Мы доверили заявки AI и получили неожиданный эффект

Лид

В этом кейсе расскажу, как мы внедрили AI-квалификатор в бизнес по ремонту услуг и зачем вообще в это полезли. Спойлер: идея была простой — перестать тратить время на «мусорные» заявки — но по дороге вскрылось несколько неприятных моментов. В итоге система заработала, но не так, как ожидали в начале. В статье — что сделали, что получилось, где ошиблись и какие выводы из этого можно забрать себе.

Контекст: зачем вообще полезли в AI

Компания N — обычный сервисный бизнес в сфере ремонта. Никакой экзотики. Поток заявок стабильный: около 1 200 в месяц. На бумаге выглядит красиво, но внутри всё не так радужно.

Проблема была не в количестве, а в качестве. Менеджеры регулярно жаловались: половина звонков — «просто спросить», «узнать цену», «на будущее», «пока думаю». Время уходило, энергия уходила, а закрытий не прибавлялось.

В какой-то момент стало понятно: если не научиться отсеивать такие заявки на входе, масштабироваться дальше бессмысленно. Мы просто будем масштабировать хаос.

Что сделали: как выглядело внедрение

Идея была максимально прагматичной: поставить AI-квалификатор, который будет отбирать только «горячих» клиентов и передавать их менеджерам. Всё остальное — либо отсеивать, либо оставлять в холодном контуре.

Сделали так:

1. AI стал первым, кто общается с клиентом после заявки.
2. Он задаёт уточняющие вопросы: что нужно, срочность, готовность к диалогу.
3. На основе ответов заявки делятся на «горячие» и все остальные.
4. Менеджеры работают только с теми, кто реально готов к разговору.

Важно: мы не пытались «продавать» через AI. Его задача была не закрывать сделки, а экономить время людей.

Внедрение обошлось в 70 000 ₽, обслуживание — 15 000 ₽ в месяц. Эти цифры сразу зафиксировали, чтобы потом честно оценивать эффект.

Что вышло: первые наблюдения

Эффект почувствовали довольно быстро. Не в формате «вау», а в формате облегчения.

Сделали AI → получили снижение пустых звонков.

Сделали фильтрацию → менеджеры стали меньше выгорать.

По факту:

– пустых звонков стало меньше на 35%

– процент закрытий вырос на 22%

Менеджеры сами это отметили. В разговорах стало меньше «воды» и больше предметных диалогов. Созвоны стали короче, но плотнее по смыслу.

По деньгам это дало плюс 260 000 ₽ в месяц. После вычета обслуживания чистая прибавка составила 245 000 ₽. Окупаемость — около 0,29 месяца.

Где споткнулись: что сломалось

Но всё не было гладко.

В первые дни стало понятно, что мы переоценили «умность» AI. Он иногда отсекал заявки, которые менеджеры бы взяли в работу. Не потому что они плохие, а потому что клиент формулировал мысль криво или отвечал односложно.

Мы не учли один момент: живые люди не всегда отвечают логично и структурно.

Не учли это → упёрлись в потерю потенциальных клиентов.

Был момент, когда один из менеджеров прямо сказал: «Он умный, но иногда слишком принципиальный». И это было честное описание.

Ещё одна ошибка — мы сразу дали AI слишком жёсткие критерии. В теории это выглядело красиво, на практике — излишне.

Как исправили и что бы сделал иначе

После пары созвонов внутри команды стало понятно: критерии нужно ослаблять. Мы сместили фокус с «идеального лида» на «достаточно тёплого».

Что сделали:

– упростили вопросы

– разрешили AI чаще передавать заявки менеджерам

– добавили ручную проверку на старте

После этого система стала работать спокойнее. Меньше потерь, меньше раздражения внутри команды.

Если бы делал заново, я бы:

1. Сначала прогнал AI в режиме «подсказчика», а не фильтра.
2. Дал менеджерам время привыкнуть.
3. Только потом включал жёсткую автоматизацию.

Выводы: что можно забрать себе

Под конец — коротко и по делу, что лично я вынес из этого кейса:

1. Количество заявок не равно качеству продаж.
2. Фильтрация на входе экономит больше ресурсов, чем кажется.
3. AI не должен заменять людей, он должен разгружать.
4. Слишком жёсткие правила ломают воронку.
5. Живые ответы клиентов всегда хаотичнее, чем кажется.
6. Внедрение — это процесс, а не кнопка.
7. Менеджеров важно подключать к настройке.
8. Эффект лучше считать не только в деньгах, но и в состоянии команды.

Пока мы это внедряли, я понял одну вещь: такие кейсы редко бывают «чистыми» и идеально красивыми. Всегда есть нюансы, доработки и ошибки. Именно поэтому я начал собирать реальные примеры внедрения AI — с плюсами и косяками, без лака и презентационного глянца.

Если тебе интересно посмотреть больше кейсов внедрения AI в бизнесе, а также почитать честные обзоры AI-платформ в формате «стоит пользоваться или нет», я всё это собираю в одном месте. Там же можно посмотреть, какие решения реально работают, а какие лучше не трогать. Вот ссылка, если откликается:

https://t.me/turing23_bot?start=dz