{"id": "P05-B2B-RU-P01", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["TRADE", "распределение и ценообразование", "фарма", "vendor_case"], "organization": "ООО «АрхиМед» (фармацевтический дистрибьютор)", "org_type": "действующая компания", "process": "прогнозирование спроса и динамическое ценообразование при оптовой дистрибуции фармацевтических товаров (планирование закупок/продаж, управление маржой и остатками)", "period": "материал опубликован 2025-09-18; период внедрения в тексте не детализирован (unknown)", "industry": "фармацевтическая оптовая дистрибуция", "function": "продажи/ценообразование/закупки (B2B-дистрибуция)", "b2b_b2c": "B2B", "country": "Россия", "country_basis": "компания зарегистрирована в РФ, работает в 32 регионах России (по тексту источника)", "before": "цены и объёмы закупок анализировались вручную; риск затоваривания и устаревания товара, непрозрачное управление маржой", "after": "двухэтапная рекомендательная система: модель градиентного бустинга прогнозирует спрос по историческим данным и внешним факторам, алгоритм ценообразования (вероятностное прогнозирование + линейная регрессия + бизнес-правила) выдаёт рекомендованные цены; часть сотрудников переключена на аналитическую работу", "technologies": ["predictive_ML", "optimization"], "human_role": "аналитики/закупщики принимают итоговое решение по цене и объёму; часть ролей переориентирована с ручного анализа на аналитическую работу", "agent_role": "формирует рекомендации по прогнозу спроса и цене (не указано, что решения принимаются автономно)", "authority": "рекомендательная (по тексту источника нет указаний на автономное изменение цен без человека) — unknown в части точного контура автономии", "change_depth": "operation", "ai_native_label": "none", "ai_native_label_basis": "источник не использует термин «AI-native»; это точечная замена аналитического процесса в рамках существующей операционной модели дистрибьютора, не описано сквозное изменение процесса или операционной модели", "effects": [{"metric": "скорость анализа и принятия решений", "value": "+50%", "unit": "%", "baseline": "unknown", "period": "unknown", "claimed_by": "vendor (Сбер2B/Сбер Бизнес Софт)", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "метрика единственная и агрегированная («скорость анализа и принятия решений +50%»), нет базовых цифр (было/стало в абсолютных величинах), нет независимого подтверждения; возможна публикационная селекция успешного кейса вендором", "alternative_explanations": "рост скорости мог быть связан с общей цифровизацией/новым ПО, а не конкретно с ИИ-компонентом; вклад именно ИИ-модели не выделен отдельно от процесса внедрения инструмента в целом", "costs_side_effects": "не раскрыты — нет данных о стоимости внедрения, привлечении подрядчиков, влиянии на качество прогнозов вне тестового периода", "pdca": null, "transfer_limits": "кейс одного дистрибьютора одной товарной категории (фарма) от вендора решения; неясно, переносим ли эффект на дистрибьюторов с другой структурой ассортимента", "claims": [{"text_ru": "ООО «АрхиМед» внедрило двухэтапную ИИ-систему прогнозирования спроса и ценообразования, что ускорило анализ и принятие решений на 50%", "status": "SOURCE_CLAIM", "verification_scope": "факт внедрения инструмента и заявленная вендором величина эффекта; независимой верификации нет", "source_url": "https://sberbs.ru/blogs/cases/prognozirovanie-sprosa-i-avtomatizaciya-cenoobrazovaniya-dlya-farmacevticheskogo-distribyutora-k", "locator": "текст кейса на странице Сбер2B"}], "sources": [{"url": "https://sberbs.ru/blogs/cases/prognozirovanie-sprosa-i-avtomatizaciya-cenoobrazovaniya-dlya-farmacevticheskogo-distribyutora-k", "title": "Прогнозирование спроса и автоматизация ценообразования для фармацевтического дистрибьютора: кейс «Архимед»", "publisher": "Сбер2B (Сбер Бизнес Софт)", "author": "unknown", "date": "2025-09-18", "type": "company_blog", "locator": "полный текст страницы", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P05-B2B-RU-F01"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "искать независимое подтверждение (пресс-релиз АрхиМед, отраслевая пресса о фармдистрибуции) либо доп. кейсы того же вендора с другими клиентами для сравнения; материал поставщика — единственный источник"}
