B2B-продажи: карта практики

ИИ в B2B-продажах в собранном материале закрепился прежде всего на «бумажной» части сделки: подготовке ответов на RFP, ценовых расчётах и переговорах о ценах и сроках, а не на всей воронке. Успешные случаи (США, Россия, Китай) показывают ускорение конкретной операции в разы при сохранении решения за человеком; провалы сосредоточены там, где ИИ пытались поставить на место живого продавца целиком (автономные холодные звонки Vagabond и автономный AI SDR ZoomInfo, Airtable отменили после пилота). Цифры почти везде — заявления самих компаний или их вендоров, независимого подтверждения нет; для Vercel два источника самой компании даже расходятся между собой в оценке стоимости и ROI. Регионально плотнее всего покрыты США; по России и Китаю материала меньше, но он именованный. Закрытые тендеры/госзакупки РФ, партнёрские каналы сбыта и рынки Японии, Индии и Латинской Америки — открытый пробел, не «отсутствие ИИ», а нехватка найденных источников. Ниже: карта процесса, 12 практик с ID реестра, разбор показательных случаев и то, что из этого следует для руководителя.

Карта процесса

Собранные практики покрывают процесс B2B-продаж неравномерно:

Поиск и квалификация клиентов — Vercel (входящие заявки, США).
CRM — отдельных именованных ИИ-практик по ведению CRM в B2B не найдено; ИИ встречается внутри CRM-платформ как часть более широких функций (например, обогащение заявки данными у Vercel).
КП / RFP / тендеры — Perceptyx, Netsmart (США, ответы на RFP и опросники безопасности); Klöckner (Германия, обработка входящих котировок и заказов).
CPQ / цены — АрхиМед, Фаско+ (Россия, прогноз спроса и цены); 河北杭发科技 (Китай, генерация цены по входящим запросам, механизм не раскрыт).
Переговоры — Walmart/Pactum, A.P. Moller–Maersk/Keelvar — обе практики со стороны покупателя (buy-side), включены как «вторая сторона» B2B-сделки, потому что показывают, как контрагент продавца использует ИИ в переговорах и тендерах.
Сопровождение и повторные продажи — данных практически нет: единственный найденный целенаправленный поиск по account management/renewals дал только анонимные вендорские кейсы, которые пришлось отклонить. Это самый слабо покрытый участок воронки.

