{"id": "P01-B2B-USEU-P01", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["TRADE", "negotiation", "procurement_buy_side", "vendor_material", "scope_borderline", "historical_basis"], "organization": "Walmart (Walmart International / Walmart Canada; технология — Pactum AI)", "org_type": "действующая компания", "process": "Автоматизированные переговоры с поставщиками категории 'goods not for resale' (не для перепродажи — фургоны, тележки, оборудование магазинов) об условиях оплаты и скидках через чат-бот на основе ИИ (Pactum AI)", "period": "пилот — Walmart Canada, январь–март 2021 (3 месяца, 'production pilot'); после пилота — расширение на поставщиков в США, Чили и ЮАР (даты не названы; описано в статье HBR от ноября 2022 как уже состоявшееся); дальнейшее расширение на другие страны — заявлено как план, не подтверждено как факт (HBR, 2022)", "industry": "розничная торговля", "function": "закупки/процурмент (сторона покупателя в B2B-отношениях с поставщиками) — ПРИМЕЧАНИЕ: это buy-side, а не sell-side практика, на которую формально нацелен пакет; включена с явной пометкой, см. notes.md", "b2b_b2c": "B2B", "country": "US", "country_basis": "штаб-квартира Walmart и вендора Pactum AI — США; пилот проведён в Walmart Canada, затем расширен на США, Чили, ЮАР (HBR)", "before": "Закупщики Walmart вручную вели переговоры с крупными поставщиками; с многочисленными мелкими 'tail-end'-поставщиками (goods-not-for-resale) переговоры почти не велись — по словам HBR, наём дополнительных байеров для этого стоил бы дороже, чем сама выгода от переговоров", "after": "Текстовый чат-бот Pactum AI ведёт переговоры с поставщиком по заранее заданным сценариям (структурированные скрипты, созданные закупщиками и обученные на алгоритме машинного обучения Pactum); внутренние байеры отбирают поставщиков и создают сценарии обучения, юридический отдел проверяет соответствие скрипта и итогового договора корпоративным стандартам — это происходит ДО запуска; далее, по данным Pactum (2026), агенты 'conduct thousands of supplier negotiations simultaneously without requiring constant human oversight'", "technologies": ["agent", "optimization", "NLP", "predictive_ML"], "technology_basis": "HBR (2022): 'Walmart solved the problem with artificial intelligence–powered software that includes a text-based interface (or chatbot)...' и 'Internal buyers... created training scenarios for Pactum AI's machine learning algorithm. The scenarios were used to create structured scripts...'. GenAI источником не подтверждается — решение 2019–2022 гг., до массового распространения LLM-чат-ботов в продажах; на сайте Pactum (2026) также нет слова 'generative'/GenAI применительно к переговорному агенту", "human_role": "до запуска: байеры выбирают поставщиков и формируют сценарии/скрипты переговоров, юристы проверяют скрипт и итоговый договор на соответствие стандартам Walmart (HBR); в ходе переговоров — роль человека по прочитанным источникам не детализирована (Pactum говорит только о работе 'without requiring constant human oversight', то есть не о полном отсутствии человека, а о его невовлечённости в каждую отдельную сделку)", "agent_role": "ведёт диалог с поставщиком по структурированному сценарию, предлагает и принимает условия (оплата, скидки, срок уведомления о расторжении), позволяет поставщику отвечать в своём темпе и делать встречные предложения", "authority": "по данным Pactum (2026), агенты проводят тысячи переговоров одновременно 'without requiring constant human oversight'; требует ли конкретная сделка финального утверждения человеком — источниками не установлено (unknown)", "change_depth": "end_to_end_process", "deployment_stage": "production", "stage_marker_quote": "HBR (2022): 'Walmart Canada piloted the solution in January 2021... Walmart has since deployed the solution in three other countries, and Walmart operations in more countries plan to implement the technology soon.' Исходная фаза прямо названа пилотом ('The Pilot'), последующая — уже 'deployed' (расширение на США/Чили/ЮАР); дальнейшее расширение на новые страны — только план ('plan to implement soon'), не факт", "ai_native_label": "none", "ai_native_label_basis": "вендор называет это 'agentic AI in procurement' (маркетинговый термин), но по критериям проекта это точечная автоматизация конкретного процесса (переговоры по 'длинному хвосту' поставщиков), а не операционная модель компании целиком", "effects": [{"metric": "доля поставщиков, с которыми закрыта сделка — пилот Walmart Canada (89 приглашённых, 89 согласившихся участвовать)", "value": "64", "unit": "%", "baseline": "целевой ориентир пилота — 20%", "period": "пилот, январь–март 2021", "claimed_by": "HBR 2022 (соавтор — Michael DeWitt, Walmart International)", "status": "SOURCE_CLAIM"}, {"metric": "средняя экономия на переговорённых расходах — пилот", "value": "1.5", "unit": "%", "baseline": "unknown", "period": "пилот, январь–март 2021", "claimed_by": "HBR 2022", "status": "SOURCE_CLAIM"}, {"metric": "среднее время переговоров (turnaround) — пилот", "value": "11", "unit": "дней", "baseline": "unknown", "period": "пилот, январь–март 2021", "claimed_by": "HBR 