ИИ-квалификация лидов в CRM: как это работает на практике
Заявок больше, чем рук. Менеджеры берут обращения подряд и тратят одинаковое время на случайного посетителя и на клиента с бюджетом и сроком, а «горячие» лиды остывают в очереди. Квалификация лида отвечает на простой вопрос: с кем работать в первую очередь. Когда обращений становится больше, чем команда успевает разобрать вручную, эту оценку начинают автоматизировать - и здесь появляется искусственный интеллект (ИИ).
ИИ-квалификация лида - это автоматическая оценка того, насколько обращение перспективно: модель разбирает данные сделки и переписки, сравнивает лид с историей прошлых сделок и выставляет балл или приоритет, чтобы менеджеры первыми брали тех, кто ближе к покупке. Ниже - без магии и завышенных ожиданий: чем ИИ-скоринг отличается от ручных правил, какие данные нужны в CRM, как это устроено в amoCRM и Битрикс24 и где проходит граница доверия - что ИИ подсказывает, а что остаётся за руководителем.
Что такое квалификация лида и зачем её автоматизируют
Квалификация лида - это проверка нового обращения до того, как менеджер вложит в него время: реальный ли это клиент, есть ли у него потребность, бюджет и сроки, попадает ли он в профиль целевого клиента. По итогу лид либо признают перспективным, либо откладывают как нецелевой. Обычно это делает менеджер руками - по чек-листу и опыту. Ручная квалификация остаётся основой; как её выстроить, разобрано отдельно в статье «Квалификация лидов: как отделять целевые заявки».
Проблема появляется с ростом потока. Когда заявок десятки в день из сайта, звонков и мессенджеров, ручная оценка начинает буксовать: на всех не хватает времени, менеджеры разбирают лиды по-разному, а быстрый ответ достаётся не самому перспективному, а тому, кто просто оказался первым в списке. Автоматизация решает три задачи: держит единый критерий оценки для всех, ускоряет реакцию на входящие и расставляет приоритет, чтобы сильные лиды не ждали.
Важно не путать это с двумя соседними темами. Приём и первичную квалификацию на входе может закрывать диалоговый бот - об этом отдельный разбор «Чат-бот для продаж: что он реально закрывает». А общий обзор того, где ИИ помогает отделу продаж, - в статье «ИИ в продажах». Здесь мы говорим узко: об оценке и приоритизации уже поступивших лидов.
Чем ИИ-скоринг отличается от ручных правил
Слово «скоринг» часто понимают как обычные баллы по полям: за названный бюджет +10, за целевой регион +5, за нужную отрасль +5. Это правила, которые менеджер задал вручную. Они прозрачны и предсказуемы: всегда видно, за что начислен балл. Но они статичны и не читают смысл переписки - для них «перезвоните, срочно нужно» и «просто интересуюсь» одинаковы, если поля заполнены похоже.
Автоматический скоринг лидов на основе ИИ устроен иначе. Модель учится на истории закрытых сделок - какие лиды в итоге купили, а какие ушли, - и находит закономерности, которые вручную не пропишешь. Она смотрит не только на поля, но и на поведение (как быстро клиент отвечает, сколько касаний было) и на текст диалога, где ищет признаки готовности к покупке. Результат - балл или приоритет, который подсказывает, кем заняться первым.
| Параметр | Ручные правила (баллы по полям) | ИИ-скоринг |
|---|---|---|
| На чём основано | Баллы, которые менеджер задал полям вручную | Обучение на истории сделок - выигранных и проигранных |
| Что оценивает | Значения полей: бюджет, регион, источник | Поля плюс поведение клиента и текст переписки |
| Текст диалога | Не учитывает | Читает переписку и расшифровки, ищет признаки готовности |
| Как меняется | Правила правят руками | Переобучается на новых данных (нужен контроль) |
| Прозрачность | Высокая: видно, за что начислены баллы | Ниже: логику модели труднее объяснить словами |
| Слабое место | Устаревают, не ловят неочевидное | Ошибается на грязных данных, требует проверки |
Это не противостояние «или - или». Часто ручные правила и ИИ-скоринг работают вместе: правила отсекают явный спам и нецелевые заявки, а модель ранжирует оставшихся по вероятности покупки.
Как ИИ-квалификация работает по шагам
На практике это конвейер: от нового обращения до задачи менеджеру. Каждый шаг опирается на данные, которые уже есть в CRM.
По шагам это выглядит так:
- Обращение попадает в CRM - из формы на сайте, звонка или мессенджера - и становится лидом или сделкой.
- Собираются доступные данные по этому лиду: поля, история касаний, переписка, расшифровка разговора, если она есть.
- Модель оценивает лид и сравнивает его с образцами из истории - на кого из прошлых клиентов он похож.
- В карточку добавляется балл или приоритет - рядом с обычными полями сделки, как ещё одна подсказка.
- Срабатывает маршрутизация: перспективный лид подсвечивается, ставится автозадача перезвонить в короткий срок или лид уходит опытному менеджеру.
Для менеджера это не отдельная программа, а строка в привычной карточке. Ниже - условный пример, как балл и его обоснование могут выглядеть на экране.
