В B2B-продажах уже встречаются команды, где одновременно работают по 15–20 AI-инструментов, каждый под свою задачу. Проблема в том, что такой зоопарк не ускоряет сделку, а ломает контекст в самый дорогой момент — когда продавцу нужен один точный ответ здесь и сейчас. Именно поэтому идея «AI-напарник в продажах» начинает выглядеть не модным лозунгом, а более вменяемой архитектурой для GTM-команд.
Об этом, как пишет SaaStr, на конференции SaaStr AI говорил Джарод Грин, CMO Vivun. По его словам, за последние полтора года компании дисциплинированно скупали агентов под каждую часть цикла продаж: отдельный агент на исследование клиента, отдельный на подготовку писем, отдельный на заметки по звонку, отдельный на аналитику, отдельный на CRM и так далее. В результате в одной sales-организации теперь легко обнаружить связку из полутора-двух десятков AI-сервисов, которые формально работают вместе, а фактически постоянно передают друг другу обрезанный контекст.
Главный счет за эту архитектуру приходит не в IT-бюджете и даже не в таблице закупок. Он приходит на живом звонке с клиентом. Грин описывает довольно приземленную сцену: покупатель задает сложный вопрос, продавец должен ответить сразу, а перед ним 20 агентов с разными окнами контекста, разной степенью актуальности данных и разной глубиной понимания ситуации. Пока менеджер выбирает, кого спросить, сделка остывает. Это особенно болезненно на фоне нового поведения покупателей: они уже пришли на встречу после собственного ресерча в AI и не ждут от продавца базовой справки. Им нужен ответ на тот вопрос, который не нашелся в публичных материалах. Если такого ответа нет, встреча часто заканчивается формулой «вернемся позже», а потом просто тишиной. Грин оценивает долю первых встреч без решения примерно в 40%, и значительная часть таких кейсов уходит в категорию ghosted.
Ключевая техническая претензия Vivun к нынешнему поколению agentic-стеков звучит интересно даже вне sales-контекста. По версии компании, фундаментальные модели хорошо работают внутри одного контекстного окна: умеют разобрать стенограмму, конспект, документ, историю переписки. Но реальный B2B-диалог редко укладывается в один слой. Чтобы правильно ответить клиенту, системе нужно связать роль собеседника, стадию покупки, расстановку влияния внутри аккаунта, текущего поставщика, конкурента, реальное возражение и то, что скрывается за этим возражением. В Vivun называют такие переходы hops — шагами или переходами между кусками контекста. В сложной сделке их может быть 8, 10 или даже 20. И вот после третьего такого перехода, утверждает Грин, модель начинает «плыть»: теряет точность, дрейфует в сторону странных выводов и повышает риск галлюцинаций.
Отсюда и главный тезис, который полезно услышать не только директорам по продажам, но и разработчикам, которые сейчас собирают корпоративные AI-системы на скорую руку. LLM, по формулировке Грина, — это карта, а не мозг. Она отлично разбирает язык, но сама по себе не хранит вашу методологию продаж, внутреннюю логику квалификации, особенности команды, накопленный опыт сильных продавцов и реальные правила работы с CRM. То есть проблема не в том, что каждый отдельный агент плох. Проблема в том, что ни один из них не держит полную картину сделки, а на стыках между ними утекает то, ради чего вообще покупали AI: скорость, непрерывность рассуждения и релевантность ответа.
Здесь Vivun продвигает более монолитный подход: не покупать двадцатого, а потом двадцать первого агента, а строить один слой интеллекта, который удерживает бизнес-логику поверх уже существующего стека. На уровне enablement это выглядит почти как атака на старую школу sales-training. Десять лет компании пытались тиражировать поведение лучших продавцов через тренинги и методологии, но сам Грин приводит жесткую цифру: около 90% материала по методологиям продаж забывается, если его не применили в первые две недели. Иными словами, бизнес годами платит за обучение, которое испаряется быстрее, чем обновляется onboarding-презентация. Если ту же методологию удерживает AI-напарник в продажах, он не забывает ее через две недели и может подсказывать продавцу в моменте: что спросить, что показать, на какой риск указать, как связать ответ с продуктом.
С точки зрения бизнеса тезис подкрепляют двумя наборами цифр. Первый — прогнозы Gartner, на которые ссылается Грин: компании, внедряющие AI teammates для продаж, могут сократить сроки сделок, уменьшить продуктово-ориентированное обучение примерно на 40% и заметно ускорить ramp-up новых сотрудников. В статье звучат два показательных сценария: путь до первой сделки может сокращаться с восьми месяцев до двух, а в более коротком цикле — с восьми недель до двух. Второй набор — уже данные самих пользователей Vivun: power users, по словам компании, сообщили о снижении затрат времени на продажи на 50%, а также о росте win rate и среднего размера сделок. Это, конечно, не независимое академическое исследование, а данные вендора о собственных клиентах, поэтому воспринимать их лучше как сильный маркетинговый аргумент, а не как универсальную норму для рынка.
Для русскоязычной IT-аудитории во всей этой истории важен не только sales use case. Это еще и хороший маркер зрелости корпоративного AI. В 2024 и 2025 годах компании охотно покупали «агента на каждую боль», потому что такой путь выглядел безопасным: маленькие пилоты, понятные юзкейсы, быстрые закупки без пересборки процессов. Но по мере роста таких решений выясняется знакомая для любого архитектора вещь: локальная оптимизация редко складывается в работающую систему. Если каждый агент знает только свой кусок пайплайна, то организация получает не интеллект, а очередной интеграционный проект с красивым интерфейсом. И чем выше цена ошибки в реальном времени, тем хуже такой конструктор себя ведет.
Вопрос теперь не в том, смогут ли компании добавить в стек еще один AI-сервис. Смогут, и довольно быстро. Вопрос в другом: кто в этой схеме отвечает за непрерывное рассуждение через весь процесс, а не за аккуратное выполнение одного микротаска. Если рынок правда двинется от «набора агентов» к единому интеллектуальному слою, разработчикам и продуктовым командам придется заново пересобирать интеграции, память, оркестрацию и права доступа. И тогда выяснится, что следующая конкуренция в AI для бизнеса пойдет не за количеством агентов, а за тем, кто лучше удерживает контекст сделки целиком.