2022", "status": "SOURCE_CLAIM"}, {"metric": "продление срока оплаты — пилот", "value": "35", "unit": "дней (в среднем)", "baseline": "unknown", "period": "пилот, январь–март 2021", "claimed_by": "HBR 2022", "status": "SOURCE_CLAIM"}, {"metric": "доля поставщиков, оценивших систему как удобную (пост-пилотные интервью)", "value": "83", "unit": "%", "baseline": "unknown", "period": "пилот, январь–март 2021 (пост-пилотные интервью)", "claimed_by": "HBR 2022", "status": "SOURCE_CLAIM"}, {"metric": "доля закрытых сделок — расширенная программа (США, Чили, ЮАР)", "value": "68", "unit": "%", "baseline": "64% на пилоте", "period": "по состоянию на публикацию HBR, ноябрь 2022", "claimed_by": "HBR 2022; независимо совпадает с цифрой на сайте Pactum, 2026", "status": "VERIFIED"}, {"metric": "средняя экономия — расширенная программа (США, Чили, ЮАР)", "value": "3", "unit": "%", "baseline": "1.5% на пилоте", "period": "по состоянию на публикацию HBR, ноябрь 2022", "claimed_by": "HBR 2022; независимо совпадает с цифрой на сайте Pactum, 2026", "status": "VERIFIED"}], "outcome": "mixed", "uncertainty": "Цифры пилота (64%/1.5%/11 дней/35 дней/83%) и расширенной программы (68%/3%) относятся к разным фазам и выборкам — их нельзя механически суммировать. Текущий маркетинговый материал Pactum (2026) приводит все четыре числа (3%, 35 дней, 68%, 83%) как единый набор показателей, хотя по HBR 35 дней и 83% зафиксированы именно на пилоте 2021 г., а 3%/68% — на расширенной программе после него; отдельного подтверждения, что 35 дней/83% сохранились и в расширенной программе, не найдено", "alternative_explanations": "HBR прямо приводит и позитивные, и сдержанные отзывы поставщиков (см. costs_side_effects) — то есть рост показателей с пилота (64%→68%, 1.5%→3%) может отражать не только совершенствование ИИ, но и доработку сценариев/скриптов по итогам пилота ('Walmart improved the scenarios and scripts') и расширение на страны с иной структурой поставщиков", "costs_side_effects": "HBR прямо цитирует смешанные отзывы поставщиков по итогам пилота: один поставщик (Ben Garisto, MIWE) — позитивно про возможность контрпредложения и время на обдумывание, но 'Several suppliers, however, still would have liked to negotiate face to face. Other suppliers wanted a less verbose, more fluid script'. Академический кейс Thunderbird (аннотация, 2025) независимо отмечает: 'challenges arose in maintaining supplier relationships and balancing the automated approach with the need for personal interaction'", "pdca": {"plan": "байеры и бизнес-владельцы бюджета формируют сценарии переговоров и целевые категории (goods-not-for-resale); юристы задают рамки договора", "do": "чат-бот ведёт переговоры с приглашёнными поставщиками по сценарию", "check": "пост-пилотные интервью с поставщиками (83% оценили как удобно, часть — с оговорками); сравнение факта (64%/1.5%) с целевым ориентиром пилота (20%)", "act": "Walmart доработал сценарии и скрипты и расширил решение на США, Чили, ЮАР", "who_decides": "Walmart International (бизнес-владельцы, байеры, юристы) совместно с Pactum", "standard_update": "unknown — как формально закрепляется обновлённый сценарий/скрипт после доработки, источники не описывают"}, "transfer_limits": "Кейс относится к 'длинному хвосту' низкостоимостных категорий (goods-not-for-resale), которые не продаются конечным покупателям Walmart; вендор прямо не заявляет применимость к стратегическим/крупным поставщикам. Это переговоры со стороны покупателя (закупки), а не продавца — прямой перенос на B2B-продажи (sell-side) источниками не подтверждён", "claims": [{"text_ru": "На пилоте Walmart Canada (январь–март 2021, 89 поставщиков категории goods-not-for-resale) чат-бот Pactum AI закрыл сделки с 64% поставщиков (при целевом ориентире 20%), дав в среднем 1,5% экономии и продление сроков оплаты до 35 дней; 83% участвовавших поставщиков в пост-пилотных интервью назвали систему удобной", "status": "SOURCE_CLAIM", "verification_scope": "факт проведения пилота и его результаты, со слов соавтора статьи — сотрудника Walmart International Michael DeWitt, независимо от вендора Pactum", "source_url": "https://hbr.org/2022/11/how-walmart-automated-supplier-negotiations", "locator": "статья HBR, ноябрь 2022, разделы 'The Pilot' и далее"}, {"text_ru": "После пилота Walmart расширил решение на поставщиков в США, Чили и ЮАР, где чат-бот закрывает сделки с 68% поставщиков при средней экономии 3% — эти же цифры (68%, 3%) независимо приводятся и на сайте Pactum в 2026 г.", "status": "VERIFIED", "verification_scope": "величина эффекта (доля закрытых сделок ~68%, экономия ~3%) подтверждена двумя независимыми по авторству материалами: практикоориентированной статьёй HBR 2022 г. (соавтор — сотрудник Walmart) и текущим сайтом вендора Pactum (2026)", "source_url": "https://hbr.org/2022/11/how-walmart-automated-supplier-negotiations", "locator": "статья HBR, ноябрь 2022, абзац после описания пилота; ср. https://pactum.com/clients, раздел Walmart"}, {"text_ru": "Независимый академический кейс (аннотация) отмечает трудности с поддержанием отношений с поставщиками при автоматизации переговоров у клиентов Pactum, включая Walmart", "status": "SOURCE_CLAIM", "verification_scope": "существование