Клиент присылает менеджеру фото старой детали и пишет: “Нужна такая же, только срочно”.
На фото что-то металлическое, потертое, в пыли. Бирки не видно. Маркировка стерлась. Оборудование старое, документация где-то была, но сейчас ее никто быстро не найдет. Для клиента ситуация простая: у него есть сломанная деталь, ему нужна рабочая замена.
Менеджер отвечает: “Пришлите артикул”.
Формально он прав. С артикулом безопаснее. Можно быстрее проверить остаток, цену, аналог, срок поставки. Но для клиента такой ответ звучит совсем иначе: “Сначала сами разберитесь, что именно вы хотите купить, а потом мы подключимся”.
В простых товарах это еще можно пережить. В сложном B2B это часто плохой первый шаг.
Потому что клиент не всегда знает ваш словарь. Он знает свою задачу.
У поставщика есть номенклатура, артикулы, OEM-номера, аналоги, внутренние коды и правила применимости. У клиента часто есть фото, модель техники, старая накладная, примерное описание или симптом поломки. Он может сказать: “Нужна та штука, которая стоит на этом узле”. Или: “Брали у вас похожую в прошлом году”. Или: “Вот такая, только под другую модель”.
И это нормальный вход в продажу, а не мусорный запрос.
Проблема начинается там, где компания умеет работать только с идеальным входом. Если клиент пришел с точным артикулом, все хорошо: система нашла товар, менеджер проверил наличие, заказ пошел дальше. Но если клиент пришел с фото или описанием, весь процесс падает в ручной подбор.
Менеджер смотрит фотографию. Потом зовет техспециалиста. Потом ищет похожий заказ. Потом проверяет OEM-номер. Потом вспоминает, какой аналог раньше ставили в такой ситуации. В итоге бизнес делает то, что могло бы быть нормальным маршрутом, но делает это каждый раз руками.
На этом месте важно не уходить в фантазию про “сейчас AI все сам угадает по фотографии”. В сложных товарах так думать опасно. Ошибка в запчасти может стоить возврата, простоя, лишнего выезда и испорченного доверия.
Но и оставлять все как есть тоже странно. Потому что рынок уже давно движется в другую сторону.
У FleetPride, по кейсу Coveo, больше 1 млн SKU и больше 400 брендов. Их клиенты не всегда могли найти нужные детали, потому что у них не было полного SKU или они использовали не то название товара. В результате люди обращались к внутренним экспертам, а онлайн-заказ снова становился ручной работой. После улучшения поиска компания получила рост search engagement на 27% и conversion rate with search на 9.6%.
Я бы не воспринимал эти проценты как обещание для любого бизнеса. Но сам смысл понятен: когда клиент быстрее находит точную позицию, это влияет не только на удобство, но и на деньги.
У GROB-WERKE в кейсе OXID eSales подход еще интереснее. Там B2B-магазин запчастей построен не просто вокруг строки поиска, а вокруг структуры оборудования: exploded view drawings, live-запросы по остаткам и ценам, SAP-интеграция, контекст конкретного клиента. Покупатель идет от машины или узла к нужной детали, а не пытается угадать правильное слово в каталоге.
Sana Commerce в материале про part identification приводит жесткую картину: 85% B2B-покупателей сообщали о разочаровании при онлайн-заказе запчастей, а 75% сказали, что готовы сменить поставщика ради лучшего опыта. Там же описана очень знакомая сцена: покупатели отправляют фото деталей без нормального контекста, а support вручную пытается понять, к какой машине это относится.
Российские примеры тоже есть. У ЦЕПЬАГРО в кейсе Formix товар можно подбирать по марке и модели техники, а поиск работает не только по названию и артикулу, но и по OEM-номерам. Это хорошая приземленная логика: клиент может прийти не с вашим кодом, а с теми признаками, которые есть у него.
А у Интерполе есть поиск запчастей по фото. Пользователь загружает несколько фото детали с разных ракурсов, а система возвращает вероятные совпадения и артикул. Это не волшебная палочка, но это уже другой вход в покупку. Не “введите правильный код”, а “покажите, что у вас есть”.
Мне кажется, именно здесь AI может быть по-настоящему полезен для B2B. Не как красивый чат на сайте, а как инструмент, который помогает разобрать неидеальный вход.
Клиент прислал фото. AI может вытащить визуальные признаки и предложить несколько кандидатов.
Клиент написал “цепь на John Deere, как в прошлый раз”. Система может поднять историю, модель техники, применимость и похожие позиции.
Клиент дал OEM-номер. Поиск может связать его с внутренним артикулом, аналогами, наличием и ценой.
Клиент описал симптом. Система может хотя бы направить запрос в правильную группу товаров и не заставлять менеджера начинать с пустого листа.
Но здесь важна последовательность. Сначала нужны данные: товары, аналоги, применимость, фото, OEM-номера, остатки, правила проверки. Потом AI. Если данных нет, AI будет не помогать, а красиво гадать.
Я бы проверял у себя очень простой участок. Возьмите последние двадцать запросов, где клиент не дал точный артикул. Посмотрите, что с ними произошло.
Кто понял, что за товар нужен? Как быстро? По каким признакам? Где это знание лежало: в системе или в голове сотрудника? Можно ли было провести клиента к правильной позиции без ручной угадайки?
Если такие запросы постоянно проходят через одних и тех же людей, значит у вас уже есть процесс, который просится в автоматизацию. Просто сейчас он называется “позови Сашу, он разберется”.
Сильный B2B-продавец не требует от клиента идеального запроса. Он умеет принять реальный запрос: фото, кривое описание, модель техники, старый счет, OEM-номер. А потом аккуратно довести его до точной позиции, цены, наличия и следующего шага.
И вот тут AI действительно начинает работать на продажу.
Больше таких разборов и практики по AI-автоматизации продаж, сервиса и операций — t.me/woghan_dev