f(AI) CustomOffer: персонализированное коммерческое предложение из 1С меньше чем за минуту

В вашей CRM может быть почти всё о клиенте: отрасль, масштаб компании, история встреч, интерес к продуктам, результаты тестового периода. А в коммерческом предложении — «индивидуальный подход и широкий спектр услуг».

Получается, система знает клиента довольно близко, а письмо ему отправляет как будто впервые видит.

Разрыв между накопленными данными и содержанием предложения стал отправной точкой проекта f(AI) CustomOffer. Мы разработали сервис для крупнейшего официального дистрибьютора Сети КонсультантПлюс в Санкт-Петербурге и ЛО.

Результат: вместо 20–45 минут ручной подготовки — готовое оформленное персонализированное КП меньше чем за минуту. От старта до промышленного запуска прошло десять недель. Акты подписаны, начинается коммерческая эксплуатация.

Но самое интересное в этой истории — что пришлось сделать с AI по дороге. В какой-то момент ему почти запретили думать.

Почему данных много, а предложение всё равно шаблонное

До внедрения менеджеры готовили КП вручную, на основе шаблонов. Нужно было учесть десятки параметров и не ошибиться в коммерческой части. В сложных случаях один расчёт мог занять до часа.

Полезная информация уже находилась в 1С: отрасль, размер бизнеса, сведения об арбитражах и госзакупках, история отношений, результаты бесплатного тестового периода, тексты запросов на горячую линию, какие услуги клиент использовал, на какие мероприятия ходил, за какими консультациями обращался. Весь этот контекст просто жил примерно в десятке разных вкладок 1С.

Представьте, что перед каждым деловым письмом вам нужно провести небольшое внутреннее расследование. К финалу вы, скорее всего, будете особенно внимательны к сумме и реквизитам. На поиски тонкой мотивации адресата энтузиазма может уже не хватить.

Здесь происходило примерно это. Аргументы часто оставались шаблонными, хотя компания уже разработала регламент их выбора.

Поэтому задача выглядела заманчиво: передать контекст AI и получить идеальное предложение.

Пришлось определить, что означает «идеальное» для разных адресатов и кто отвечает за каждую цифру.

Три человека в одной компании могут покупать три разные пользы

Условно, руководитель спрашивает: «Что это даст бизнесу?» Юрист — «Как это поможет в моей работе?» Бухгалтер — «С какими задачами я буду справляться проще?»

Продукт при этом один.

Если отправить всем одинаковый набор преимуществ, каждому придётся самостоятельно искать в нём что-то полезное. Мы решили не включать эту работу в обязанности покупателя.

В CustomOffer выбор аргументов учитывает роль адресата, отрасль и доступные факты о клиенте. В реализованном проекте предусмотрены отдельные каталоги для руководителя, юриста и бухгалтера. Аргументы другой роли модель не получает.

Для руководителя формируется экономическое обоснование. Для юриста и бухгалтера — предложение с акцентом на профессиональные задачи, без отдельного экономического блока.

Учитывается и этап общения: до презентации, после неё или после завершённого тестового периода. После тест-драйва уже можно опираться на подтверждённое использование услуг. Разговор становится предметнее, чем обещание однажды быть полезными.

В другом бизнесе можно настроить свою логику — например, для технического специалиста и закупщика. Но для этого потребуются свои материалы и правила: три реализованные роли не охватывают все продажи на свете.

Что происходит между данными в 1С и готовым PDF

Менеджер продолжает работать в 1С. Переносить информацию в отдельный чат и каждый раз заново объяснять AI коммерческую политику компании не требуется.

1С отправляет сервису согласованный набор структурированных данных. CustomOffer проверяет их и формирует допустимый набор материалов для выбранного адресата.

Дальше модель работает в два этапа. Сначала определяет приоритеты клиента и выбирает подходящие утверждённые аргументы. Затем готовит вступление, переходы и завершение, сохраняя смысл согласованных образцов.

Приложение вставляет выбранные аргументы дословно, добавляет рассчитанное экономическое обоснование и собирает результат. Готовые данные возвращаются в 1С: она отвечает за оформление, итоговый PDF и хранение документа.

Сервис работает в Yandex Cloud, использует Alice AI. Но для менеджера по продажам весь этот технологический ансамбль остаётся за привычным рабочим интерфейсом 1С. Ему просто надо нажать привычную кнопку и примерно через 30 секунд скачать готовый документ.

Любая хорошая автоматизация рано или поздно должна перестать требовать от пользователя восхищения своей архитектурой.

Экономическое обоснование: откуда берётся годовая сумма

Сократить время подготовки полезно продавцу. Покупателю интереснее другое: какую ценность принесут предлагаемые продукт и обслуживание?

Для руководителя CustomOffer собирает годовое экономическое обоснование из нескольких компонентов. Это отдельный расчётный механизм с утверждёнными формулами и параметрами. Модель суммы не рассчитывает и не меняет.

Первый компонент — использование услуг. Во время бесплатного тестового периода клиент может получать консультации и участвовать в образовательных мероприятиях. Бесплатно для клиента в этот период не означает, что услуги не имеют стоимости.

Когда цены и количество переданы из 1С, сервис считает стоимость фактически использованных услуг. При наличии завершённого периода можно рассчитать годовую проекцию: какой объём получится при сохранении соответствующей интенсивности использования.

Если стоимость услуги не передана, система не назначает её самостоятельно. Даже если с дополнительной цифрой итог выглядел бы убедительнее.

