуманной архитектуры приводит к накоплению технического долга, а значит, к дорогой поддержке, сложностям с масштабированием и рискам инцидентов.

Отдельный этап — переход от пилота к промышленной эксплуатации. В пилоте допустимы ограниченные выборки, ручной контроль и упрощенные сценарии. В реальном коммерческом использовании система должна стабильно работать под нагрузкой, обеспечивать безопасность данных и интегрироваться в существующую ИТ-инфраструктуру. Ошибки в архитектуре здесь масштабируются: неверная архитектура может спровоцировать деградацию под нагрузкой, проблемы интеграции приводят к сбоям в транзакциях, а уязвимости — к утечкам и репутационным потерям. В ближайшей перспективе ожидаем появления практик системного аудита таких решений.

На практике значительная часть инициатив с ИИ не достигает ожидаемого эффекта. Здесь три барьера:

1. Внедрение начинается с технологии, а не с бизнес-задачи. В результате отсутствует понимание исходной точки, целевого состояния и конкретного эффекта, который необходимо получить. Без этого невозможно корректно определить, что именно следует оптимизировать и требуется ли это в принципе.
2. Проекты реализуются фрагментарно. Отсутствует единый центр ответственности и человек, который управляет внедрением как сквозным процессом. Маркетинг подключает товарные рекомендации, продажи — аналитику звонков колл-центра, ИТ-отдел проводит активности по кибербезу. В разрозненном состоянии инициативы не позволят получить системный результат. Так, например, по данным MIT, ИИ-инициативы по-прежнему воспринимаются как технологическая задача CIO, а не как бизнес-вопрос, требующий ответственности на уровне всей организации.
3. ИИ не интегрируется в существующие бизнес-процессы. Если решение остается изолированным от реального рабочего контура, оно не используется в повседневной деятельности и не влияет на показатели бизнеса.

Таким образом, если процессы выстроены слабо, технология лишь масштабирует их ограничения. Поэтому основная задача кроется не в выборе инструментов, а в том, насколько компания понимает собственные процессы и точки потерь. В этом смысле ИИ становится не столько технологией, сколько инструментом управляемости бизнеса.

Мы с командой уже не думаем о том, использовать ИИ или нет. Мы думаем о том, в каких процессах ИИ сделает нас сильнее конкурентов. И в каких процессах он даст нам измеримое преимущество. Компании, которые отвечают на этот вопрос через пилот и замер реальных результатов, а не через хайп и масштабирование решений без четкой выгоды, получат и операционный эффект, и контроль над рисками.