такой оценки в академическом источнике (аннотация, полный текст не открыт)", "source_url": "https://thunderbird.asu.edu/thought-leadership/journals-case-series/case-series-listing/pactums-ai-contract-negotiations", "locator": "аннотация кейса A09-24-0019 (Thunderbird School of Global Management, 2025)"}], "sources": [{"url": "https://hbr.org/2022/11/how-walmart-automated-supplier-negotiations", "title": "How Walmart Automated Supplier Negotiations", "publisher": "Harvard Business Review", "author": "Michael DeWitt (Walmart International) и соавторы", "date": "2022-11", "type": "journal", "locator": "полный текст статьи (получен через curl, без пейволла)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F07"}, {"url": "https://pactum.com/clients", "title": "Enterprise Client Success with Agentic AI in Procurement", "publisher": "Pactum AI (вендор)", "author": "unknown", "date": "unknown (материал актуален на 2026)", "type": "company_blog", "locator": "раздел Walmart", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F01"}, {"url": "https://thunderbird.asu.edu/thought-leadership/journals-case-series/case-series-listing/pactums-ai-contract-negotiations", "title": "Pactum's AI in Contract Negotiations: Walmart and Maersk", "publisher": "Thunderbird School of Global Management, ASU", "author": "Bill Youngdahl и соавторы", "date": "2025", "type": "other", "locator": "аннотация (case A09-24-0019); полный текст — платный доступ библиотеки", "reading_scope": "abstract_only", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F04"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Координатору решить, относится ли кейс к потоку B2B (продажи) или должен быть перенесён/продублирован в TRADE/MFG как закупочная практика (buy-side); при желании — получить полный текст кейса Thunderbird для более точной оценки рисков"}
{"id": "P01-B2B-USEU-P02", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["E2E", "RFP", "vendor_material", "sales_ops"], "organization": "Perceptyx", "org_type": "действующая компания", "process": "Подготовка ответов на RFP и опросники по безопасности поставщика (VSQ) для B2B-клиентов software/HR-analytics компании с помощью ИИ-агентов Responsive", "period": "кейс опубликован Responsive 2025-04-30 (datePublished в разметке страницы); переход на GenAI-агентов состоялся до публикации, точная дата внедрения источником не названа", "industry": "программное обеспечение / HR-аналитика (employee experience)", "function": "подготовка коммерческих предложений и ответов на RFP/тендеры", "b2b_b2c": "B2B", "country": "US", "country_basis": "штаб-квартира Perceptyx — Temecula, Калифорния, США", "before": "Ручной поиск ответов в статичной базе Q&A, копирование-вставка, эскалация оставшихся вопросов профильным экспертам (SME) по почте и в Slack; рост объёма опросников по безопасности (VSQ) не успевали закрывать имеющимися инструментами", "after": "Roger Bedore (RFP Team Lead, нанят отчасти за опыт работы с Responsive) 'activated' генеративный ИИ (GenAI) для команды; агент File Mapping автоматически разбирает документ RFP, агент Answering формирует черновой ответ по централизованной базе контента с указанием источника; команда получает первый черновик за 30 минут; Responsive Ask даёт самообслуживание по вопросам клиентов в порталах; SME теперь только проверяют финальные черновики, а не отвечают на повторяющиеся вопросы", "technologies": ["GenAI", "agent", "NLP"], "technology_basis": "Responsive (текст кейса): '...he was tasked with activating generative AI (GenAI) to improve his team's efficiency and effectiveness'; страница также содержит прямые упоминания LLM/GPT в связи с работой ассистента", "human_role": "модерация контентной библиотеки, финальная проверка черновиков SME, стратегические решения по заявке", "agent_role": "разбор входящего документа (File Mapping Agent), поиск и генерация черновых ответов из базы контента (Answering Agent) с указанием источника, самообслуживание по типовым вопросам (Responsive Ask)", "authority": "агент самостоятельно формирует черновик ответа с цитированием источника; отправка клиенту — после проверки человеком (полностью автономная отправка источником не заявлена)", "change_depth": "end_to_end_process", "deployment_stage": "production", "stage_marker_quote": "прямая цитата сотрудника в настоящем времени, описывающая текущую работу: '– We get first drafts ready in 30 minutes' и 'I answered 90% of a 300-question security questionnaire using Responsive' (Roger Bedore, RFP Team Lead)", "ai_native_label": "none", "ai_native_label_basis": "внедрение конкретного ИИ-инструмента в существующий процесс подготовки RFP; данных для вывода об изменении операционной модели компании в целом нет", "effects": [{"metric": "время подготовки первого черновика заявки", "value": "30", "unit": "минут", "baseline": "не указана количественно (ранее — дольше)", "period": "unknown", "claimed_by": "Perceptyx / Responsive (вендор)", "status": "SOURCE_CLAIM"}, {"metric": "доля вопросника по безопасности (VSQ) из 300 вопросов, закрытая самостоятельно сотрудником с помощью