Где проходит граница между ассистентом и агентом
Ассистент обычно отвечает на запрос человека. Агент получает цель и может пройти несколько шагов: запросить данные, выбрать инструмент, выполнить действие, оценить результат и решить, нужен ли следующий шаг. В маркетинге и продажах это означает переход от «напиши письмо» к «разбери лид, проверь компанию, заполни CRM, подготовь follow-up и эскалируй исключение».
12 процессов, которые уже имеет смысл автоматизировать
- классификация входящих лидов и маршрутизация по ICP, продукту и срочности;
- обогащение карточки компании перед первым контактом;
- резюме звонков и извлечение фактов в CRM;
- подготовка персонального follow-up по фактам разговора;
- контроль просроченных next step и SLA;
- сбор account brief для ABM;
- классификация ответов на outbound и выделение positive intent;
- поиск ответов по базе знаний для менеджера;
- подготовка черновиков КП и sales enablement материалов;
- контроль качества контента по бренд-гайду и фактам;
- сбор конкурентных сигналов и изменений на рынке;
- еженедельный plan-fact с объяснением отклонений.
Как выбирать первый use case
Начинать лучше с процесса, который повторяется часто, имеет понятный вход и выход, а ошибка не приводит к необратимым последствиям. Хороший пилот позволяет сравнить baseline по времени, качеству и стоимости до и после автоматизации.
Production-критерий
Для рабочего агента важнее не красота демо, а наблюдаемость: какие данные он получил, почему выбрал действие, какой инструмент вызвал, что изменил и при каком условии передал кейс человеку.
Как принимать решение по этой теме
Практический порядок внедрения
- зафиксировать вход, выход и владельца процесса
- измерить время, стоимость и ошибки baseline
- определить, где нужен AI, а где обычный workflow
- создать ограниченный пилот
- задать guardrails и human-in-the-loop
- сравнить качество и экономику
- масштабировать только после evidence
Что измерять
Не все показатели ниже должны стать KPI. Их задача — помочь выбрать минимальный набор сигналов, который покажет, что изменение работает и не ухудшает соседний участок системы.
- время обработки одного кейса
- доля корректной маршрутизации
- доля случаев без ручной доработки
- стоимость операции
- число эскалаций
- ошибки с высокой ценой
Типичные ошибки
- автоматизировать процесс, который ещё не стандартизирован
- дать агенту слишком широкие права
- мерить только количество выполненных действий
- не хранить журнал решений
- считать LLM единственным компонентом системы
Чек-лист руководителя
- ✓ Понятно, какую бизнес-задачу решает подход.
- ✓ Определён сегмент или тип ситуации, где он применим.
- ✓ Есть baseline и источник данных.
- ✓ Назначен владелец решения.
- ✓ Есть leading signal, который появится раньше конечной выручки.
- ✓ Определён критерий остановки или пересмотра.
- ✓ Команда понимает ограничения метода.
Частые вопросы
Нужно ли сразу строить автономного агента?
Нет. Во многих процессах достаточно AI-функции внутри обычного workflow. Автономность имеет смысл только там, где она экономит координацию и остаётся управляемой.
Как доказать эффект?
Сравнить baseline и пилот на одинаковом типе кейсов: время, качество, стоимость и влияние на следующий бизнес-этап.
Что важнее модели?
Качество данных, процесс, права на действия, наблюдаемость и критерии эскалации часто важнее выбора конкретной LLM.
Вывод
Диагностика перед применением
Перед тем как применять идеи из материала «AI-агенты в маркетинге и продажах: 12 процессов, которые уже можно автоматизировать», полезно описать процесс без AI: кто запускает работу, какие данные используются, где человек принимает решение, какие системы затрагиваются и сколько стоит ошибка. Такая карта быстро показывает, нужен ли вообще вероятностный AI-слой. Если задача сводится к переносу данных по известным правилам, детерминированная автоматизация будет дешевле и надёжнее. Если же сегодня сотрудник читает свободный текст, сравнивает контекст и выбирает один из нескольких допустимых путей, появляется пространство для LLM или агента.