{"id": "P05-B2B-RU-P02", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["TRADE", "дистрибуция", "прогнозирование спроса", "vendor_case"], "organization": "Группа «Фаско+» (Fasko+)", "org_type": "действующая компания", "process": "прогнозирование продаж и планирование ассортимента для B2B-дистрибуции грунтов и семян через сеть федеральных и региональных DIY/FMCG-ритейлеров", "period": "внедрение с 2022 года, результаты прослежены до 2025 (материал опубликован 2026-03-24)", "industry": "производство и дистрибуция грунтов, семян и садовой продукции", "function": "продажи/планирование спроса и ассортимента (канал прямой B2B-дистрибуции)", "b2b_b2c": "B2B", "country": "Россия", "country_basis": "дистрибуция по 76 регионам России, Казахстана и Беларуси; головная компания российская (по тексту источника)", "before": "точность прогноза продаж 58,9%, доля неисполненных заказов 10%, планирование занимало 3 дня, дефицитные/избыточные позиции определялись вручную", "after": "сервис «1С:Прогнозирование продаж» (полиномиальная модель на основе 10 лет истории продаж, неисполненных заказов и данных восстановления спроса) — точность прогноза выросла до 84,4%, доля неисполненных заказов снижена до 1,5%, планирование занимает 15 минут, 95% планирования автоматизировано, 5% — ручная корректировка", "technologies": ["predictive_ML"], "human_role": "аналитик, ранее выполнявший планирование вручную — должность упразднена (экономия ФОТ), 5% решений по-прежнему корректируются вручную", "agent_role": "формирует прогноз и план закупок/ассортимента автоматически; человек вносит точечные корректировки", "authority": "система формирует 95% плана автономно, 5% — под ручным контролем (по данным источника)", "change_depth": "operation", "ai_native_label": "none", "ai_native_label_basis": "источник не использует термин «AI-native»; заменена аналитическая функция планирования спроса внутри существующей модели дистрибуции, сквозной процесс и операционная модель не переработаны", "effects": [{"metric": "точность прогноза продаж", "value": "58.9 → 84.4", "unit": "%", "baseline": "58.9%", "period": "2022–2025", "claimed_by": "company/vendor (Фаско+ и 1С)", "status": "SOURCE_CLAIM"}, {"metric": "доля неисполненных заказов", "value": "10 → 1.5", "unit": "%", "baseline": "10%", "period": "2022–2025", "claimed_by": "company/vendor", "status": "SOURCE_CLAIM"}, {"metric": "время планирования", "value": "3 дня → 15 минут", "unit": "время", "baseline": "3 дня", "period": "2022–2025", "claimed_by": "company/vendor", "status": "SOURCE_CLAIM"}, {"metric": "экономия на ФОТ (упразднённая должность аналитика)", "value": "3.5", "unit": "млн руб./год", "baseline": "unknown", "period": "unknown", "claimed_by": "company/vendor", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "источник явно называет ограничение модели: погодозависимые сдвиги спроса (3–6 недель) ИИ не прогнозирует («с этим фактором искусственный интеллект пока не помогает») — сам источник фиксирует границу применимости; независимой верификации метрик нет, кейс от вендора 1С и/или самой компании", "alternative_explanations": "часть роста точности прогноза может объясняться накоплением исторических данных (10 лет) и улучшением процессов планирования в целом, а не только моделью; сокращение штата аналитика — не обязательно чистый эффект ИИ, а следствие автоматизации