Какие данные нужны в CRM для скоринга
Модель настолько хороша, насколько хороши данные, на которых она учится и работает. Балл появляется не из воздуха - его собирают из того, что уже накоплено в CRM. Если данных мало или они противоречивы, оценка становится случайной.
| Данные | Где в CRM | Зачем модели |
|---|---|---|
| Поля сделки | Карточка сделки, обязательные поля по этапам | Базовые признаки: бюджет, потребность, продукт |
| Единые этапы воронки | Настроенная воронка продаж | Понятный исход: где сделка выиграна, а где потеряна |
| История касаний | Лента событий в карточке | Активность клиента и скорость реакции |
| Расшифровки звонков и чатов | Транскрибация разговоров, переписка | Признаки готовности в словах клиента |
| Метки источника | Источник сделки, UTM-метки | Связь качества лида с каналом привлечения |
| Исходы прошлых сделок | Закрытые сделки с причиной отказа | Образцы, на которых модель учится |
Отсюда и главный риск скоринга - не в самой модели, а в данных под ней. На неполной или хаотичной базе оценка будет уверенно ошибаться. Почему грязные данные ломают любую аналитику, подробно разобрано в статье «Аналитика без чистых данных». Отдельно стоит оговорить расшифровки: сами по себе они - задача речевой аналитики, и это отдельный инструмент со своей настройкой (см. «Речевая аналитика звонков»). Для скоринга это просто ещё один источник данных, а не то же самое.
ИИ-квалификация в amoCRM и Битрикс24
Готовые ИИ-функции есть у обеих платформ, но устроены они по-разному, и «кнопки скоринг лидов» в чистом виде нет ни там, ни там. Ниже - что заявлено на сайтах разработчиков. Обе системы подойдут под задачу - выбор зависит от процессов, а не от бренда.
У amoCRM два слоя ИИ. Помощник amoAI резюмирует переписку, предлагает варианты ответа и обрабатывает текст - это помогает менеджеру быстро понять суть длинного диалога. ИИ-агент отвечает клиентам на типовые вопросы, собирает контакты, квалифицирует лид и может выполнять действия в CRM - сменить ответственного, перевести сделку по этапу, передать диалог менеджеру. В разделе аналитики заявлены скоринг и прогноз продаж на основе регрессионного анализа. Встроенной расшифровки и оценки звонков на страницах amoCRM нет - это зона интеграций телефонии и виджетов. Функции amoAI и ИИ-агент доступны на тарифе «Профессиональный» и выше.
У Битрикс24 помощник CoPilot (BitrixGPT) встроен прямо в CRM: расшифровывает звонок, заполняет поля сделки из разговора, анализирует переписку. Речевая аналитика оценивает каждый звонок по скрипту с цитатами, а ИИ распознаёт нецелевые звонки и предлагает не создавать сделку - по сути отсекает мусор на входе. Есть сценарий «Повторные продажи»: ИИ находит в базе клиентов, создаёт сделки и подсказывает разговор. В зоне .ru ИИ-функции работают по отдельной подписке «BitrixGPT + Маркетплейс».
| Задача | amoCRM | Битрикс24 |
|---|---|---|
| Квалификация первого контакта | ИИ-агент отвечает, собирает контакты, квалифицирует лид и передаёт менеджеру | ИИ-агент открытых линий отвечает клиенту, заполняет CRM, передаёт сложные вопросы с резюме |
| Оценка и приоритет | В аналитике заявлены скоринг и прогноз продаж на основе регрессионного анализа | Речевая аналитика оценивает звонок по скрипту; ИИ распознаёт нецелевые звонки |
| Работа с текстом диалога | amoAI: резюме бесед, подсказки ответов, обработка текста | CoPilot: расшифровка звонка, анализ переписки, автозаполнение полей |
| Данные из звонков | Встроенной расшифровки и оценки звонков нет - через интеграции телефонии | Расшифровка и оценка звонков встроены в CRM |
| Где доступно | amoAI и ИИ-агент - тариф «Профессиональный» и выше | ИИ-функции в зоне .ru - по подписке «BitrixGPT + Маркетплейс» |
| Где обрабатываются данные | Серверы в РФ | Серверы в РФ, включая BitrixGPT |
ИИ-функции у вендоров меняются часто - сверяйте с сайтом разработчика.
Отсюда практический вывод: конкретный сценарий квалификации имеет смысл проверять на портале самого клиента, а не по обещаниям с сайта. У обеих систем набор ИИ-функций и их доступность по тарифам меняются почти каждый квартал.
