Минус 78% времени и минус 95% ошибок: агентный процесс за десять лет до LLM
В 2016 году у нас не было ни одной языковой модели. Ни ассистентов, ни векторных баз, ни слова «агент» в сегодняшнем значении. Был PHP, была CRM и был отдел продаж, который каждый день собирал коммерческие предложения руками.
Для этого отдела мы построили внутренний сервис — генератор коммерческих предложений. Он сократил время подготовки предложения на 78%, а количество ошибок в отправленных документах — на 95%. Ровно тот порядок цифр, который сегодня показывают на слайдах AI-пилотов. С одной разницей: у нас не было ничего, что умело бы писать текст.
Эффект дала не генерация текста. Его дали три вещи: предложение перестало собираться вручную, перестало уходить неполным и начало возвращать событие обратно в систему. AI-проекты 2026 года выигрывают и проигрывают ровно там же — и исследования это подтверждают.
Как выглядела подготовка одного предложения
Менеджер получал запрос и начинал собирать документ. Открывал прайс, считал стоимость — в калькуляторе, иногда в уме. Шёл в каталог за фотографиями: каталог большой, поиск по нему устроен для склада, а не для продаж, и подбор трёх подходящих снимков занимал больше времени, чем весь текст предложения. Дальше документ верстался в Word — как менеджер умел. На одно предложение уходило от получаса до половины рабочего дня.
Дефекты, которые из этого получались, были не случайными. Они повторялись, и их можно перечислить.
Арифметика. Ручной расчёт даёт ошибки всегда — вопрос только в частоте. Скидка, посчитанная от неправильной базы. Забытый налог. Перепутанная единица измерения. Ошибка обнаруживалась либо на этапе счёта, либо не обнаруживалась вовсе и оплачивалась из маржи.
Неполные условия. В предложении оказывалась цена работ — и не оказывалось всего остального: доставки, монтажа, доработки под задачу. Клиент узнавал о дополнительных затратах после того, как принял решение. Дальше два варианта, и оба плохие: либо компания закрывает разницу за свой счёт, либо начинает разговор, после которого доверие уже не восстанавливается.
Отсутствие контактов. Документ уходил без телефона и почты ответственного менеджера. Клиент, у которого возник вопрос, должен был искать, кому его задать. Часть не искала.
Фотографии. Одни ставили первое, что нашлось в каталоге, другие не ставили ничего, потому что искать было долго. Предложение на одну и ту же услугу выглядело у разных менеджеров как предложения двух разных компаний.
Форма. Каждый верстал по-своему: свои шрифты, своё выравнивание, свои цвета заголовков. Фирменный стиль существовал в брендбуке — то есть в документе, который клиент никогда не видел. В документах, которые клиент видел, его не было.
| Дефект | Что теряется | Кто это замечает |
|---|---|---|
| Ошибка в расчёте | Маржа сделки или доверие | Бухгалтерия — позже всех |
| Неполные условия | Сделка или репутация | Клиент — в худший момент |
| Нет контактов | Входящий вопрос клиента | Никто |
| Случайные фотографии | Ощущение, что предложение готовили лично для вас | Никто |
| Разное форматирование | Впечатление о размере и порядке в компании | Никто |
| Долгая сборка | Часы работы дорогого сотрудника | Руководитель — в виде «мало продаж» |
Обратите внимание на третий столбец. Четыре дефекта из шести не замечает никто внутри компании. Их видит только клиент — и не сообщает о них, а просто не отвечает.
Почему это не проблема текста
Если посмотреть на список, окажется, что ни один дефект не связан с формулировками. Проблема была в сборке: в том, сколько операций менеджер выполняет руками между «клиент попросил» и «документ готов», и сколько из этих операций может пойти не так.
Продавцы тратят на собственно продажу лишь 28% рабочего времени. Остальные 72% уходят на ведение сделок, ввод данных и прочую административную работу.
Цифра важна не сама по себе, а тем, что она устойчива: её воспроизводят разные исследования с разными выборками уже больше десяти лет. Отдел продаж — это подразделение, которое большую часть времени занимается не продажами. И самая дорогая часть этого «не-продажами» — ручная сборка документов, каждый из которых почти совпадает с предыдущим.
