В первой части этого цикла мы рассмотрели, как агентный искусственный интеллект революционизирует верхнюю часть воронки продаж в сегменте B2B — от интеллектуальной генерации лидов до персонализированного автономного взаимодействия. Вторая часть исследует, как эта трансформация кардинально меняет структуру команд продаж, повышает эффективность и дает возможность масштабного успеха за счет интеллектуальной автономии и дисциплинированных практик MLOps. **Конденсация воронки: переосмысление ролей и рабочих процессов в продажах** Агентный ИИ сокращает и переопределяет воронку продаж, разрушая традиционные границы между маркетингом и продажами. Ранее маркетинг генерировал лиды (MQL), специалисты по развитию продаж (SDRs) квалифицировали их (SQL), и только после этого подключались сотрудники отдела продаж. Теперь агенты ИИ мгновенно квалифицируют и работают с лидами, бесшовно превращая их в возможности для продаж. Вместо того, чтобы маркетинг передавал тысячи MQL SDR —ам, агенты ИИ по развитию продаж поддерживают каждого лидера с самого начала, повышая only действительно готовых к сделке потенциальных клиентов для человека. Это делает устаревшими такие метрики, как MQL — теперь истинными показателями являются квалифицированный поток и выручка, на которые напрямую влияет ИИ. Автоматизация повторяющихся, маловажных задач также меняет человеческие роли внутри команд go-to-market (GTM). Начинающие сотрудники, особенно SDR —ы, традиционно занимающиеся холодными звонками и вводом данных, сейчас развиваются. Новые специалисты по продажам тратят меньше времени на рутинную работу по привлечению клиентов и больше — на управление агентами ИИ или взаимодействие с клиентами высокого уровня. Этот сдвиг повышает требования к навыкам и стратегии на стартовом уровне, переводя роль SDR из ручной работы в управление оркестрацией ИИ. Одновременно, исполнительные директора по работе с клиентами и руководители продаж освобождаются от административных задач — планирования, ввода данных, обновления воронки и подготовки предложений, которые все чаще берет на себя ИИ. Это позволяет им сосредоточиться на сложных стратегических вопросах и укреплении отношений. По прогнозам McKinsey, генеративный ИИ (GenAI) может управлять почти всей процедурой продаж — от поиска потенциальных клиентов до переговоров — с минимальным участием человека, оставляя людям только наиболее сложные сделки, требующие решений на основе решений. Общий итог — более lean, быстрые и усиленные возможности для увеличения выручки, где сотрудники работают на пике своих навыков. Как советует Harvard Business Review, ИИ должен повышать качество взаимодействия, а не только его количество, создавая значимые человеческие точки контакта, поддерживаемые постоянным взаимодействием на базе ИИ, что обеспечивает информированность и вовлеченность потенциальных клиентов. Более того, ИИ стирает границы между продажами и маркетингом, способствуя более плотному взаимодействию при настройке агентов ИИ и анализе их богатых данных. Этот сдвиг требует новых управленческих подходов, ориентированных на усиление человеческих навыков — построение доверия, тонкое понимание клиента и инновации, а не на замену. Передавая рутинные и аналитические обязанности ИИ, специалисты по доходам могут сосредоточиться на более консультационной роли и разработке стратегий, повышая эффективность в решении проблем клиентов. Это — пример позитивных изменений, которые агентный ИИ приносит в B2B-продажи. **Масштабирование: углубленная аналитика, распознавание намерений и MLOps** После первых успехов организации углубляют возможности ИИ, применяя передовые алгоритмы, адаптированные к конкретным задачам GTM, расширяют распознавание намерений и внедряют надежные практики MLOps для поддержки и масштабирования успеха. Переходя от универсальных инструментов GenAI к специально созданным решениям, ИИ теперь объединяет внутренние и внешние данные клиентов для предоставления оперативных рекомендаций — от предложений апсейлов и предсказаний возражений на основе истории закупок до тактик переговоров. Расширенные возможности распознавания