Где граница доверия и какие риски
Главное правило - ИИ подсказывает приоритет, но не принимает решение за руководителя. Балл помогает выстроить очередь, а не выносит приговор лиду. Отдавать ИИ автоматический отсев опасно: модель ошибается, и лид с «низким» баллом может оказаться крупной сделкой - просто клиент написал сухо или не заполнил поля. Поэтому перспективных подсвечивают, но нецелевых не удаляют автоматически, а лишь отправляют в конец очереди.
| Риск | Почему возникает | Что удерживает границу |
|---|---|---|
| Мусор на входе | Неполные и противоречивые данные | Порядок в CRM до запуска скоринга |
| Ложный «низкий» | Модель недооценивает нетипичного клиента | Менеджер проверяет, автоотсева нет |
| Чёрный ящик | Логику балла трудно объяснить словами | Балл - подсказка рядом с фактами, а не команда |
| Дрейф модели | Рынок и продукт со временем меняются | Регулярная сверка результата и переобучение |
| Подмена решения | Соблазн действовать «как сказал ИИ» | Ответственность и контроль у руководителя |
И честно про ожидания: ИИ-квалификация не гарантирует рост конверсии. Она делает приоритизацию системной и быстрой, но что дальше произойдёт со сделкой, зависит от работы менеджеров, продукта и рынка. Скоринг - инструмент управления вниманием команды, а не обещание результата. Что ещё стоит учесть до запуска ИИ-сценариев, собрано в разборе «Риски ИИ в продажах». А чтобы понимать, работает ли приоритизация, руководителю нужен свой короткий набор показателей - об этом статья «Какие метрики продаж смотреть руководителю».
С чего начать
Включить ИИ-функцию и получить от неё пользу - не одно и то же. Скоринг поверх хаоса просто оцифрует хаос: балл будет, а доверия к нему - нет. Поэтому порядок шагов обратный привычному «сначала ИИ». Сначала - чистые и единые данные: обязательные поля, одинаковые этапы воронки для всех, зафиксированные причины отказов и ручная квалификация как основа. И только на этом фундаменте имеет смысл запускать модель.
| Пора автоматизировать | Пока рано |
|---|---|
| Заявок больше, чем менеджеры разбирают вручную | Поток небольшой, приоритет виден на глаз |
| Есть история сделок с исходами | База пустая или ведётся хаотично |
| Поля и этапы воронки единые для всех | Каждый менеджер ведёт сделки по-своему |
| Причины отказов фиксируются | Сделки закрывают без причины, данные неполные |
ИИ-квалификация - это часть внедрения ИИ в продажи, которая надёжно работает только на готовом контуре настроенных воронок и процессов. Понять, готовы ли ваши данные и даст ли скоринг эффект именно вам, помогает диагностика отдела продаж: она показывает, где сейчас теряются заявки и что автоматизировать в первую очередь - до покупки лицензий и подписок.
Частые вопросы
Можно ли доверить ИИ полный отсев лидов?
Не стоит. ИИ хорош для приоритизации, но ошибается, и автоматический отсев рискует потерять реальные сделки. Используйте балл как подсказку, а решение по лиду оставляйте за менеджером.
Нужна ли большая база для ИИ-квалификации?
Важнее не размер, а качество. На маленькой, но чистой базе скоринг осмысленнее, чем на большой, но хаотичной. Поэтому сначала - порядок в данных и единые правила, потом модель поверх них.
Чем ИИ-скоринг отличается от баллов по полям?
Баллы по полям задаёт человек вручную, и они статичны. ИИ-скоринг учится на истории закрытых сделок, читает текст переписки и находит закономерности, которые правилами не пропишешь. Часто их используют вместе.
Есть ли ИИ-квалификация в amoCRM и Битрикс24?
Частично. У amoCRM это ИИ-агент и amoAI на тарифе «Профессиональный» и выше, а также скоринг в аналитике. У Битрикс24 - CoPilot с расшифровкой и оценкой звонков по подписке. Конкретный сценарий лучше проверить на портале клиента: функции меняются часто.
Заменит ли ИИ менеджера в квалификации?
Нет. ИИ ускоряет и упорядочивает оценку, но переговоры, работа с возражениями и решение по клиенту остаются за человеком. ИИ усиливает квалификацию, а не заменяет её.
Гарантирует ли скоринг рост конверсии?
Гарантий нет. Скоринг делает приоритизацию системной: команда быстрее берётся за сильные лиды. Но итог сделки зависит от менеджеров, продукта и рынка, поэтому результат фиксируют замером до и после, а не обещанием.
С чего начать внедрение?
С наведения порядка: единые поля и этапы, зафиксированные исходы сделок, настроенная воронка. Затем - диагностика, которая покажет, готовы ли данные и где скоринг даст эффект. ИИ-сценарии подключают на этом фундаменте.
Вывод
ИИ-квалификация лидов - это не «умный отсев», а помощник по расстановке приоритетов: модель оценивает обращение по данным сделки и переписки, сравнивает с историей и подсказывает, кем заняться первым. Она сильна ровно настолько, насколько чисты данные под ней, и не отменяет ни менеджера, ни руководителя. Поэтому начинать стоит не с включения ИИ, а с порядка в CRM и честной диагностики: где теряются заявки и даст ли скоринг эффект именно вам.
Источники
Внедрение ИИ в продажи — как мы помогаем с этим на практике.
Читайте также
Термины из статьи
Поможем навести порядок в продажах
Начнём с диагностики: покажем, где теряются заявки и что даст CRM именно в вашем случае — без обещаний «роста в разы».