CRM + AI-отдел продаж: как мы построили систему, в которой продаёт не отдел, а платформа

За пятнадцать лет обслуживания малого бизнеса я насмотрелся на CRM всякого. Компания покупает систему, три месяца внедряет, а через полгода это уже не инструмент продаж, а дорогая записная книжка, которую менеджеры заполняют из-под палки. Заявки по ночам всё так же висят без ответа, цены клиентам всё так же называют по памяти, а собственник всё так же узнаёт о проваленном месяце из бухгалтерской ведомости. В этом году мы спроектировали и довели до продукта собственный ответ на эту боль — self-hosted платформу «CRM + AI-отдел продаж». Внутри неё работают три цифровых сотрудника: продавец Василиса, AI-РОП и AI-контролёр качества. Расскажу без маркетингового тумана, что это такое, как оно устроено под капотом и почему это не «ещё один чат-бот».

Почему классическая CRM ничего не продаёт

Начну с неудобной правды, которую редко произносят вслух продавцы CRM-систем: сама по себе CRM — это картотека. Очень удобная, с воронками и напоминаниями, но картотека. Продаёт в ней по-прежнему человек, и все хронические болезни отдела продаж она не лечит, а только документирует.

Вот что я вижу у клиентов из года в год, независимо от того, какая система у них стоит:

• Заявка ночью — потерянная заявка. Клиент написал в десять вечера, менеджер открыл диалог в десять утра. За двенадцать часов человек успел получить три ответа от конкурентов. Скорость первого ответа решает больше, чем скидка, — а ночью и в выходные отвечать некому.
• Менеджер отвечает по памяти. Прайс обновили во вторник, а Ольга до пятницы называет старую цену, потому что «так помнила». Условия доставки каждый пересказывает по-своему. CRM хранит регламент, но никто в него не смотрит в момент разговора.
• Лиды тихо умирают на этапах. Недозвонился — и забыл перезвонить. Клиент попросил «напишите через недельку» — и никто не написал. РОП вручную выискивает такие висяки раз в месяц, когда они уже остыли до комнатной температуры.
• Качество разговоров — чёрный ящик. Прослушать сто диалогов физически некому, поэтому разбирают два-три случайных. Системная ошибка в скрипте живёт месяцами.

Автоматизация в привычных CRM бьёт мимо этих точек: роботы шлют письма по расписанию, ставят задачи по триггеру, красят карточки. Полезно, но заявку в два часа ночи всё равно никто не квалифицировал, возражение «дорого» никто не отработал, заказ никто не оформил. Мы решили закрыть именно этот разрыв — не «добавить нейросеть в CRM», а посадить в CRM цифровых сотрудников, которые делают работу.

Что мы сделали: три AI-сотрудника внутри одной системы

Основа — полноценная CRM: лиды с канбан-воронкой, карточки компаний и физлиц, заказы, задачи и единая лента диалогов, куда стекаются сообщения из Telegram-бота, почты и формы на сайте. Клиент опознаётся по телефону, почте или Telegram-аккаунту, так что переписка из трёх каналов склеивается в одну историю, а не размазывается по трём вкладкам.

А поверх этого ядра работают три агента.

Василиса — AI-продавец первой линии

Она отвечает во всех подключённых каналах круглосуточно, и отвечает не «по вдохновению», а строго по базе знаний компании. Квалифицирует запрос, подбирает товар, называет актуальную цену, отрабатывает возражения — и главное, действует: двигает лид по этапам воронки, оформляет заказ прямо из переписки, ставит задачу «перезвонить завтра в 15:00», дописывает клиенту новый телефон в карточку. Всё это — теми же внутренними механизмами, которыми пользуется живой менеджер, и каждый шаг остаётся в истории с пометкой «действие агента».