Второй компонент — производительность пользователя. Утверждённая методика связывает потенциальный прирост производительности со стоимостью рабочего времени. В этом внедрении используется оценка для одного усреднённого пользователя.

Здесь оценивается рабочее время, которое можно освободить для других задач. Сокращения сотрудников в эту логику не заложены.

Третий компонент — налоговые и другие регуляторные риски. По согласованной методике оценивается возможное снижение ожидаемых потерь. Там, где расчёт предусматривает выручку и отрасль, используются доступные данные. Если выручка неизвестна, для налогового компонента есть утверждённый статистический сценарий; если неизвестна отрасль — согласованные общие параметры.

Это оценка потенциальных рисков, а не заявление, что у клиента уже обнаружены нарушения.

Фактическая стоимость услуг показывается отдельно от годовой проекции: второй раз одни и те же суммы к итогу не прибавляются. Каждую расчётную строку можно проследить до исходных данных и применённого правила.

Важно различать подтверждённую стоимость и прогноз: будущее использование услуг, прирост производительности и снижение рисков зависят от принятых допущений. Итог — оценка потенциального эффекта, а не гарантированная экономия. Её можно обсуждать и проверять. Для этого методика полезнее убедительной интонации.

Приложения к КП тоже могут работать на аргументацию

Иногда предложение полезно дополнить материалом, который показывает, что клиент уже получил.

В этом проекте таким материалом стал сервисный отчёт. Он может формироваться вместе с КП: какие услуги использованы за период, в каком количестве, с какой переданной стоимостью. Если цены нет, это видно в отчёте, а в сумму она не попадает.

Отчёт собирается программно, без вызова модели. Для перечисления подтверждённых услуг творческое озарение скорее мешает.

Сервисный отчёт — пример дополнительного материала к КП. В другом проекте состав приложений определяется тем, что помогает покупателю принять решение.

Почему AI здесь нельзя свободно переписывать аргументы

Изначально мы разрабатывали алгоритм с опорой на мою экспертизу в продажах — конечно, на базе имеющихся регламентов, рекомендаций и методичек. Основной продукт был готов примерно через пять недель. Затем внутри компании один директор передал задачу другому. Вместе с ответственностью уточнилось и представление о правильном результате.

Моя экспертиза больше была не нужна, стало необходимо строгое следование регламентам. Аргументы нужно брать исключительно из предоставленной базы. Формулировки сохранять дословно. Экономическое обоснование рассчитывать строго по утверждённым рекомендациям. Самостоятельное творчество в этих местах больше не предусматривалось.

Зачем приглашать талантливого собеседника, если потом отбирать у него право почти на каждую интересную инициативу — риторический вопрос, который мы обсудили с Алисой. И пересобрали логику.

Это хорошо проявило границу между двумя видами работы. Найти подходящий смысл в контексте клиента — интеллектуальная задача. Решить, какие обещания компания готова дать, — ответственность бизнеса.

Поэтому утверждённые аргументы модель не перефразирует. Вступление и завершение может адаптировать в пределах заданного смысла. Цены, суммы и факты не находятся в зоне её усмотрения.

Темы консультаций могут влиять на выбор аргументов, но не должны цитироваться или пересказываться в КП. Персонализация не предполагает публикацию внутренней истории обращений.

Встроенные проверки контролируют выбранные материалы, структуру ответа и другие ограничения. Если ответ их не проходит, выдача КП блокируется. Это не делает модель непогрешимой, зато задаёт конкретные границы её работы. Текстовые связки могут различаться; коммерческие правила не должны зависеть от вдохновения.

Что уже изменилось, а что ещё предстоит измерить

Проект прошёл путь от старта до промышленного запуска за десять недель. Акты подписаны, начинается коммерческая эксплуатация.

Время подготовки готового персонализированного предложения сократилось с 20–45 минут ручной работы до менее минуты. Весь путь заканчивается оформленным документом в привычной системе.

При каждом запросе система учитывает роль, выбирает аргументы, для руководителя добавляет экономическое обоснование и при необходимости готовит дополнительные материалы. Регламент больше не нужно каждый раз воспроизводить по памяти.

Влияние на конверсию и продажи ещё предстоит измерить. Быстрее подготовленное предложение и заключённая сделка — разные результаты. Между ними по-прежнему находятся продукт, цена, потребность клиента и работа продавца.

Но у продавца теперь меньше причин тратить значительную часть этого времени на сборку самого документа.

Где ещё может пригодиться такой подход

Такой подход можно адаптировать для других сложных B2B-продаж: оборудования, корпоративного программного обеспечения, профессиональных услуг, сервисного обслуживания.

Главный признак — сочетание трёх вещей: о клиенте накоплены полезные данные, выбор аргументов действительно влияет на содержание предложения, а у компании есть экспертиза и правила, которые приходится каждый раз применять вручную.

Потребуется работа с данными, материалами, расчётами и интеграцией конкретной компании. Универсальной кнопки, которая сама узнаёт вашу коммерческую политику, в комплекте нет.

Зато сам подход выходит за пределы КП. По схожей логике можно проектировать подготовку других сложных документов и отчётов: разбирать процесс, фиксировать правила, подключать AI там, где нужно сопоставление и работа с текстом, проверять результат и возвращать его в рабочую систему.

Именно такими внедрениями занимается f(AI) Studio. CustomOffer — пример законченной AI-функции, которая использует знания бизнеса в повседневной работе.

На старте полезно задать себе простой вопрос: сколько раз ваши сотрудники сегодня заново собрали то, что компания в целом уже давно знает?