процесса", "costs_side_effects": "упразднена штатная позиция аналитика (перенос/сокращение труда), стоимость и сроки внедрения ИИ-модуля не раскрыты; явно признанное ограничение по погодным сдвигам спроса", "pdca": null, "transfer_limits": "кейс одной торговой группы с длинной историей данных (10 лет) и сезонным, но предсказуемым в целом ассортиментом; для товаров без такой истории данных перенос ограничен", "claims": [{"text_ru": "Группа «Фаско+» внедрила сервис «1С:Прогнозирование продаж», подняв точность прогноза с 58,9% до 84,4% и сократив время планирования с 3 дней до 15 минут, но сама компания признаёт, что модель не учитывает краткосрочные погодные сдвиги спроса", "status": "SOURCE_CLAIM", "verification_scope": "факт внедрения и заявленные компанией/вендором величины эффекта, включая явно названное ограничение модели; независимой верификации нет", "source_url": "https://www.retail.ru/cases/ii-pomog-na-84-povysit-tochnost-prognoza-prodazh-proizvoditelyu-gruntov-i-semyan/", "locator": "полный текст кейса"}], "sources": [{"url": "https://www.retail.ru/cases/ii-pomog-na-84-povysit-tochnost-prognoza-prodazh-proizvoditelyu-gruntov-i-semyan/", "title": "Кейс: ИИ помог на 84% повысить точность прогноза продаж производителю грунтов и семян", "publisher": "Retail.ru (со ссылкой на кейс 1С)", "author": "unknown", "date": "2026-03-24", "type": "media", "locator": "полный текст статьи", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P05-B2B-RU-F02"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "проверить, есть ли первоисточник кейса на сайте 1С (не найден отдельным поиском в рамках бюджета пакета); искать независимую отраслевую заметку о «Фаско+»"}
{"id": "P05-B2B-RU-P03", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["откат", "неудача", "GenAI", "холодные звонки"], "organization": "Vagabond (брендинговое B2B-агентство)", "org_type": "действующая компания", "process": "автоматизация холодных звонков потенциальным B2B-клиентам ИИ-роботом с целью минимизировать участие менеджеров по продажам", "period": "проект запущен и закрыт в течение примерно 4 месяцев; материал опубликован 2026-02-17", "industry": "брендинг, дизайн и коммуникационные услуги", "function": "продажи (холодная генерация лидов, первичный контакт)", "b2b_b2c": "B2B", "country": "Россия", "country_basis": "компания и публикация — российские (T-Банк, издание «Секреты бизнеса»)", "before": "холодные звонки выполняли менеджеры по продажам вручную", "after": "запущен голосовой ИИ-робот для автоматических холодных звонков; проект остановлен через 4 месяца, компания вернулась к работе менеджеров", "technologies": ["GenAI", "agent"], "human_role": "менеджеры по продажам — попытка заменить их автоматизированным первичным контактом провалилась, роль вернулась к менеджерам после закрытия проекта", "agent_role": "ИИ-робот вёл звонок самостоятельно (распознавание речи + диалог), должен был квалифицировать интерес и передавать лид", "authority": "робот действовал автономно на этапе звонка без участия менеджера, что и стало источником проблем (не различал живых собеседников и автоответчики, «спорил» с другими роботами)", "change_depth": "operation", "ai_native_label": "none", "ai_native_label_basis": "попытка полной автоматизации точечной операции (холодный звонок) без встраивания в более широкий процесс; сама компания не использует термин «AI-native»", "effects": [{"metric": "потраченный бюджет", "value": "200000", "unit": "руб.", "baseline": "0", "period": "~4 месяца", "claimed_by": "company (сооснователь Алина Ли Аскарова)", "status": "SOURCE_CLAIM"}, {"metric": "качественные лиды получены", "value": "0", "unit": "шт.", "baseline": "unknown", "period": "~4 месяца", "claimed_by": "company", "status": "SOURCE_CLAIM"}], "outcome": "negative", "uncertainty": "оценка провала дана самой компанией