Денис Ковалёв, коммерческий директор оптового поставщика строительных материалов из Екатеринбурга, три года жил с одной и той же проблемой. Отдел продаж — восемь человек, все опытные, все знают продукт. Конверсия из холодного звонка в назначенную встречу держалась на уровне 11–13%. Он читал книги про продажи, нанимал тренеров, переписывал скрипты вручную. Ничего не двигалось.
В январе 2025 года он попробовал другой подход. Через четыре месяца конверсия была 33%.
Вот что именно произошло — по шагам, без купюр.
Почему скрипты написанные вручную почти всегда устаревшие
Есть одна вещь которую стоит признать честно: большинство скриптов продаж пишутся на основе того что руководитель помнит о своём опыте продаж. Не о том что реально работает сейчас, с этой аудиторией, в этом рынке — а о том что работало когда-то давно, когда он сам звонил клиентам.
Рынок строительных материалов в 2025 году — это не рынок 2018-го. Клиенты насмотрелись на менеджеров, научились отшивать холодные звонки за 30 секунд, у них есть три альтернативы в телефоне до того как вы успели представиться. Скрипт написанный по учебнику продаж пятилетней давности против такого клиента — это пластиковый нож против консервной банки.
Денис это понимал. Но не знал как написать по-другому — потому что не знал что именно происходит в его звонках на самом деле.
Кстати, если вам интересна тема потерь в отделе продаж — мы разбирали это подробно в статье «Три точки где отдел продаж теряет деньги — и как ИИ закрывает каждую из них». Там конкретные цифры и механики.
Шаг первый: посмотреть на звонки без иллюзий
Первое что он сделал — загрузил в Claude 47 записей звонков за последние два месяца. Не лучших. Все подряд: успешные, провальные, средние.
Задача была простая: найти паттерны. Что общего у звонков которые закончились встречей? Что происходит в звонках которые обрываются на второй минуте?
Результат пришёл через двадцать минут — и оказался неожиданным.
ИИ выделил три устойчивых паттерна провальных звонков:
Первый. Менеджеры представлялись и сразу переходили к продукту. «Мы поставляем арматуру, пеноблоки и сухие смеси, работаем с 2012 года...» — клиент слышал это и отключался внутренне ещё до того как звонок шёл дальше. Никакого вопроса о клиенте. Никакого интереса к его ситуации.
Второй. На возражение «у нас есть поставщик» менеджеры либо начинали перечислять преимущества компании — что клиент воспринимал как давление, — либо говорили «понял, тогда до свидания» и клали трубку. Не было ни одного скрипта который работал бы с этим возражением нормально.
Третий. Закрытие на встречу звучало как просьба. «Может быть встретимся как-нибудь?» — это дословная цитата из четырёх разных звонков. Не предложение конкретного времени, не альтернативное закрытие, а неуверенное «может быть».
Денис прочитал этот разбор и сказал что знал об этом интуитивно. Но когда видишь это в тексте с конкретными примерами и частотой — становится понятно масштаб.
Шаг второй: новый скрипт из реальных данных
Дальше он попросил ИИ сделать следующее: взять звонки которые закончились встречей и выписать дословно что именно говорили менеджеры в первые 90 секунд. Не интерпретацию — а буквальные фразы.
Оказалось что все успешные звонки начинались одинаково. Менеджер называл имя, компанию, и сразу задавал один конкретный вопрос о ситуации клиента. Не «у нас есть предложение», а «вы сейчас работаете с одним поставщиком или несколькими?» или «у вас плановые закупки или под конкретные объекты?»
Простой вопрос. Клиент начинал отвечать — и разговор шёл уже совсем иначе.
На основе этого анализа ИИ написал первый черновик нового скрипта. Не с нуля, не из головы — из реальных данных компании. В черновике было три варианта открытия разговора под разные типы клиентов, пять сценариев работы с возражением «есть поставщик», два варианта закрытия на встречу — жёсткий и мягкий.
Денис взял черновик, провёл с командой два часа, поменял несколько формулировок под живую речь. Скрипт был готов за один день.
Шаг третий: тестирование на симуляции
Вот здесь начинается самое интересное — и то что большинство компаний не делают вообще.