Responsive", "value": "90", "unit": "%", "baseline": "unknown", "period": "unknown", "claimed_by": "Roger Bedore, RFP Team Lead, Perceptyx", "status": "SOURCE_CLAIM"}, {"metric": "число обрабатываемых RFP в год без увеличения штата", "value": "75", "unit": "RFP/год", "baseline": "unknown", "period": "год", "claimed_by": "Perceptyx / Responsive (вендор)", "status": "SOURCE_CLAIM"}, {"metric": "число обрабатываемых VSQ в год без увеличения штата", "value": "150", "unit": "VSQ/год", "baseline": "unknown", "period": "год", "claimed_by": "Perceptyx / Responsive (вендор)", "status": "SOURCE_CLAIM"}, {"metric": "размер команды RFP", "value": "4", "unit": "человека", "baseline": "не увеличивался при росте нагрузки", "period": "unknown", "claimed_by": "Perceptyx / Responsive (вендор)", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "Материал — публикация вендора (Responsive) с цитатами одного сотрудника клиента (Roger Bedore); независимой проверки цифр или альтернативного источника со стороны Perceptyx не найдено", "alternative_explanations": "Возможен отбор наиболее позитивного клиентского кейса вендором для маркетинга; наём Roger Bedore специально под задачу внедрения GenAI мог сам по себе улучшить процесс независимо от конкретной технологии", "costs_side_effects": "Явных негативных эффектов, издержек внедрения или отката в материале не упомянуто (типично для вендорского кейса — заявленных ограничений нет)", "pdca": null, "transfer_limits": "Кейс относится к компании среднего размера (101-500 сотрудников) с уже существующей централизованной базой контента; перенос на компании без налаженной базы знаний или с высокой кастомизацией предложений под клиента менее очевиден", "claims": [{"text_ru": "Команда из 4 человек с помощью Responsive AI готовит первый черновик заявки за 30 минут и закрывает 90% опросника по безопасности из 300 вопросов без привлечения профильных экспертов", "status": "SOURCE_CLAIM", "verification_scope": "заявленная величина эффекта и изменение процесса со слов клиента, опубликовано вендором", "source_url": "https://www.responsive.io/customer-stories/perceptyx", "locator": "кейс Perceptyx, цитата Roger Bedore, RFP Team Lead"}], "sources": [{"url": "https://www.responsive.io/customer-stories/perceptyx", "title": "Perceptyx Create Proposals in 30 Minutes with Responsive AI Agents", "publisher": "Responsive (вендор)", "author": "Responsive", "date": "2025-04-30", "type": "company_blog", "locator": "полный текст кейса (datePublished в JSON-LD разметке страницы)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F02"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "При появлении бюджета — найти независимое подтверждение (например, отзыв Perceptyx на G2/Gartner Peer Insights или их собственную публикацию)"}
{"id": "P01-B2B-USEU-P03", "record_kind": "practice", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["E2E", "RFP", "vendor_material", "sales_ops", "healthcare_software"], "organization": "Netsmart", "org_type": "действующая компания", "process": "Подготовка ответов на RFP/RFx для клиентов health-tech компании с помощью генеративного ИИ-ассистента Responsive", "period": "клиент Responsive с 2019 г. ('when Netsmart started using Responsive'); между 2019 и 2022 компания добавила 13 новых продуктов без расширения штата команды предложений (это описание роста нагрузки, а не даты внедрения ИИ-ассистента конкретно); кейс опубликован Responsive 2024-05-09 (datePublished в разметке страницы)", "industry": "здравоохранение / медицинское ПО (behavioral health software)", "function": "подготовка коммерческих предложений и ответов на RFP/тендеры", "b2b_b2c": "B2B", "country": "US", "country_basis": "штаб-квартира Netsmart — Overland Park, Канзас, США", "before": "Между 2019 и 2022 гг. Netsmart добавила 13 новых продуктов без увеличения штата команды предложений, объём контента вырос на треть; параллельно работали разрозненные 'теневые' команды ответов, дублируя работу; ручной поиск в контентной библиотеке занимал 5-10 минут на вопрос", "after": "'AI Assistant is a generative AI that draws from the Netsmart moderated Content Library to draft new responses in seconds' — ассистент анализирует документ RFx, сопоставляет вопросы с библиотекой контента и предлагает готовые черновые ответы; люди дорабатывают формулировки, добавляют аргументы выигрыша ('win themes') и принимают решения о вовлечении заинтересованных сторон", "technologies": ["GenAI", "NLP", "agent"], "technology_basis": "Responsive (текст кейса): 'AI Assistant is a generative AI that draws from the Netsmart moderated Content Library to draft new responses in seconds'", "human_role": "доработка и персонализация черновиков, добавление стратегических аргументов, финальная проверка точности, решения о вовлечении стейкхолдеров", "agent_role": "анализ RFx-документа, сопоставление вопросов с базой контента, автозаполнение черновых ответов", "authority": "агент формирует черновой ответ автоматически; финальное решение об отправке и содержании — за человеком (по прямому описанию роли SME/команды в тексте, а не по домыслу)", "change_depth": "end_to_end_process", "deployment_stage": "production", "stage_marker_quote": "прямая цитата в настоящем/прошедшем