Три вещи, которые ломались уже после отправки
Допустим, документ собран правильно. Дальше начинается вторая половина пути, и в ней свои разрывы.
Предложение не доезжало. Забыли вложить файл. Письмо ушло в спам. Отправили с личной почты, и оно попало в фильтр. Менеджер уверен, что работа сделана; клиент уверен, что о нём забыли. Ни один из них не знает, что они расходятся в фактах.
Предложение доезжало не тем. Перепутанное имя, чужое название компании, условия, оставшиеся от прошлой сделки. Одна такая ошибка стоит дороже сэкономленного получаса: она сообщает клиенту, что его предложение — копия, а он в очереди.
Никто не знал, что происходит дальше. Письмо ушло — наступала тишина. Менеджер звонил вслепую через неделю или не звонил вообще. Руководитель отдела не мог отличить «не отвечает, потому что не заинтересовался» от «не отвечает, потому что не открывал».
Последний пункт кажется мелочью ровно до тех пор, пока не посмотреть на цену задержки.
Компании, связавшиеся с клиентом в течение часа после обращения, почти в 7 раз чаще доводили контакт до квалифицированного разговора, чем те, кто ответил часом позже, и более чем в 60 раз чаще тех, кто ответил через сутки и более. При этом среди компаний, ответивших хотя бы в течение месяца, среднее время ответа составило 42 часа, а в течение первого часа отвечали только 37%.
Исследованию пятнадцать лет, и это его достоинство: за пятнадцать лет технологии сменились полностью, а зависимость осталась. Скорость реакции — не про вежливость. Это множитель к конверсии, который работает независимо от качества самого предложения.
Что мы построили: автоматизация бизнес-процессов до эпохи AI
Вторая версия сервиса выглядела так. Расчёт делала система: менеджер выбирал позиции, а стоимость, скидки, налоги и дополнительные затраты подставлялись по правилам, а не по памяти. Фотографии подтягивались из каталога автоматически, привязанные к позициям. Вёрстка была одна на всех — фирменный стиль оказался внутри документа, а не рядом с ним. Обязательные блоки — контакты ответственного и полные условия — нельзя было пропустить: без них документ не собирался.
Отправка шла одним действием прямо из карточки сделки. Письмо оказывалось у клиента через три-пять минут, а сам документ автоматически подшивался к сделке. Дальше сервис отслеживал, открыто ли письмо и переходил ли клиент по ссылкам внутри. На эти события были навешены следующие шаги: если клиент открыл — уходило одно письмо, если не открыл за три дня — другое. Если письмо не открывалось совсем или попадало в спам, менеджер получал уведомление и знал, что нужно не «дожимать», а перепроверить канал.
И отдельно копилась статистика: по каждому менеджеру и по тому, на какие предложения выше спрос.
Генерация текста осталась в этой конструкции самой простой частью. Ценность создавали правила и события.
Что изменилось в цифрах
Оставшиеся 5% ошибок — это, как правило, то, что система в принципе не могла проверить: неверно понятая задача клиента или неправильно выбранная позиция на входе. Всё, что можно было формализовать, формализовалось и перестало ломаться.
2026 год: та же ошибка на новом слое
Сегодняшний AI-пилот устроен до неприличия похоже. Команда меряет качество ответов на оценочных наборах (evals — наборы эталонных задач, на которых проверяют модель), спорит о промптах, выбирает между моделями, показывает демонстрацию, где ассистент отвечает лучше живого сотрудника. Демонстрация проходит. Процесс не меняется.
Около 95% корпоративных пилотов генеративного AI не дают измеримого эффекта в отчёте о прибылях и убытках. Главный вывод авторов: причина не в моделях. «Основной барьер для масштабирования — не инфраструктура, не регулирование и не кадры. Это обучаемость: большинство систем генеративного AI не удерживают обратную связь, не адаптируются к контексту и не улучшаются со временем».
Перечитайте формулировку про обратную связь. Это описание ровно того разрыва, который мы закрывали в 2016 году, — только сказанное на языке 2025-го. Система, которая не удерживает событие и не возвращает его обратно, остаётся демонстрацией независимо от того, насколько умна модель внутри.