Прежде чем отдать скрипт менеджерам, Денис попросил ИИ сыграть роль клиента. Причём разных клиентов: директор который спешит, снабженец который слышал таких менеджеров сто раз, лояльный клиент который в принципе готов к разговору.
Каждый сценарий прогонялся три-четыре раза. После каждого — разбор: где скрипт давал слабину, где менеджер мог бы сказать лучше, что работало.
За два дня такого тестирования скрипт прошёл шесть итераций. Менялись конкретные фразы, порядок вопросов, реакции на нестандартные ответы клиентов.
Обычный цикл тестирования скрипта — три-шесть месяцев на реальных клиентах. Здесь две недели заняло всё вместе: анализ, написание, тестирование, финальная версия.
Что изменилось в первый месяц
Новый скрипт запустили в феврале. Первые две недели Денис ждал результатов с опаской — слишком много раз он видел как изменения в скриптах ничего не давали.
Через две недели конверсия из звонка в согласие на встречу была 19%. Было 11%.
Через месяц — 24%. Через два — устаканилась на 33%.
Итого: рост конверсии на 22 процентных пункта за четыре месяца. Из каждых ста звонков теперь закрывается на встречу на 22 человека больше чем раньше.
В деньгах: при среднем чеке сделки 840 000 рублей и отделе из восьми человек это несколько дополнительных сделок в месяц которых раньше просто не было.
Почему это работает лучше чем традиционный подход
Традиционный способ написать скрипт — это мнение. Руководитель думает что работает. Тренер думает что работает. Получается скрипт из двух мнений.
ИИ-подход — это данные. Скрипт строится из того что реально работало в реальных звонках с реальными клиентами этой конкретной компании. Не из книги, не из чужого кейса — из вашей собственной практики.
Второй момент — скорость итерации. Когда скрипт тестируется на живых клиентах, один цикл «попробовали — посмотрели — изменили» занимает шесть-восемь недель. Через симуляцию этот цикл сжимается до одного дня.
Третий момент — объективность. ИИ не знает кто из менеджеров «хороший» а кто «сложный». Он смотрит на текст звонка и говорит что работало а что нет.
Если вам интересно не только про скрипты, но и про то как ИИ помогает строить весь контент для продаж — посмотрите наш разбор «ИИ-инструменты для контента: что реально работает и сколько стоят». Там конкретные инструменты с ценами.
Как это применить в своём бизнесе
Схема которую использовал Денис — воспроизводимая. Вот минимальный набор действий:
Соберите записи звонков. Желательно от 30 штук, разных по результату. Если записей нет — это первое что нужно настроить в CRM.
Загрузите транскрипты в ИИ. ChatGPT или Claude справятся. Попросите выделить паттерны успешных и неуспешных звонков.
Попросите написать черновик скрипта на основе лучших практик из ваших же звонков. Не шаблонный скрипт — именно из ваших данных.
Протестируйте скрипт в симуляции. Попросите ИИ сыграть роль вашего типичного клиента с типичными возражениями. Пройдите пять-десять сценариев, корректируйте.
Отдайте команде. Проведите разбор — почему именно эти фразы, что за ними стоит. Скрипт который менеджер понимает работает лучше скрипта который он просто зачитывает.
Весь процесс — от выгрузки записей до финального скрипта — при нормальном темпе занимает три-пять рабочих дней.
Что важно понимать про ограничения
ИИ пишет скрипт из ваших данных. Если данных мало или они некачественные — скрипт будет слабым. Минимум 20–30 записей звонков для первого анализа.
Скрипт — это основа, не гарантия. Менеджер с плохой энергетикой или нежеланием работать испортит любой скрипт.
Рынок меняется. Скрипт написанный сегодня через полгода потребует обновления. Хорошая новость — с ИИ это теперь занимает два дня вместо месяца.
Денис сказал кое-что важное когда я спросил его об этом опыте: «Я три года думал что проблема в менеджерах. Оказалось что проблема была в инструменте который я им давал. Скрипт был просто плохим — и никто этого не видел, потому что все привыкли».
Это не история про ИИ. Это история про то что иногда проблема давно есть в данных — просто никто не смотрел.
Если хотите разобраться как выстроить такой процесс в вашем отделе продаж — пройдите короткий тест: https://ca422716.tw1.ru/
Несколько вопросов про ваши процессы, и сразу станет понятно с чего начать.