постфактум; неизвестно, был ли скрипт/промпт-инжиниринг сделан качественно, и мог ли иной вендор/настройка дать иной результат — компания не приводит альтернативные попытки", "alternative_explanations": "возможная причина неудачи — не сама технология, а слабая настройка диалоговых сценариев и отсутствие контроля качества на старте (typical для раннего пилота); неясно, тестировались ли альтернативные решения", "costs_side_effects": "прямые финансовые потери (200 000 руб.), репутационный эффект внутри команды («страх, что ИИ контролирует/заменит»), проект закрыт, откат к ручному процессу", "pdca": null, "transfer_limits": "единичный кейс малого B2B-агентства; сложные консультативные продажи (брендинг) могут быть менее пригодны для голосового ИИ на этапе холодного контакта, чем транзакционные продажи — перенос на другие типы продаж не доказан", "claims": [{"text_ru": "Компания Vagabond потратила 200 000 руб. на голосового ИИ-робота для холодных звонков в B2B-продажах, не получила ни одного качественного лида и закрыла проект через 4 месяца", "status": "SOURCE_CLAIM", "verification_scope": "факт внедрения, факт отказа от проекта и заявленные компанией цифры — со слов сооснователя в интервью изданию; независимой сторонней верификации сумм нет", "source_url": "https://secrets.tbank.ru/trendy/kak-biznes-provalilsia-iz-za-ii/", "locator": "раздел о компании Vagabond"}], "sources": [{"url": "https://secrets.tbank.ru/trendy/kak-biznes-provalilsia-iz-za-ii/", "title": "Доверился ИИ и провалился: 3 кейса бизнеса из России", "publisher": "T-Банк, «Секреты бизнеса» (secrets.tbank.ru)", "author": "unknown", "date": "2026-02-17", "type": "media", "locator": "первый из трёх описанных кейсов (Vagabond)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P05-B2B-RU-F03"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "искать прямые публикации/посты сооснователя Vagabond с деталями для перекрёстной проверки цифр"}
{"id": "P05-B2B-RU-P04", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["телеком", "voice_AI", "vendor_case", "кросс-продажи"], "organization": "ПАО «Ростелеком» (B2B-сегмент)", "org_type": "действующая компания", "process": "кросс-продажи корпоративным клиентам (виртуальные номера, связь, АТС) голосовыми ИИ-агентами при исходящих звонках", "period": "не указан в тексте (unknown); материал не датирован на странице поставщика", "industry": "телекоммуникации", "function": "продажи (исходящие звонки, кросс-сейл действующим корпоративным клиентам)", "b2b_b2c": "B2B", "country": "Россия", "country_basis": "Ростелеком — российский телеком-оператор, публикация на русском языке", "before": "исходящие звонки по кросс-продажам выполняли операторы контакт-центра", "after": "голосовые ИИ-агенты (платформа Twin) с распознаванием речи, эмоций и пониманием более 30 намерений клиента ведут звонки по кросс-продажам B2B-клиентам, интегрированы с CRM Ростелекома", "technologies": ["GenAI", "agent", "NLP"], "human_role": "операторы контакт-центра — часть звонков переведена на бота; роль человека в передаче тексте не детализирована (эскалация на человека не описана)", "agent_role": "ведёт диалог, квалифицирует интерес, доводит до передачи контракта/встречи", "authority": "бот ведёт звонок и диалог автономно; решение о подписании контракта — за человеком (менеджером/клиентом)", "change_depth": "operation", "ai_native_label": "none", "ai_native_label_basis": "заменён один канал контакта (исходящий звонок) в рамках существующей воронки продаж; поставщик не использует термин «AI-native», сквозного пересмотра процесса не описано", "effects": [{"metric": "подписанные контракты", "value": "3+", "unit": "шт. за первые месяцы", "baseline": "unknown", "period": "первые месяцы после запуска", "claimed_by": "vendor (Twin)", "status": "SOURCE_CLAIM"}, {"metric": "выручка