Более 40% проектов агентного AI будут закрыты до конца 2027 года. Причины: растущие издержки, неясная бизнес-ценность и недостаточный контроль рисков. Из тысяч поставщиков, называющих себя агентными, реальными возможностями обладают около 130 — остальное аналитики называют «agent washing», переупаковкой ассистентов, RPA и чат-ботов.
Обе работы говорят об одном, хотя написаны разными людьми с разными методами. Эффект — или его отсутствие — определяется тремя вещами, и ни одна из них не про качество ответа:
- доезжает ли результат до системы записи (system of record — та система, где для компании живёт истина о сделке, документе или клиенте), или остаётся в чате, который никто не открывает на следующий день;
- возникает ли событие, которое возвращается обратно и запускает следующее действие — с человеком в контуре (human-in-the-loop — сценарий, где решение утверждает или отклоняет человек) там, где цена ошибки высока;
- видно ли, что происходит внутри контура: не «команде нравится», а числа по людям, сценариям и отказам.
Разрыв — это место, где работа формально сделана, но результат не перешёл дальше. В 2016 году это было письмо без вложения и цена без монтажа. В 2026 — безупречный ответ ассистента, который никуда не записался и никого не уведомил.
Четыре вопроса перед запуском AI-процесса
Где точка отказа
Что ломается сейчас: качество, сборка, доставка или обратная связь? Если качество не главная проблема, модель её не решит — она решит другую.
Куда попадёт результат
В систему, где команда реально работает, или в отдельное окно, которое надо не забыть открыть?
Что происходит после
Какое событие возникает и кто по нему делает следующий шаг. Если ответ «менеджер сам посмотрит» — события нет.
Что вы увидите через месяц
Какие числа вы сможете открыть и сравнить. Если только ощущения — измерять эффект будет нечем.
Если из четырёх пунктов закрыт только первый — вы строите демонстрацию. Если закрыты все четыре — вы строите процесс.
Вопросы, которые задают чаще всего
Разве большие языковые модели не меняют картину?
Меняют объём задач, которые вообще можно автоматизировать: раньше процесс должен был быть строго формализован, теперь нет. Но место, где возникает эффект, они не меняют. Модель расширяет спектр того, что можно сделать, — она не решает, доедет ли сделанное до системы и до человека.
Можно ли получить такой эффект без AI?
Да, и это стоит проверить первым. Расчёт по правилам, обязательные поля и триггеры на события закрываются детерминированной автоматизацией — дешевле, предсказуемее и без вопросов о том, кто отвечает за ошибку. Разумный порядок: сначала убрать точки отказа, потом добавлять модель туда, где без неё действительно нельзя.
С чего начать, если предложения до сих пор собираются вручную?
С одного замера: возьмите двадцать последних отправленных документов и посчитайте, в скольких есть ошибка в цифрах, неполные условия или отсутствующие контакты. Это займёт час и обычно снимает вопрос о приоритетах — доля дефектных документов оказывается выше, чем ожидает руководитель.
Насколько показательны цифры 78% и 95%?
Это внутренние метрики одного продукта в одном отделе продаж, а не отраслевой бенчмарк. Переносить сами числа на другую компанию бессмысленно. Переносится логика: они выросли из устранения точек отказа, а не из скорости набора текста.
Показатели «−78% времени и −95% ошибок» и механика сервиса (расчёт по правилам, обязательные блоки, отправка из карточки сделки, отслеживание открытий и переходов, триггерные письма с интервалом в три дня, уведомление о неоткрытом письме, статистика по менеджерам) — из описания собственного продукта Alego.Digital и карточки проекта в портфеле Китайско-Российского инвестиционного фонда. Это внутренние метрики компании автора; они не проверялись независимой стороной и приводятся как иллюстрация механики, а не как отраслевой ориентир.
- Salesforce. State of Sales (опрос 7 775 специалистов по продажам из 38 стран, август–сентябрь 2022). salesforce.com/news/stories/sales-research-2023
- Oldroyd J. B., McElheran K., Elkington D. The Short Life of Online Sales Leads. Harvard Business Review, март 2011. hbr.org/2011/03/the-short-life-of-online-sales-leads
- MIT NANDA. The GenAI Divide: State of AI in Business 2025, июль 2025. State_of_AI_in_Business_2025_Report.pdf
- Gartner. Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Пресс-релиз, 25 июня 2025. gartner.com