AI-РОП — аналитик, который не устаёт от рутины

Каждую ночь он проходит по воронке и считает то, что живой руководитель отдела продаж делает в лучшем случае раз в месяц: конверсии между этапами, время «зависания» лида, недозвоны без повторного звонка, диалоги без ответа. По итогам — задачи конкретным менеджерам («у тебя восемь лидов стоят на квалификации дольше трёх дней») и дайджест собственнику в Telegram. Отдельный приятный побочный эффект: AI-РОП замечает, когда ответы Василисы ссылаются на устаревшие цены, и предлагает поправить базу знаний.

AI-контроль качества — сто процентов диалогов, а не выборка

Третий агент разбирает завершённые переписки по чек-листу стандартов компании — причём и человеческие, и Василисины, без поблажек своим. Поздоровался ли, выявил ли потребность, предложил ли сопутствующий товар, не пообещал ли лишнего. На выходе — оценка по десятибалльной шкале, конкретные ошибки и точки роста в карточке каждого менеджера. Когда прослушивается всё, а не каждый тридцатый разговор, системные ошибки скрипта всплывают за дни, а не за кварталы.

Как это устроено технически

Теперь слой, ради которого технический директор читает такие статьи. Здесь нет магии — есть несколько инженерных решений, каждое из которых закрывает конкретный способ, которым LLM обычно портит продажи.

База знаний и RAG: почему Василиса не выдумывает цены

Главный страх любого собственника: «нейросеть наврёт клиенту». Лечится он архитектурно. Ответы строятся только из базы знаний компании — это обычные Markdown-статьи с версионированием: прайс, условия доставки, банк возражений, регламенты. При сохранении статья автоматически режется на фрагменты по 300–500 токенов с учётом структуры (таблица прайса, например, никогда не разрывается посреди строки, а к каждому куску дописывается заголовок статьи и раздела — фрагмент остаётся самодостаточным).

Поиск по базе гибридный: векторные эмбеддинги (многоязычная модель e5-large, 1024 измерения, индекс HNSW в pgvector) плюс классический полнотекстовый поиск PostgreSQL с русской морфологией. Две выдачи сливаются алгоритмом Reciprocal Rank Fusion — вектор ловит смысл («а почём ваши услуги» ≈ «стоимость»), полнотекст ловит точные артикулы и термины, вместе они ошибаются заметно реже, чем каждый порознь. Отдельно нам нравится, что всё это живёт в одном PostgreSQL 16 — без отдельной векторной СУБД, которую пришлось бы бэкапить и мониторить отдельно.

Две детали, которые на практике важнее любых бенчмарков. Первая — pinned-статьи: у статьи есть флаг «всегда в промпте», и такие тексты (стоп-темы, тон общения, правила допродажи) попадают в каждый вызов целиком, минуя поиск. Критичные правила не могут «не найтись». Вторая — порог уверенности: если по запросу клиента в базе ничего внятного не нашлось, система не подсовывает модели мусор, а явно помечает «опоры нет», и промпт предписывает уточнять вопрос или звать человека. Не знаешь — не сочиняй.

Журнал вызовов и разметка «Эталон / Исправить»

Каждое обращение к модели пишется в журнал: вопрос, ответ, потраченные токены, стоимость в рублях и полный снимок промпта. Последнее — принципиально: любой ответ Василисы можно воспроизвести байт в байт и понять, из каких фрагментов базы и каких примеров он собрался. Когда что-то пошло не так, вы не гадаете — вы смотрите.

На этом журнале построен контур обучения. У каждой строки две кнопки: «Эталон» — ответ хорош, забираем как образец; «Исправить» — оператор правит текст руками, и в копилку уходит исправленная версия. Накопленные эталоны работают дважды. Сразу — как few-shot-примеры: при каждом новом вызове система подбирает по векторной близости пять самых похожих на текущий вопрос эталонов и подмешивает их в промпт, так что Василиса отвечает «как в тот раз, когда получилось хорошо». И на перспективу — как датасет: эталоны экспортируются в JSONL для дообучения собственной модели. Получается редкая для коробочных решений вещь: система умнеет от эксплуатации, а не только от правок промпта. Чем дольше работает — тем точнее попадает в тон и фактуру именно вашего бизнеса.