намерений позволяют агентам выявлять сложные сигналы покупки — например, резкий рост активности на сайте в сочетании с новостями о финансировании — и немедленно реагировать на высоко вероятные возможности. Системы на базе ИИ уменьшают догадки человека, связывая данные и постоянно совершенствуя модели распознавания целей, что критически важно для конкурентоспособности. Для поддержки этой сложности необходимы прочные практики MLOps: создание конвейеров данных для получения свежей и качественной информации, мониторинг производительности ИИ для выявления сбоев и переобучение моделей по мере необходимости. Например, при снижении откликов на письма от AI — агентов по продажам — команды MLOps диагностируют причины, корректируют модели или устраняют внешние изменения. Контроль со стороны человека гарантирует, что ИИ соответствует бизнес-целям и стандартам бренда. Контекстуальные знания — ключевой аспект; ИИ не должен допускать ошибок, например, неправомерной работы с существующими клиентами. Эффективные практики MLOps объединяют разрозненные источники данных, обеспечивая использование своевременной информации из CRM и библиотек контента. Как отмечают эксперты, качество данных — краеугольный камень доверия к ИИ; без него он превращается в шум. Лучшие практики включают управление схемами, контроль качества данных и надежное хранение информации для укрепления доверия пользователей. Для успешного масштабирования ИИ должен легко интегрироваться в ежедневные рабочие процессы. Простая установка инструментов ИИ недостаточна, если команды ими не пользуются. Внедрение результатов ИИ в привычные платформы — например, аналитика Salesforce, уведомления в Slack, автоматические черновики писем в инструментах продаж — повышает уровень принятия, сокращая необходимость переключений между инструментами.

ИИ должен становиться незаметным помощником, встроенным в повседневную деятельность — например, отправлять встречи, автоматически сохранять записи звонков, восприниматься как естественный продолжение команды. В будущем предполагается, что агенты ИИ «замкнут цикл», самостоятельно осуществляя транзакции для более простых продуктов и управляя продлениями или апсейлами на основании анализа использования и состояния клиентов. Будущее ИИ в B2B-продажах — это персонализированные рекомендации и предсказательные действия, устраняющие догадки, — ИИ будет развиваться из вспомогательного помощника до необходимого коллеги, управляющего важной частью доходного механизма под руководством стратегии человека. Как руководитель по доходам, я приветствую это будущее — при условии взвешенного управления — ведь оно обещает стать бизнесом, основанным на данных и инициативных действиях, который радует клиентов своевременной, персонализированной коммуникацией в масштабах. --- **Об авторе:** Билл Теннант — главный коммерческий директор компании BlueCloud, отвечает за стратегический рост, партнерства и внедрение технологии в корпоративном секторе. С почти 20-летним опытом в финансах, продажах и работе с клиентами, он известен достижениями в области генеративного ИИ и передовой аналитики. Его видение делает акцент на совместную ценность, ответственное управление и масштабируемые решения на базе ИИ. --- **Источники:** - Sinha, P. , Shastri, A. , & Lorimer, S. (2023). How Generative AI Will Change Sales. Harvard Business Review. - Gross, I. & McLeod, L. (2025). How Sales Teams Can Use Gen AI to Discover What Clients Need. Harvard Business Review. - Chung, D. J. , и др. (2025). 5 Gen AI Myths Holding Sales and Marketing Teams Back. Harvard Business Review. - Qualified (2023). AI Agents and the Rise of Agentic Marketing in B2B. - Qualified (2025). The Agentic Marketing Funnel. - McKinsey & Co. (2024). An Unconstrained Future: How Generative AI Could Reshape B2B Sales. - McKinsey & Co. (2023). The economic potential of generative AI: The next productivity frontier. - DemandScience (2023). Harnessing the Power of Generative AI in B2B Sales. - Deloitte Insights (2024). Tech Companies Lead the Way on Generative AI. - SonarSource (2023). AI Code Generation: Benefits and Risks.