проекта", "value": "10+", "unit": "млн руб.", "baseline": "unknown", "period": "unknown", "claimed_by": "vendor (Twin)", "status": "SOURCE_CLAIM"}, {"metric": "средний чек", "value": "рост в 2–3 раза", "unit": "×", "baseline": "unknown", "period": "unknown", "claimed_by": "vendor (Twin)", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "материал — кейс поставщика (Twin) без даты публикации и без независимого подтверждения со стороны Ростелекома; часть цифр (рост среднего чека) не привязана к конкретному периоду или базовому значению", "alternative_explanations": "рост среднего чека и число контрактов могут отражать общий рост спроса на корпоративную связь, а не исключительно эффект голосового ИИ; нет сравнения с контрольной группой звонков без бота", "costs_side_effects": "не раскрыты — нет данных о стоимости внедрения, влиянии на удовлетворённость клиентов при отказе от живого оператора, доле сорвавшихся диалогов", "pdca": null, "transfer_limits": "кейс от вендора о клиенте с крупным контакт-центром и высоким объёмом исходящих звонков; для менее зрелых B2B-продавцов с малым объёмом звонков экономика внедрения может не оправдаться", "claims": [{"text_ru": "Ростелеком использует голосовых ИИ-агентов платформы Twin для кросс-продаж корпоративным клиентам, что дало 3+ подписанных контракта, выручку 10+ млн руб. и рост среднего чека в 2–3 раза за первые месяцы", "status": "SOURCE_CLAIM", "verification_scope": "факт внедрения и заявленные поставщиком цифры; независимой верификации нет, материал поставщика об именованном клиенте", "source_url": "https://twin24.ai/clients/kak-golosovye-boty-twin-uvelichili-prodazhi-dlya-b2b-klientov-rostelekoma-i-podnyali-sredniy-chek-v-3-raza/", "locator": "полный текст страницы кейса"}], "sources": [{"url": "https://twin24.ai/clients/kak-golosovye-boty-twin-uvelichili-prodazhi-dlya-b2b-klientov-rostelekoma-i-podnyali-sredniy-chek-v-3-raza/", "title": "Как голосовые боты Twin увеличили продажи для B2B-клиентов Ростелекома и подняли средний чек в 3 раза", "publisher": "Twin (twin24.ai) — материал поставщика", "author": "unknown", "date": "unknown", "type": "company_blog", "locator": "полный текст страницы", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P05-B2B-RU-F04"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "искать подтверждение/упоминание проекта на стороне Ростелекома (пресс-центр, отчётность) для повышения статуса выше SOURCE_CLAIM"}
{"id": "P05-B2B-RU-S01", "record_kind": "source", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["TRADE", "media_platform", "UGC"], "entity_type": "media", "name": "vc.ru — раздел «AI» и колонки о продажах/B2B", "author": "разные авторы (блог-платформа с открытой публикацией колонок)", "url": "https://vc.ru/ai/", "language": "ru", "country": "Россия", "country_basis": "домен .ru, редакция и большинство авторов — российские компании/предприниматели", "topics": ["ИИ в продажах", "B2B", "CRM", "генерация КП", "автоматизация бизнеса"], "processes": ["продажи", "маркетинг", "автоматизация КП"], "why_selected": "крупная русскоязычная бизнес-медиаплатформа с постоянным потоком практических колонок об ИИ в B2B-продажах от практиков и агентств; полезна для обнаружения новых именованных кейсов", "relevant_publications": [{"url": "https://vc.ru/ai/2856770-avtomatizatsiya-b2b-prodazh-s-pomoshchyu-ii", "title": "ИИ в B2B-продажах: как автоматизировать путь от холодного лида до сделки", "date": "unknown", "summary_ru": "Колонка практика (рук. веб-студии) о применении ИИ для генерации коммерческих предложений и outreach-писем в B2B; метрики даны в основном без названных компаний (открываемость писем 5-10%→15-25%)", "reading_scope": "full_text"}], "last_activity": {"date": "2026-09-24", "basis": "раздел активно пополняется новыми статьями на дату обращения (наблюдение по