Таблица практик

Организация	Страна	Процесс	Технология	Стадия	Заявленный эффект (кто заявил)	Исход / неопределённость	ID
Walmart (технология — Pactum AI)	США	Переговоры с поставщиками об оплате и скидках (buy-side)	agent	эксплуатация	~3% выгоды по сделке, +35 дней к сроку оплаты, 68% сделок закрыто через платформу, 83% поставщиков довольны (Pactum, вендор)	неопределённый: только заявления вендора, независимого подтверждения нет	I2-PR-0001
Perceptyx	США	Подготовка ответов на RFP и опросники безопасности (VSQ)	GenAI, agent	эксплуатация	первый черновик за 30 мин, 90% опросника из 300 вопросов закрыто командой до InfoSec, 75 RFP и 150 VSQ/год без роста штата (4 чел.) (Perceptyx/Responsive, вендор)	успех, вендорский кейс с одним цитируемым сотрудником	I2-PR-0002
Netsmart	США	Подготовка RFP: сначала платформа + ML-рекомендатель, затем GenAI-ассистент	GenAI, recsys	эксплуатация	рост числа заявок +67% и go-forward rate 65%→93% — до GenAI-ассистента; после его добавления время ответа 5–10 мин → 30 сек (Netsmart/Responsive, вендор)	успех, но бизнес-эффект нельзя приписывать именно GenAI-части	I2-PR-0003
Vercel	США	Квалификация и маршрутизация входящих заявок продаж	agent, GenAI	эксплуатация	штат SDR 10→1,25 чел.; стоимость $5 000/год (SaaStr) против ~$60 000/год (drew.tech); ROI 32x в обоих источниках	успех, но два источника самой компании расходятся в базе затрат — противоречие не устранено	I2-PR-0004
ООО «АрхиМед»	Россия	Прогноз спроса и динамическое ценообразование (фармдистрибуция)	predictive_ML, optimization	эксплуатация	скорость анализа цен и принятия решений +50% (Сбер2B, вендор)	успех, единственная агрегированная метрика без базовых цифр	I2-PR-0015
Группа «Фаско+»	Россия	Прогноз продаж и ассортиментное планирование	predictive_ML	эксплуатация (>3 лет)	точность прогноза 58,9%→71,8%→76,4% (2019/2022/2025), доля невыполненных заказов 10%→1,5%, время планирования 3 дня→15 мин, экономия ФОТ 3,5 млн руб./год (компания)	успех с явно признанным ограничением (погодные сдвиги сезона модель не учитывает)	I2-PR-0016
Vagabond	Россия	Холодные звонки потенциальным B2B-клиентам	agent, NLP	откат	0 лидов за ~4 месяца, потрачено 200 000 руб. (компания)	неудача, канал закрыт полностью	I2-PR-0017
河北杭发科技 (Hebei Hangfa)	Китай	Запуск товарной категории на Alibaba.com: публикация карточек, визуал, цена по RFQ, проверка покупателя	GenAI, other	эксплуатация	конверсия клик→запрос +59,3%, запрос→заказ +46,2%, выручка за 1-й месяц 3 млн юаней (платформа/продавец)	успех, но источник сам не привязывает рост исключительно к ИИ	I2-PR-0018
ZoomInfo	США	Пилот AI SDR (11x.ai) для исходящих продаж	agent, GenAI	пилот, не продолжён	«результат значительно хуже» штатных SDR (представитель ZoomInfo)	неудача	I2-PR-0044
Airtable	США	Короткий пробный период того же AI SDR (11x.ai)	agent, GenAI	пилот, не продолжён	«не подошло для нашего бизнеса», не дошло до продакшена (представитель Airtable)	неудача	I2-PR-0045
A.P. Moller–Maersk	Дания	Стратегический сорсинг и RFP-тендеры по всем категориям расходов (buy-side)	optimization, RPA	эксплуатация	$65 млрд оптимизированных расходов (период не указан), 200 RFP за первый месяц, цикл «недели → дни/часы» (Keelvar, вендор)	успех, вендорский кейс с одной цитатой клиента	I2-PR-0066
Klöckner & Co SE	Германия	Автоматическая обработка запросов на котировки и заказов (сталь)	other	эксплуатация (данные 2020–2021, сервис числится в линейке и в 2026)	~500 млн € обработано за год, доля цифровых продаж 35%→>45% (компания через Kallanish/EUROMETAL)	неопределённый: доля продаж — эффект всех цифровых каналов вместе, не инструмента отдельно; в том же квартале шла реструктуризация на ~20 млн €	I2-PR-0074

Показательные случаи

1. Vercel: 10 SDR → 1,25, но с конфликтом по стоимости

Vercel (разработчик облачной инфраструктуры, США) построила агента для квалификации входящих заявок продаж: инженер неделю наблюдал за лучшим SDR-сотрудником, затем за выходные собрал прототип, через 6 недель агент был в проде (I2-PR-0004). По интервью COO Vercel Jeanne DeWitt Grosser изданию SaaStr (2 июля 2026 года), штат SDR-функции сократился с 10 человек до 1,25, а годовая стоимость — $5 000 (инфраструктура и токены, без учёта 20% времени поддерживающего инженера). Но инженер, лично построивший агента, в собственном блоге (23 января 2026 года) называет другую стоимость — около $60 000/год с учётом инженерных часов — при экономии свыше $2 млн/год. Оба источника называют одинаковый ROI 32x, хотя арифметически он ближе к базе $60 000, а не $5 000. Это расхождение зафиксировано в реестре как противоречие между источниками: обе цифры — от самой компании, независимого аудита нет, а тот же источник (SaaStr) прямо предупреждает, что «сюрпризы по стоимости возникают при масштабировании в 100–1000 раз, не в пилотах».

