В отделе продаж малой компании коммерческое предложение почти всегда делается одним из двух способов. Либо менеджер берёт прошлогодний файл, меняет название клиента и забывает поправить пару абзацев, которые к этому клиенту не имеют отношения. Либо он садится и пишет с нуля, тратит полтора часа, и КП уходит на следующий день, когда клиент уже получил три других. Письма после встреч — та же история: «напишу вечером» превращается в «напишу завтра» и в тишину.
Языковые модели в 2026 году пишут деловые тексты не хуже среднего менеджера и делают это за секунды. Но между «ChatGPT написал нам КП» и работающей системой персонализации — большая разница. Разберём, как построить процесс, при котором ИИ готовит предложения и письма под каждого клиента, а менеджер только проверяет и отправляет.
Почему «просто попросить модель написать» не работает
Первый опыт у многих одинаковый: менеджер открывает чат с моделью, пишет «составь КП на поставку офисной мебели» и получает гладкий текст, который можно отправить кому угодно — и именно поэтому он никому не нужен. Клиент читает такие тексты ежедневно и распознаёт их с первого абзаца.
Персонализация — это не стиль, а данные. Чтобы предложение попало в клиента, модель должна знать: что за компания, чем занимается, какой запрос прислала, что обсуждали на встрече, какие у неё ограничения по бюджету и срокам, что мы продавали похожим клиентам. Ничего из этого в чате у модели нет. Всё это есть в CRM, в переписке, в заметках менеджера. Задача системы — собрать эти данные и подать модели вместе с шаблоном и правилами компании.
Поэтому правильная постановка задачи звучит не «ИИ пишет КП», а «ИИ собирает черновик КП из данных сделки, прайса и нашей библиотеки формулировок».
Что именно ИИ делает хорошо
- Черновик КП по структуре компании. Вводный абзац про задачу клиента его словами, состав решения, расчёт по прайсу, сроки, условия, следующий шаг. Модель не выдумывает структуру, а заполняет вашу.
- Письмо после встречи. По расшифровке звонка или заметкам менеджера: что обсудили, о чём договорились, что мы делаем, что ждём от клиента. Такое письмо занимает у модели секунды, у менеджера — полчаса, которых у него нет.
- Серия напоминаний. Клиент не ответил на КП три дня — мягкое письмо с уточнением. Ещё пять — письмо с дополнительной пользой, например кейсом из его отрасли. Тексты разные, а не копия «напоминаем о нашем предложении».
- Адаптация под роль читателя. Одно и то же предложение для собственника — про деньги и сроки, для технического директора — про интеграции и надёжность. Модель переписывает акценты, факты не трогает.
- Переводы и локализация. Для бизнеса, который работает в Грузии, Казахстане или с европейскими клиентами, КП на двух–трёх языках без переводчика — заметная экономия, если менеджер владеет языком достаточно, чтобы проверить.
- Ответы на типовые вопросы в переписке. Условия оплаты, доставки, гарантии — модель формулирует ответ по базе знаний компании в тоне менеджера.
Что ИИ делать не должен
Границы здесь важнее возможностей, потому что ошибка в КП — это не опечатка, а обещание, за которое компания отвечает.
Цены, скидки, сроки. Модель не считает их сама и не берёт «примерно». Расчёт делает система по прайсу и правилам, модель только вставляет готовые числа в текст. Если нужной позиции в прайсе нет, в черновике появляется пометка для менеджера, а не правдоподобная цифра. Почему это критично — в статье о галлюцинациях ИИ.
Юридические условия. Формулировки про ответственность, гарантии, возвраты берутся из утверждённой библиотеки блоков. Модель выбирает нужный блок, но не переписывает его.
Отправка без проверки. Черновик всегда проходит через менеджера. Это занимает две–три минуты вместо полутора часов написания, и этих минут достаточно, чтобы поймать фактическую ошибку.
Фактические утверждения о клиенте. Модель может предложить «вы расширяете сеть в регионах», опираясь на фразу из переписки. Если это домысел — он должен быть помечен как предположение или убран.