времени о фактическом использовании: '...Netsmart deployed Responsive AI Assistant and quickly accelerated response time from five minutes to 30 seconds per answer' и 'With AI Assistant, it is actually answering, on average, our questions in 30 seconds' (Andrew Mersman)", "ai_native_label": "none", "ai_native_label_basis": "точечное внедрение ИИ-ассистента в существующий процесс подготовки RFP на фоне многолетнего (с 2019) использования платформы Responsive; признаков смены операционной модели компании в целом не найдено", "effects": [{"metric": "среднее время ответа на вопрос по базе контента", "value": "с 5 минут до 30 секунд (10-кратное ускорение)", "unit": "время", "baseline": "5-10 минут вручную", "period": "период 10 месяцев после внедрения AI Assistant (точные календарные даты не названы)", "claimed_by": "Netsmart (Andrew Mersman) / Responsive (вендор)", "status": "SOURCE_CLAIM"}, {"metric": "рост числа поданных предложений", "value": "67", "unit": "% за 10 месяцев", "baseline": "unknown", "period": "10 месяцев", "claimed_by": "Netsmart / Responsive (вендор)", "status": "SOURCE_CLAIM"}, {"metric": "рост адаптации/использования инструмента пользователями", "value": "540", "unit": "%", "baseline": "unknown", "period": "unknown (связано с построением 'доверенной' контентной библиотеки, дата не названа)", "claimed_by": "Netsmart / Responsive (вендор)", "status": "SOURCE_CLAIM"}, {"metric": "проектная экономия времени", "value": "3000+", "unit": "часов/год", "baseline": "unknown", "period": "год", "claimed_by": "Netsmart / Responsive (вендор)", "status": "SOURCE_CLAIM"}, {"metric": "изменение штата", "value": "0", "unit": "доп. сотрудников не потребовалось", "baseline": "unknown", "period": "unknown", "claimed_by": "Netsmart / Responsive (вендор)", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "Вендорский кейс с цитатой одного сотрудника (Andrew Mersman); часть эффекта (рост на 67% числа предложений) может отражать и другие изменения процесса (консолидация 'теневых' команд, интеграция с Salesforce), а не только ИИ-компонент; точные календарные даты внедрения AI Assistant (в отличие от даты начала работы с Responsive в 2019) источником не названы", "alternative_explanations": "Одновременно с внедрением ИИ проведена консолидация ранее разрозненных 'теневых' команд ответов — это организационное изменение могло внести значимый вклад независимо от ИИ-компонента", "costs_side_effects": "Источник прямо называет предпосылку, без которой внедрение не сработало бы: необходимость сначала выстроить процессы и собрать качественный ('moderated') контент; опасения по безопасности данных на старте были, но, по словам компании, быстро сняты", "pdca": null, "transfer_limits": "Кейс охватывает компанию среднего-крупного размера (1000-4999 сотрудников) с многолетней (с 2019) базой контента; эффект в 10x на времени ответа относится к поиску в библиотеке контента, а не ко всему циклу подготовки предложения целиком", "claims": [{"text_ru": "После внедрения генеративного AI Assistant от Responsive время поиска ответа в базе контента сократилось с 5-10 минут до 30 секунд, число поданных предложений выросло на 67% за 10 месяцев", "status": "SOURCE_CLAIM", "verification_scope": "заявленная величина эффекта и изменение процесса со слов клиента, опубликовано вендором", "source_url": "https://www.responsive.io/customer-stories/netsmart", "locator": "кейс Netsmart, цитата Andrew Mersman, Senior Director of Solution Consulting"}], "sources": [{"url": "https://www.responsive.io/customer-stories/netsmart", "title": "Netsmart case study", "publisher": "Responsive (вендор)", "author": "Responsive", "date": "2024-05-09", "type": "company_blog", "locator": "полный текст кейса (datePublished в JSON-LD разметке страницы)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F03"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Проверить, есть ли отдельная публикация Netsmart (не вендора) об этом изменении процесса — для независимого угла"}
{"id": "P01-B2B-USEU-P04", "record_kind": "practice", "novelty": "updated", "prior_id": "CAND-eda454ce9c6dd8ba", "stream_primary": "B2B", "tags": ["E2E", "OPMODEL", "AGENTINFRA"], "organization": "Vercel", "org_type": "действующая компания (венчурный cloud/hosting провайдер для разработчиков)", "process": "Квалификация и маршрутизация входящих заявок (inbound leads) отдела продаж 'lead agent'-ом; уже зафиксировано в реестре пакета по заголовку (CAND-eda454ce9c6dd8ba) — карточка добавляет методологию сборки, экономику и статус внедрения, которых заголовок не передаёт", "period": "Jeanne DeWitt Grosser сформировала GTM-engineering команду в Vercel в июне 2025 (через 6 недель после начала работы в компании); прототип агента один инженер сделал за выходные, агент вышел в прод через 6 недель после прототипа (точная календарная дата не названа ни в одном источнике); методология и экономика подробно описаны инженером-автором agент а Drew Bredvick 23.01.2026; сводка COO с цифрами $5000/год и 32x ROI — интервью Jason Lemkin, SaaStr, 02.07.2026 ('десять месяцев спустя' после июня 2025)", "industry": "разработка ПО / облачная инфраструктура (developer