2. ZoomInfo и Airtable: два отказа от одного и того же AI SDR

TechCrunch (24 марта 2025 года) расследовал заявления стартапа 11x.ai о «клиентах», обнаружив, что часть из них клиентами не являлась или отказалась от продукта. ZoomInfo провела месячный пилот (середина января — середина февраля) и не продолжила: «продукт показал результаты значительно хуже штатных сотрудников-SDR» (представитель компании) (I2-PR-0044). Airtable провела «очень короткий» пробный период в конце 2024 года и заявила, что решение «не подошло для нашего бизнеса», не было развёрнуто в продакшене и не передавалось отделу продаж (I2-PR-0045). При этом 11x продолжал указывать обе компании как «клиентов» на своём сайте спустя месяцы после отказа — юрист ZoomInfo направил вендору письмо с угрозой иска. Ни один источник не называет числовых метрик пилотов — только качественную оценку; но сам факт двух независимых отказов от одного и того же класса продукта в течение одного полугодия — предупреждающий сигнал для рынка AI SDR в целом, хотя, как отмечает тот же материал, у других клиентов 11x продукт продолжал использоваться.

3. Vagabond: 200 000 рублей за автономный обзвон без единого лида

Небольшое российское брендинговое агентство Vagabond решило протестировать холодные звонки как новый канал привлечения (раньше клиенты приходили в основном по рекомендациям) и подключило голосового ИИ-робота подрядчика, интегрированного с CRM (I2-PR-0017). За примерно 4 месяца, при трёх сменах команды подрядчика, не получили ни одного лида, потратили 200 000 руб. и полностью отказались от канала. Сооснователь компании в интервью Т-Банку (17 февраля 2026 года) называет главной ошибкой «попытку применить инструмент массмаркета к сложному продукту» — то есть проблема не только в технологии, но и в несоответствии автоматизированного холодного звонка консультативным B2B-продажам с высокой вовлечённостью клиента.

4. Фаско+: три года эксплуатации и честно признанный предел модели

Группа «Фаско+» (производство и дистрибуция грунтов, семян; поставки в 76 регионов России, Казахстана и Беларуси) с 2022 года использует сервис «1С:Прогнозирование продаж» для ассортиментного планирования (I2-PR-0016). За три года средняя точность прогноза выросла с 58,9% до 76,4% (максимум — до 84,4%), доля невыполненных заказов упала с 10% до 1,5%, а планирование, ранее занимавшее не менее 3 дней и зависевшее от одного штатного аналитика, теперь укладывается в 15 минут работы «простого экономиста» (95% плана формирует система, 5% — акции и VIP-заказы без исторических аналогов — корректируются вручную). Финдиректор компании Анна Доронина в интервью Retail.ru (26 марта 2026 года) прямо называет предел модели: краткосрочные погодные сдвиги начала сезона (3–6 недель) система не прогнозирует — «с этим фактором искусственный интеллект пока не помогает». Это один из немногих кейсов в выборке, где ограничение технологии зафиксировано самим источником, а не реконструировано задним числом.

5. 河北杭发科技: запуск новой товарной категории на Alibaba.com

Китайский поставщик модульных домов (провинция Хэбэй, на рынке с 2010 года) в октябре 2023 года вывел на Alibaba.com новую категорию — сборные дома — и использовал набор ИИ-инструментов платформы: анализ рыночного спроса, автогенерацию карточки товара по фото или ключевому слову (около 10 секунд на карточку плюс минута на проверку сотрудником), автогенерацию изображений и видео, а также сторонний сервис OKKI AI для проверки зарубежного покупателя перед переговорами (I2-PR-0018). По словам продавца, конверсия от клика до запроса выросла на 59,3%, от запроса до заказа — на 46,2%, выручка за первый месяц составила 3 млн юаней при плановой цели в 50 млн юаней за год (план, не факт). Внутреннее сравнение продавца показательно: карточка, подготовленная сотрудником, не принесла запросов за неделю (10–20 минут на публикацию), карточка от ИИ — два клиента в тот же день (2 минуты на публикацию). Источник, однако, сам связывает рост не исключительно с ИИ, а с «精细化、数据化的运营» — общей более тонкой, основанной на данных работой магазина, — и это единственный материал платформы-вендора без независимого подтверждения.

