У классического enterprise software была понятная воронка: discovery, демо, техоценка, коммерция, контракт, внедрение. Это работало потому, что продукт можно было более-менее честно оценить до реального запуска. Клиент видел функциональность, сверял её со своими ожиданиями и принимал решение.
С AI эта модель начинает расползаться. Потому что AI-система почти никогда не доказывает свою ценность в вакууме. Клиенту уже мало красивого демо на чистых данных. Он хочет понять, что будет происходить в его реальной среде: на его документах, на его исключениях, на его странных форматах, на его неидеальной операционке. И в этот момент граница между продажей и внедрением начинает стираться.
Почему AI больше нельзя продавать как обычный софт
У обычного продукта можно показать интерфейс, список функций, кейсы и reference customers. У AI-продукта вопрос клиента звучит жёстче: “а у меня это точно сработает?” И это уже не про маркетинг. Это про среду, данные, workflow и доверие к результату.
Проблема в том, что в AI-проектах качество результата почти всегда зависит от вещей, которые вскрываются только при живом погружении: скрытые правила, плохо размеченные данные, нелинейные исключения, ручные обходы и реальная логика людей. Об этом я уже писал в материале почему moat в AI переезжает во внедрение. Здесь продолжение той же мысли, но уже со стороны go-to-market.
Старый сценарий продажи
Показали продукт, подписали контракт, потом начали разбираться, как он встанет в процесс клиента.
Новый сценарий продажи AI
Сначала надо доказать, что система вообще справляется с реальным контуром работы, и только потом говорить о масштабировании сделки.
Новая цена ошибки
Плохой пилот теперь съедает не только время sales, но и дорогие часы внедрения, настройки и тестирования.
Что это меняет в продажах
Во-первых, обычное демо теряет силу. Оно слишком далеко от реальности клиента. Если AI должен заменить часть ручной работы, то клиенту нужно увидеть не “что продукт умеет в идеальных условиях”, а “как он ведёт себя в моём бардаке”.
Во-вторых, pre-sales становится технически и операционно сложнее. Приходится работать с реальными данными, делать пробные настройки, иногда собирать куски интеграций и на лету понимать, где система вообще упрётся. То есть ещё до контракта команда частично заходит в режим внедрения.
Почему из-за этого дорожает cost of sale
- Нужно подключать не только sales, но и тех, кто понимает реальную реализацию.
- Каждый пилот требует времени на разбор контекста, данных и сценариев.
- Если клиент оказывается плохим fit, ты теряешь уже не только лид, а недели дорогой работы.
- Даже после подписания контракта система продолжает донастраиваться по мере изменения бизнеса.
В AI продавать без внедрения уже почти невозможно. Клиент хочет купить не обещание, а первый доказанный результат. Поэтому часть внедрения уезжает в pre-sales, а часть продаж становится глубоко операционной.
Почему это не обязательно плохо
Да, такая модель дороже и тяжелее. Но у неё есть сильная обратная сторона: каждое удачное внедрение начинает копить активы. Настройки, интеграции, карты исключений, ролевые сценарии, шаблоны пилотов, критерии fit — всё это потом снижает стоимость следующих сделок. В какой-то момент не линейно растёт лишь команда, а растёт организационное знание.
Ровно здесь начинает проявляться ценность того, что я называю AI-native операционкой. Когда у компании есть master workflow, понятный контур внедрения и общий слой контекста, продажа перестаёт быть театром презентаций. Она становится ускоренным доказательством результата.
Что это значит для клиента
Если смотреть с позиции бизнеса, это полезный фильтр. Вам не нужен AI-поставщик, который умеет только красиво показывать. Нужна команда, которая уже на этапе оценки начинает задавать неудобные, но правильные вопросы: где у вас ломаются данные, кто вручную исправляет ошибки, где живут исключения, какие решения нужно эскалировать и что вообще будет считаться успешным исходом.
Если этих вопросов нет, велик шанс, что вам продают не результат, а интерфейсную иллюзию результата.
Что это значит для AI-компаний
Им придётся пересобрать и sales, и delivery. Линия между account executive, solution engineer, implementation lead и product team становится намного более проницаемой. Выигрывают те, кто умеет быстро превращать пресейл в controlled proof, а proof — в повторяемую схему внедрения.
Именно поэтому следующая логичная тема после продаж и внедрения — ценообразование. Если продукт делает работу, а не просто даёт доступ, то и брать деньги в будущем будут всё чаще не за seat, а за workflow и результат. Это уже отдельный сильный угол для статьи.
Подписаться на каналВ Telegram пишу про AI-контуры, которые переживают реальный бизнес
Разбираю, как продавать, внедрять и масштабировать AI не через красивые обещания, а через работающие системы и подтверждённый эффект.
Я собрал шаблоны, которые использую в работе с клиентами: медиаплан, учёт рабочего времени, аналитические отчёты. Скачайте бесплатно на странице шаблонов.
ПодписатьсяПодпишитесь на новые материалы про AI, маркетинг и бизнес
Написать мнеЕсли хотите понять, как должен выглядеть реальный AI-пилот в вашем бизнесе до того, как вы начнёте тратить деньги на красивое демо, могу помочь разобрать fit, контур внедрения и критерии результата под ваш процесс.
Сообщение Почему в AI стирается граница между продажей и внедрением появились сначала на ПАВЕЗЛО.