Как устроен процесс: от сделки до отправленного письма
Опишем типовую связку, которую мы в AiKrok собираем для отделов продаж из трёх–десяти человек.
- Триггер. Менеджер переводит сделку в amoCRM, Bitrix24 или HubSpot на этап «подготовить КП» или нажимает кнопку в карточке. Для писем после встреч триггер — завершённый звонок с расшифровкой или заметка менеджера.
- Сбор контекста. Автоматизация (n8n или Make) забирает из CRM данные компании, историю переписки, заметки, выбранные позиции и количество. Из прайса — цены. Из библиотеки — подходящие блоки: кейсы из этой отрасли, условия, описания услуг.
- Генерация. Модель получает шаблон КП, собранный контекст, правила тона и список запретов, и возвращает черновик. Для КП удобно сразу в структурированном виде, чтобы потом сверстать в PDF или документ по фирменному шаблону.
- Проверка. Черновик появляется в карточке сделки или приходит менеджеру в Telegram. Он правит, подтверждает.
- Отправка и фиксация. Письмо уходит клиенту, копия и дата сохраняются в CRM, ставится задача на напоминание через заданное число дней.
Такая схема — часть более широкой автоматизации продаж: КП и письма встроены в воронку, а не живут отдельно в папке менеджера.
Библиотека формулировок — то, с чего начинается качество
Самая недооценённая часть проекта. Модель пишет хорошо ровно настолько, насколько хороши примеры, на которые она опирается. Поэтому до запуска стоит собрать:
- пять–десять лучших КП компании за последние годы — те, после которых сделки закрылись;
- короткие кейсы по отраслям в одном формате: задача, что сделали, результат без выдуманных цифр;
- утверждённые юридические и коммерческие блоки;
- описание тона: как компания обращается к клиенту, каких слов избегает, какой длины письма пишет;
- примеры плохих КП с пометками, что именно в них не так.
На это уходит день–два работы руководителя продаж, и это самая ценная инвестиция в проект. Без библиотеки модель будет писать «уникальные комплексные решения», с ней — вашим языком.
Пример: поставщик оборудования для кафе
Компания продаёт кофемашины, холодильное оборудование и мебель для общепита, пять менеджеров, 60–80 запросов в месяц. КП готовились по два–три часа, часть запросов до КП не доходила вовсе.
Внедрили связку: менеджер отмечает в CRM позиции и количество, автоматизация подтягивает цены, модель пишет вводную часть по запросу клиента и подбирает кейс из библиотеки — для кофейни один, для столовой другой. Черновик приходит в карточку сделки, менеджер правит и отправляет. Через неделю без ответа уходит короткое письмо с вопросом, через две — письмо с предложением расчёта под другой бюджет.
Что изменилось на практике: время подготовки КП сократилось до 15–20 минут вместе с проверкой, ни один запрос не остаётся без предложения, напоминания уходят без участия менеджеров. Чего не изменилось: конверсию из КП в сделку модель сама по себе не подняла — она зависит от цен и условий, а не от текста. Выиграли на скорости и охвате.
Чего стоит ждать и чего не стоит
Реалистичные ожидания от проекта:
- Время на КП и письма сокращается кратно — это самый надёжный эффект.
- Качество текста выравнивается: новичок пишет на уровне опытного менеджера, потому что опирается на ту же библиотеку.
- Ни одно письмо не теряется: напоминания уходят по расписанию.
- Конверсия растёт, только если раньше КП уходили поздно или не уходили вовсе. Если проблема в цене или продукте, текст её не решит.
- Первые две–три недели менеджеры будут много править — это нормальный период настройки промптов и библиотеки.
С чего начать
Не нужно сразу встраивать всё в CRM. Рабочий первый шаг — собрать библиотеку формулировок и запустить генерацию писем после встреч: это самый частый и самый простой документ, ошибка в нём стоит дёшево, а экономия времени видна сразу. Когда менеджеры привыкнут проверять черновики, добавляется КП с расчётом по прайсу и серия напоминаний.
Если в компании нет CRM или данные в ней не ведутся, стоит начать с этого — об этом статья о выборе CRM для малого бизнеса. Персонализация без данных о клиенте остаётся красивыми словами.