platform)", "function": "поиск и квалификация клиентов (маршрутизация и квалификация входящих лидов)", "b2b_b2c": "B2B", "country": "US", "country_basis": "штаб-квартира Vercel — США", "before": "По словам инженера-автора агента (drew.tech): 'Before the lead agent, our contact sales form was a disaster' — много спама (форма публичная), время ответа доходило до 24-48 часов, так как заявки распределялись на 'следующего свободного' SDR вне зависимости от часового пояса", "after": "Инженер (drew.tech, автор) неделю наблюдал за лучшим SDR компании ('Shadow Your Best SDR'), фиксируя, какие сигналы её воодушевляли по лиду, что заставляло сразу дисквалифицировать, как она искала информацию о компаниях; на этой основе построен агент на базе Vercel AI SDK (агент + структурированные ответы), Workflow DevKit (оркестрация многошагового процесса), Vercel Slack Adapter (human-in-the-loop) и Exa.ai (веб-поиск для research); агент классифицирует заявку (qualified, follow-up, support, not sales-related), уведомляет SDR в Slack с обоснованием и для квалифицированных лидов уже готовит черновик письма", "technologies": ["agent", "GenAI"], "technology_basis": "drew.tech: 'Tech stack: Next.js — the app itself; AI SDK — agent + structured outputs; Workflow DevKit — durable execution...; Vercel Slack Adapter — human-in-the-loop approval flow; Exa.ai — web search for research'. Явного слова GenAI/generative в источниках нет, но использование LLM для генерации структурированных решений и черновиков писем (generateObject-подобный паттерн 'AI SDK — agent + structured outputs') соответствует классу GenAI; помечено с осторожностью, так как дословно термин GenAI источники не употребляют", "human_role": "SDR (1,25 человека на функцию) получает предквалифицированный лид с полным контекстом и обоснованием решения агента и 'press send' (drew.tech); Slack Adapter обеспечивает 'human-in-the-loop' на этапе одобрения; по drew.tech — лучший SDR лично проверял и правил выводы агента в процессе разработки ('the top SDR reviewed every output and fed corrections back in', SaaStr)", "agent_role": "обогащает заявку данными (Clearbit/ZoomInfo и др.), проводит research по компании/контакту, классифицирует лид, уведомляет SDR в Slack с обоснованием, для квалифицированных лидов готовит черновик письма", "authority": "агент самостоятельно классифицирует и маршрутизирует заявки и готовит черновики писем; финальная отправка — за человеком ('they review pre-qualified leads with full context and press send', drew.tech); ежедневный мониторинг агента человеком сохраняется", "change_depth": "operation", "deployment_stage": "production", "stage_marker_quote": "SaaStr: 'A single engineer prototyped the first version over a weekend. It was in production six weeks later.' Дальнейшее применение того же подхода к другим 30 SDR-воркфлоу также описано в настоящем времени как факт, а не план", "ai_native_label": "our_interpretation", "ai_native_label_basis": "Ни SaaStr, ни tomtunguz.com, ни drew.tech не содержат прямого самоопределения Vercel как 'AI-native' применительно к этому кейсу (проверено по тексту, совпадений 'AI-native'/'AI native' нет); ярлык не подтверждён цитатой — оставлен как наша интерпретация степени автоматизации функции, не как заявление компании", "effects": [{"metric": "сокращение штата SDR-функции (квалификация входящих)", "value": "с 10 до ~1,25 человек", "unit": "штат", "baseline": "10 SDR", "period": "прототип → прод за 6 недель (даты не названы); данные актуальны на публикацию SaaStr, 2026-07-02", "claimed_by": "SaaStr / Jason Lemkin (интервью с Jeanne DeWitt Grosser)", "status": "SOURCE_CLAIM"}, {"metric": "годовая стоимость агента — версия SaaStr (только инфраструктура и токены, БЕЗ труда инженера)", "value": "5000", "unit": "USD/год", "baseline": "unknown", "period": "на 2026-07-02", "claimed_by": "SaaStr / Jason Lemkin (со слов Jeanne DeWitt Grosser); отдельно там же указано, что поддержка требует 20% времени одного инженера — этот труд в $5000 не включён", "status": "SOURCE_CLAIM"}, {"metric": "годовая стоимость агента — версия drew.tech (инженерные часы + API), с итоговой экономией", "value": "~60000 (расходы) при экономии ~2 000 000+/год", "unit": "USD/год", "baseline": "unknown", "period": "на 2026-01-23", "claimed_by": "Drew Bredvick (инженер, лично строивший агента), drew.tech", "status": "CONFLICT"}, {"metric": "ROI", "value": "32x", "unit": "кратность", "baseline": "unknown", "period": "unknown", "claimed_by": "оба источника (SaaStr и drew.tech) называют одну и ту же цифру 32x, но при разных заявленных базах затрат ($5000 у SaaStr vs ~$60K у drew.tech; арифметически 32x соответствует базе ~$60K при экономии $2M+, а не базе $5000 — это НАША арифметика, HYPOTHESIS, не утверждение источника)", "status": "CONFLICT"}, {"metric": "коэффициент конверсии лида в возможность (opportunity)", "value": "сохранён на уровне человеческой команды ('flat')", "unit": "качественно", "baseline": "уровень команды из 10 SDR", "period": "unknown", "claimed_by": "SaaStr (Jeanne DeWitt Grosser)", "status": "SOURCE_CLAIM"}, {"metric": "рост квот SDR по 30 воркфлоу за квартал", "value": "30", "unit": "%", "baseline": "unknown", "period": "квартал (не названо, какой именно)", "claimed_by": "SaaStr (Jeanne DeWitt Grosser)", "status": "SOURCE_CLAIM"}], "outcome": "success", "uncertainty": "Стоимость и ROI даны в двух источниках с прямым числовым расхождением по базе затрат ($5000/год без труда инженера у SaaStr против ~$60000/год с трудом инженера у drew.tech), при этом оба называют одинаковый ROI 32x — вероятно, 32x рассчитан именно от базы ~$60K, а цифра $5000 у SaaStr относится к более узкой статье расходов (инфраструктура и токены) и не является полной стоимостью владения. Ни один из источников не является независимым аудитом — все данные исходят от самой Vercel (COO и инженер)", "alternative_explanations": "Возможен отбор наиболее презентабельного кейса для серии публичных выступлений (Lenny's Podcast, Human in the Loop podcast, SaaStr) в условиях, когда сама Vercel продаёт AI-инфраструктуру для разработчиков и заинтересована в популяризации темы agentic GTM", "costs_side_effects": "SaaStr прямо указывает, что поддержка агента требует 20% времени одного инженера (не входит в цифру $5000/год); drew.tech отдельно закладывает эти же инженерные часы в стоимость (~$60K/год). Источник (SaaStr) также отмечает риск масштабирования: 'cost surprises emerge at 100x-1,000x scale, not during pilots' — то есть экономика пилотного масштаба не обязательно переносится на прод без изменений. Ежедневный мониторинг агента человеком остаётся необходимым для предотвращения деградации качества", "pdca": {"plan": "документирование workflow лучшего SDR ('Shadow Your Best SDR') как основы будущего агента, до написания кода", "do": "быстрый прототип за выходные без интеграции с продовыми системами ('vibe code it'), затем инженерная доработка при подключении к CRM/данным", "check": "лучший SDR проверял и правил каждый вывод агента до выхода на плато по качеству ('the top SDR reviewed every output and fed corrections back in')", "act": "перевод в прод через 6 недель после прототипа; тот же подход воспроизведён на 30 других SDR-воркфлоу", "who_decides": "GTM-engineering команда под руководством COO Jeanne DeWitt Grosser", "standard_update": "unknown — формальный процесс обновления workflow/playbook агента после запуска не описан"}, "transfer_limits": "Кейс о входящих (inbound) заявках у компании-разработчика инфраструктурного ПО с высоким объёмом однотипных технических лидов; перенос на исходящие (outbound) продажи или на менее стандартизируемые B2B-продукты источниками не заявлен", "claims": [{"text_ru": "Vercel сократила SDR-функцию, обрабатывающую входящие заявки, с 10 человек до 1,25, при этом агент вышел в прод через 6 недель после прототипа, сделанного одним инженером за выходные", "status": "SOURCE_CLAIM", "verification_scope": "заявленные штат и сроки построения агента со слов COO Vercel (SaaStr) и инженера-автора (drew.tech) — согласуются между собой", "source_url": "https://www.saastr.com/vercel-took-a-10-person-sdr-team-down-to-1-the-whole-thing-costs-5000-a-year-with-vercels-coo-jeanne-dewitt-grosser/", "locator": "статья Jason Lemkin, SaaStr, 2026-07-02, интервью с Jeanne DeWitt Grosser"}, {"text_ru": "Технически агент построен на Vercel AI SDK (агент + структурированные ответы), Workflow DevKit, Vercel Slack Adapter (human-in-the-loop) и Exa.ai (веб-поиск); методология — неделя наблюдения за лучшим SDR перед написанием кода", "status": "SOURCE_CLAIM", "verification_scope": "методология и технический стек со слов инженера, лично построившего агента", "source_url": "https://drew.tech/posts/building-vercels-first-gtm-agent", "locator": "Drew Bredvick, 'Building Vercel's First GTM Agent', 2026-01-23"}, {"text_ru": "Стоимость и ROI агента по-разному представлены в двух источниках Vercel: $5000/год (инфраструктура и токены, без учёта 20% времени инженера) у SaaStr против ~$60000/год (инженерные часы + API) при экономии $2M+/год у drew.tech; оба называют ROI 32x", "status": "CONFLICT", "verification_scope": "расхождение базы затрат при совпадении итогового ROI — оба источника от самой Vercel, независимого третьего материала нет", "source_url": "https://drew.tech/posts/building-vercels-first-gtm-agent", "locator": "drew.tech, раздел 'The ROI Math'; ср. https://www.saastr.com/vercel-took-a-10-person-sdr-team-down-to-1-the-whole-thing-costs-5000-a-year-with-vercels-coo-jeanne-dewitt-grosser/"}], "sources": [{"url": "https://www.saastr.com/vercel-took-a-10-person-sdr-team-down-to-1-the-whole-thing-costs-5000-a-year-with-vercels-coo-jeanne-dewitt-grosser/", "title": "Vercel Took a 10-Person SDR Team Down to 1. The Whole Thing Costs $5,000 a Year.", "publisher": "SaaStr", "author": "Jason Lemkin", "date": "2026-07-02", "type": "media", "locator": "полный текст статьи (интервью с Jeanne DeWitt Grosser, COO Vercel)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F06"}, {"url": "https://drew.tech/posts/building-vercels-first-gtm-agent", "title": "Building Vercel's First GTM Agent", "publisher": "Drew Bredvick (личный блог)", "author": "Drew Bredvick", "date": "2026-01-23", "type": "person_author", "locator": "полный текст статьи (инженер, лично построивший агента; текст — переработка интервью на