Эскалации: страховка от «AI наломал дров»

Василиса не пытается быть героем. Конфигурируемые правила снимают её с линии в опасных ситуациях: клиент упомянул стоп-тему (суд, претензия, что угодно из вашего списка) — эскалация; попросил живого человека — эскалация без попытки удержать; негатив в последних сообщениях ниже порога — эскалация; заказ на сумму больше заданной — Василиса готовит черновик, но оформляет его менеджер. С момента передачи AI в треде молчит — совсем, до тех пор пока менеджер явно не нажмёт «Вернуть Василисе». Никаких «бот влез в разговор поверх человека».

152-ФЗ и self-hosted: данные не покидают ваш контур

Платформа разворачивается на вашем железе или VPS одним Docker Compose: приложение, PostgreSQL с pgvector, Redis и очереди, LLM-шлюз, свои эмбеддинги, S3-хранилище файлов. Никакой аренды у вендора, никаких «ваши данные у нас в надёжном облаке». Для персональных данных это не косметика: база клиентов, переписка и журналы физически живут в РФ, что снимает основную головную боль по 152-ФЗ.

С языковой моделью два честных сценария. Либо локальный инференс на своём GPU-сервере — тогда наружу не уходит вообще ничего. Либо внешний API — и тогда работает маскирование: телефоны и адреса почты вырезаются из текста на этапе сборки промпта и не попадают провайдеру в открытом виде. Сам доступ к моделям сделан через OpenAI-совместимый шлюз (LiteLLM), поэтому модель выбирается настройкой для каждого агента отдельно: Василисе — умную и дорогую, ночному пересчёту воронки — дешёвую. Провайдер поменялся, подешевел, попал под санкции — меняете строчку конфига, а не переписываете систему. Вендор-лока на LLM нет по построению.

Чем это отличается от Битрикс24, amoCRM и чат-ботов

Вопрос, который мне задают первым: «А чем это лучше CoPilot в Битрикс24?» Отвечу развёрнуто, потому что разница не в проценте качества, а в самой роли, которую играет AI.

Битрикс24.CoPilot — это ассистент сотрудника. Он расшифрует звонок, предложит текст письма, заполнит поля сделки, перепишет комментарий повежливее. Полезно — но работает он тогда, когда работает человек, и его руками. В два часа ночи CoPilot не продаёт, потому что некому нажать кнопку. У нас AI — не суфлёр при менеджере, а сам исполнитель первой линии: входящее сообщение обрабатывается без участия людей, вплоть до оформленного заказа. Плюс принципиальная разница по данным: CoPilot — это облако Битрикса и его модели, у нас — ваш сервер и любая модель на выбор.

AI в amoCRM идёт той же дорогой ассистента: саммари переписки, скоринг лидов, подсказки следующего шага. Продаёт по-прежнему менеджер. И заметьте вторую общую черту облачных решений: AI-функции тарифицируются как надстройка над подпиской, за пользователя в месяц, навсегда. Self-hosted экономика другая: вы платите за внедрение и владеете системой, а операционные расходы — это токены, которые видны в журнале с точностью до копейки по каждому диалогу.

Чат-боты и конструкторы сценариев — отдельная категория, с которой нас путают чаще всего. Разница фундаментальная: бот живёт снаружи CRM и умеет разговаривать, Василиса живёт внутри CRM и умеет работать. Сценарный бот ходит по дереву «если нажал А, покажи Б» и рассыпается на первом же вопросе не по сценарию. GPT-бот из конструктора поддержит беседу, но не переведёт лид на этап «Квалифицирован», не создаст заказ с позициями по актуальному каталогу, не поставит задачу менеджеру и не оставит след в ленте активности. Он говорит — она делает. И третье отличие, которое вылезает через месяц эксплуатации: у ботов нет контура обучения. Ошибся — иди перерисовывай сценарий. У нас ошибка размечается кнопкой «Исправить» и со следующего дня работает на качество ответов.