списку материалов при поиске)"}, "observed_frequency": {"value": "несколько материалов об ИИ в B2B в день по разделу /ai/", "period_observed": "24.09.2026 (однократное наблюдение через поиск)", "method": "оценка по числу разных статей раздела /ai/, найденных за один поисковый запрос"}, "audience": "unknown", "coverage_note": "площадка с открытой публикацией (любой автор может вести колонку), поэтому охват тем широкий, но качество и достоверность отдельных материалов сильно варьируются", "reliability_note": "часть материалов — маркетинговые колонки агентств без верифицируемых цифр (конкретные компании часто не названы); требует выборочной проверки каждого кейса по отдельности", "quality_limits": "не все публикации проходят редакционную проверку; агрегированные метрики отрасли (типа «конверсия +X%») часто даются без ссылки на первоисточник", "priority": "discovery", "update_methods": [{"type": "public_web", "url": "https://vc.ru/ai/", "how_found": "observed_on_page", "tested": false}], "recommended_check_frequency": "раз в 2-4 недели точечно по темам B2B/CRM (HYPOTHESIS)", "claims": [], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "при следующем заходе — прочитать полностью 2-3 материала с именованными компаниями для повышения приоритета до watch/priority"}
{"id": "P05-B2B-RU-S02", "record_kind": "source", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["TRADE", "media", "кейсы"], "entity_type": "media", "name": "Retail.ru — раздел «Кейсы»", "author": "редакция Retail.ru", "url": "https://www.retail.ru/cases/", "language": "ru", "country": "Россия", "country_basis": "домен .ru, издание специализируется на российском ритейле и дистрибуции", "topics": ["ИИ в дистрибуции", "прогнозирование спроса", "ценообразование", "розница и опт"], "processes": ["планирование продаж", "ассортимент", "ценообразование"], "why_selected": "отраслевое издание о рознице и дистрибуции с регулярной рубрикой именованных кейсов внедрения технологий (в т.ч. ИИ) в B2B/дистрибуции — полезно для потока практик по стриму TRADE/B2B", "relevant_publications": [{"url": "https://www.retail.ru/cases/ii-pomog-na-84-povysit-tochnost-prognoza-prodazh-proizvoditelyu-gruntov-i-semyan/", "title": "Кейс: ИИ помог на 84% повысить точность прогноза продаж производителю грунтов и семян", "date": "2026-03-24", "summary_ru": "Именованный кейс группы «Фаско+»: рост точности прогноза продаж с 58,9% до 84,4%, сокращение неисполненных заказов с 10% до 1,5%, явное признание ограничения модели по погодным факторам", "reading_scope": "full_text"}], "last_activity": {"date": "2026-03-24", "basis": "дата последней прочитанной публикации из раздела (по JSON-LD страницы)"}, "observed_frequency": {"value": "unknown", "period_observed": "24.09.2026 (одно наблюдение)", "method": "не оценивалась системно — открыт один материал по прямой ссылке из поиска"}, "audience": "unknown", "coverage_note": "фокус на рознице и дистрибуции; кейсы преимущественно поставщик/вендор-ориентированные (например, кейс подготовлен при участии вендора 1С), но с указанием названия компании-клиента и конкретных метрик", "reliability_note": "кейсы публикуются с участием вендоров решений — оценивать как материал, близкий к вендорскому, а не независимое расследование; источник явно указывает и ограничения технологии, что повышает доверие", "quality_limits": "не проверялась глубина независимости редакционной обработки кейсов от вендоров", "priority": "discovery", "update_methods": [{"type": "public_web", "url": "https://www.retail.ru/cases/", "how_found": "observed_on_page", "tested": false}], "recommended_check_frequency": "раз в месяц по разделу «Кейсы» (HYPOTHESIS)", "claims": [], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "прочитать больше кейсов раздела для оценки доли именно B2B/дистрибуции против розницы B2C"}