подкасте Human in the Loop с Alex Lieberman)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F08"}, {"url": "https://tomtunguz.com/vercel-ai-sales-agents-jeanne-grosser/", "title": "Vercel's AI Sales Agent: 10 SDRs Down to 1 in Six Weeks", "publisher": "Tomasz Tunguz (Theory Ventures)", "author": "Tomasz Tunguz", "date": "2025-11-30", "type": "person_author", "locator": "пересказ выступления Jeanne Grosser на Lenny's Podcast; методологию сборки не описывает подробно, только штат/сроки/результат", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F05"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "Координатору свериться с содержанием CAND-eda454ce9c6dd8ba: если drew.tech (уже в known-urls) там уже использован и методология зафиксирована — оставить в этой карточке только новый материал (цифры SaaStr 2026-07 и CONFLICT по стоимости); иначе — объединить"}
{"id": "P01-B2B-USEU-S01", "record_kind": "source", "novelty": "new", "prior_id": null, "stream_primary": "B2B", "tags": ["RFP", "company_blog", "vendor_case_studies"], "entity_type": "company_blog", "name": "Responsive (Customer Stories)", "author": "Responsive, Inc.", "url": "https://www.responsive.io/customer-stories", "language": "en", "country": "US", "country_basis": "штаб-квартира вендора Responsive — США", "topics": ["RFP/RFx-автоматизация", "вопросники по безопасности (VSQ)", "коммерческие предложения", "ИИ-агенты в продажах"], "processes": ["подготовка ответов на RFP/тендеры", "CPQ-смежные процессы (Responsive Ask для self-service ответов клиентам)"], "why_selected": "Единственный найденный в бюджете пакета источник с несколькими содержательными, разными по компаниям кейсами применения ИИ именно в подготовке RFP-ответов у названных клиентов (Perceptyx, Netsmart) — ядро предмета пакета P01", "relevant_publications": [{"url": "https://www.responsive.io/customer-stories/perceptyx", "title": "Perceptyx Create Proposals in 30 Minutes with Responsive AI Agents", "date": "2025-04-30", "summary_ru": "Кейс Perceptyx: первый черновик RFP за 30 минут, 90% вопросника по безопасности без SME, 75 RFP и 150 VSQ в год командой из 4 человек", "reading_scope": "full_text"}, {"url": "https://www.responsive.io/customer-stories/netsmart", "title": "Netsmart case study", "date": "2024-05-09", "summary_ru": "Кейс Netsmart: 10-кратное ускорение поиска ответа (5-10 мин → 30 сек) с помощью генеративного AI Assistant, рост поданных предложений на 67% за 10 месяцев", "reading_scope": "full_text"}], "last_activity": {"date": "2025-04-30 (дата последней из двух прочитанных публикаций; страница customer-stories продолжает действовать на момент обращения 2026-09-24)", "basis": "datePublished в JSON-LD разметке страницы кейса Perceptyx"}, "observed_frequency": {"value": "unknown", "period_observed": "не отслеживалось", "method": "разовое обращение в рамках пакета; частота публикации новых кейсов не измерялась"}, "audience": "unknown", "coverage_note": "Кейсы охватывают только клиентов, выбранных вендором для маркетинга; полноты по индустриям/регионам нет — оба прочитанных примера из США", "reliability_note": "Материал поставщика (rule 8 WORKER.md): цифры не проходили независимую проверку, но содержат прямые цитаты названных сотрудников клиентов, что выше типичного анонимного маркетингового кейса", "quality_limits": "Нет единообразной методологии подсчёта эффектов между кейсами; точные даты начала внедрения ИИ-компонента (в отличие от даты публикации кейса) часто не названы", "priority": "watch", "update_methods": [{"type": "public_web", "url": "https://www.responsive.io/customer-stories", "how_found": "observed_on_page", "tested": false}], "recommended_check_frequency": "раз в 2-3 месяца (HYPOTHESIS) — вендор публикует кейсы нерегулярно, раздел стоит проверять при следующих итерациях по потоку B2B/RFP", "claims": [{"text_ru": "Раздел customer-stories Responsive содержит минимум два разных содержательных кейса с ИИ в процессе подготовки RFP у названных клиентов (Perceptyx, Netsmart), оба прочитаны полностью", "status": "SOURCE_CLAIM", "verification_scope": "существование и содержание двух публикаций, прочитанных полностью", "source_url": "https://www.responsive.io/customer-stories", "locator": "страницы /customer-stories/perceptyx и /customer-stories/netsmart"}], "sources": [{"url": "https://www.responsive.io/customer-stories/perceptyx", "title": "Perceptyx Create Proposals in 30 Minutes with Responsive AI Agents", "publisher": "Responsive", "author": "Responsive", "date": "2025-04-30", "type": "company_blog", "locator": "полный текст", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F02"}, {"url": "https://www.responsive.io/customer-stories/netsmart", "title": "Netsmart case study", "publisher": "Responsive", "author": "Responsive", "date": "2024-05-09", "type": "company_blog", "locator": "полный текст", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P01-B2B-USEU-F03"}], "author_model": "claude-sonnet-5", "reviewer": "", "next_action": "При следующей итерации проверить раздел customer-stories на новые кейсы и попытаться получить не менее 2 дополнительных содержательных публикаций для смены priority на 'priority'"}