Если свести в одну таблицу:

Честности ради: если вам нужен только красивый корпоративный портал с задачами и чатами — берите Битрикс24, он для этого и создан. Наша система решает другую задачу: чтобы продажи шли и тогда, когда людей нет на месте, и чтобы каждый ответ опирался на ваши, а не среднестатистические, знания.

Кому это нужно и что даёт

Мы делали систему не для энтерпрайза с сотней продавцов, а для бизнеса нашего профиля — компаний до 50 рабочих мест, где отдел продаж — это два-четыре человека, РОП чаще всего сам собственник, и каждый потерянный лид больно бьёт по кассе.

• Интернет-торговля и опт с входящим потоком. Василиса снимает первую линию: типовые «сколько стоит, как доставите, есть ли в наличии» закрываются без людей, менеджерам достаются тёплые квалифицированные клиенты и крупные чеки.
• Услуги с длинным циклом сделки. Здесь главный эффект от AI-РОПа: висяки перестают умирать молча, по каждому остывающему лиду появляется задача с фамилией и сроком.
• Ниши с регуляторикой и чувствительными данными — медицина, финансы, юридические услуги. Self-hosted-контур и локальная модель позволяют использовать AI там, куда облачные сервисы по соображениям 152-ФЗ пускать страшно.

Что это даёт в цифрах, честно зависит от исходной точки. Но три эффекта воспроизводятся стабильно: время первого ответа падает с часов до секунд на стопроцентном покрытии входящих; фонд оплаты первой линии перестаёт расти вместе с потоком заявок — масштабируется система, а не штат; и появляется управляемость, которой не было — собственник впервые видит воронку, стоимость каждого AI-диалога и оценку каждого разговора, включая разговоры самого AI.

Замечу очевидное, о чём умалчивает реклама AI-сервисов: система продаёт ровно настолько хорошо, насколько хороша база знаний. Первые две недели внедрения — это не настройка серверов, а выгрузка знаний из головы вашего лучшего продавца в статьи. Зато потом эти знания перестают увольняться, уходить в отпуск и забывать обновлённый прайс.

Как попробовать

«CRM + AI-отдел продаж» — продукт ITfresh, и внедряем мы его сами, под ключ: разворачиваем платформу на вашем сервере или подбираем VPS, подключаем Telegram-бот, почту и форму сайта, вместе с вами наполняем базу знаний, настраиваем правила эскалации под вашу специфику и остаёмся на сопровождении. Первый разумный шаг — короткий разговор о вашем потоке заявок: по его итогам я честно скажу, окупится ли у вас AI-первая линия и какой профиль развёртывания выбрать — облачная модель или свой GPU.

Частые вопросы

AI-продавец не наговорит клиенту лишнего?

Для этого есть эскалации: стоп-темы, запрос живого человека, негатив в диалоге, порог суммы заказа. При срабатывании любого правила диалог мгновенно уходит менеджеру, и AI молчит, пока управление не вернут явной кнопкой. Плюс жёсткое правило в промпте: нет данных в базе знаний — уточняй или зови человека, а не сочиняй.

Чем это отличается от чат-бота на сайте?

Чат-бот живёт снаружи CRM и умеет только разговаривать. Василиса — сотрудник внутри CRM: двигает лид по воронке, оформляет заказ, ставит задачи, и каждое действие фиксируется в ленте активности так же, как действие человека.

Куда уходят персональные данные клиентов?

Никуда. Система self-hosted: база, файлы, журналы и векторный индекс живут на вашем сервере в РФ. LLM можно поднять локально — тогда наружу не уходит ни байта; при внешнем API контакты маскируются при сборке промпта.

Сколько стоит содержать AI-продавца?

Каждый вызов модели записан в журнал с токенами и стоимостью, так что цена известна по каждому диалогу, а не «в среднем». На практике диалог с оформлением заказа стоит в разы дешевле минуты работы менеджера.

Можно ли внедрить это у меня?

Да — напишите в Telegram @ITfresh_Boss или позвоните +7 903 729-62-41. Развернём, наполним базу знаний и сопроводим.