Экономика автоматизации
Экономический эффект удобно раскладывать на четыре части: экономия времени, снижение ошибок, рост скорости процесса и изменение коммерческого результата. Не все четыре эффекта возникают одновременно. Например, AI может ускорить квалификацию лида, но если отдел продаж и раньше отвечал быстро, бизнес-эффект будет ограничен. Поэтому ROI лучше строить от конкретного bottleneck, включая стоимость внедрения, API, поддержку, контроль качества и ручные исключения.
Уровни зрелости
Как обсуждать тему на управленческой встрече
- Какую проблему мы пытаемся решить, а не какой инструмент хотим внедрить?
- Что является единицей анализа и кто владелец?
- Как выглядит baseline за сопоставимый период?
- Какой ведущий сигнал появится раньше конечной выручки?
- Какие побочные эффекты можем создать?
- При каком результате мы остановим или пересоберём подход?
Продвинутый уровень: как проверить, что подход действительно работает
Для темы «AI-агенты в маркетинге и продажах: 12 процессов, которые уже можно автоматизировать» зрелость начинается после первого успешного демо. На следующем этапе нужно доказать устойчивость на разных типах входа, обработку исключений и экономику в production. Полезно собирать golden set реальных кейсов и регулярно прогонять его после изменения модели, промпта, инструментов или данных. Так команда видит не только среднее качество, но и регрессии по критичным сценариям.
Отдельно следует проектировать observability: журнал решений, версии инструкций, latency, стоимость вызовов, причины эскалации и результаты ручной проверки. Если система не позволяет восстановить цепочку «контекст → решение → действие», её сложно улучшать и опасно масштабировать.
Какие данные стоит сохранять
- baseline и период до изменения;
- версию правил, процесса или модели;
- сегмент и единицу анализа;
- исключения и ручные override;
- leading и lagging outcomes;
- затраты времени, бюджета и поддержки;
- решение по итогам review: масштабировать, изменить или остановить.
90-дневный план проверки и внедрения
Вопросы, которые стоит задать на совете руководителей
- Какой конкретный человеческий workflow мы меняем?
- Какова цена ложного решения и кто подтверждает исключение?
- Какая часть эффекта останется после учёта API, поддержки и контроля?
- Что произойдёт, если поставщик модели или интерфейс изменится?
Разбор практического сценария
Представим B2B-компанию, где менеджер вручную читает входящие обращения, открывает сайт компании, определяет сегмент и переносит факты в CRM. Вместо попытки сразу заменить человека агентом компания сначала формализует признаки ICP, создаёт тестовый набор прошлых лидов и измеряет baseline. AI получает только право подготовить классификацию и черновик действий. После проверки precision и ошибок high-risk кейсы остаются у человека, а типовые обращения переводятся в автоматический режим.
- ✓ вход и признаки определены
- ✓ есть размеченная история
- ✓ права агента ограничены
- ✓ ошибки разбираются по типам
- ✓ экономика считается после ручных исключений
Как собрать доказательства, а не только мнения
Разделите evaluation на качество модели и бизнес-эффект. Для качества нужен фиксированный набор реальных кейсов с ожидаемым результатом; для бизнеса — сравнение времени, стоимости и downstream outcome. Не смешивайте эти уровни: модель может хорошо классифицировать текст, но не экономить деньги, если дальше процесс всё равно упирается в ручной bottleneck.
- golden set с типовыми и пограничными кейсами;
- отдельные критерии для high-risk ошибок;
- версионирование промптов, моделей и инструментов;
- регулярная проверка regression после изменений;
- сравнение с человеком или старым процессом на одинаковой выборке.
Как встроить подход в рабочий ритм
Чтобы идеи из материала «AI-агенты в маркетинге и продажах: 12 процессов, которые уже можно автоматизировать» не остались разовой инициативой, им нужен cadence. На еженедельном уровне команда смотрит leading indicators и исключения, на месячном — экономику и движение outcome, на квартальном — пересматривает критерии, допущения и приоритеты. Такой ритм особенно важен в длинном B2B-цикле: он позволяет не менять направление после каждого случайного колебания.
Важно, чтобы review заканчивался явным решением и owner. Если встреча только фиксирует показатели, система обучения не замыкается. Лог решений полезно хранить рядом с данными: что увидели, как интерпретировали, что изменили и когда проверим эффект.