Наука: продажи и цены под ИИ

Восемь научных работ о продажах и ценообразовании дают более осторожную картину, чем корпоративные кейсы:

Полевой эксперимент на онлайн-ритейл-платформе (2023–2024, миллионы пользователей, 7 бизнес-воркфлоу): генеративный ИИ увеличивает продажи в большинстве воркфлоу, но эффект варьируется от отсутствия статистической значимости до +16,3%; среднегодовая инкрементальная ценность — около $5 на потребителя по 4 воркфлоу с положительным эффектом. Рост идёт через конверсию, а не размер корзины; авторы прямо пишут, что величина эффекта зависит от того, насколько эффективна была практика фирмы без ИИ, и что исследование не позволяет оценить ROI — капитальные, инженерные и организационные издержки не измерены (I2-SCI-0001).
Полевой эксперимент внутри Alibaba (5 940 операторов чата послепродажной поддержки): ГенИИ-ассистент в среднем ускоряет обслуживание и повышает субъективные оценки клиентов, но эффект резко неоднороден — слабые операторы выигрывают больше всего, а у операторов верхнего квинтиля объективное и субъективное качество снижается (рост времени отвлечения на параллельные чаты на 23,8%) — предупреждение против допущения, что ИИ-помощник одинаково полезен всей команде продаж и поддержки (I2-SCI-0002).
Ценообразование ИИ-агентами: в бенчмарке динамических многоатрибутных аукционов лучший из 11 протестированных агентов захватывает менее трети прибыли от оптимальной ретроспективной стратегии, а модель — лидер по привлечению клиентов часто не совпадает с моделью — лидером по прибыли (I2-SCI-0006); отдельная работа показывает, что ИИ-агенты ценообразования воспроизводят риск скрытого сговора, чувствительного к формулировке промпта, а снижают его эффективнее не текстовые предупреждения, а изменение структуры рынка (I2-SCI-0005).
Переговоры ИИ-агентов в цепочках поставок (9 840 симулированных переговоров): агенты достигают соглашения в 98,9% случаев и захватывают 95,4% максимально возможного излишка, но тратят на это втрое больше раундов, чем байесовский эталон, теряя на задержке 21–34% излишка; менее способные модели заключают невыгодные для себя сделки в 19,2% случаев против 0–0,6% у топовых моделей. Важный для руководителя вывод: выбор поставщика ИИ-модели предсказывает, какая сторона получит больше выгоды (доля покупателя в среднем 40% у моделей OpenAI, 50% у Google, 70% у Alibaba Qwen), сильнее, чем формальный рейтинг возможностей модели — это решение о распределении выгоды, а не только о качестве (I2-SCI-0037; эксперимент симуляционный, не измеряет реальные закупки).

Региональное сравнение

США и Европа. Самая плотная выборка: Vercel, Perceptyx, Netsmart, Walmart/Pactum (buy-side) в США; Maersk/Keelvar (buy-side) в Дании; Klöckner — единственная найденная европейская sell-side практика (обработка котировок и заказов в дистрибуции стали), и это прямой пробел: второй именованный европейский B2B-кейс продаж/CRM/прайсинга за отведённый бюджет поиска найти не удалось. Данные Klöckner к тому же пятилетней давности (2020–2021) без обновлённых цифр.

Россия. Три именованных кейса с чёткой атрибуцией по стадии: два успешных (АрхиМед, Фаско+ — оба про прогноз спроса и цены, оба у вендоров 1С/Сбер2B) и один явный откат (Vagabond). Закрытые темы — госзакупки по 44-ФЗ/223-ФЗ, скоринг для юрлиц с явным ИИ-компонентом, лид-скоринг — искали целенаправленно, именованных кейсов не нашли: попадались либо анонимные организации, либо решения без ИИ (например, кредитный конвейер «Свой Банк» × FIS оказался no-code BPM без ML).

Китай. Один детальный кейс (河北杭发科技) через платформу Alibaba.com; попытки найти кейсы вне одной платформы-маркетплейса и кейсы по тендерам/招标 с названной компанией за 12 поисковых запросов не дали результата — только анонимные вендорские материалы.

Остальной мир. Целенаправленные поиски по Японии (CPQ-сервис MISUMI meviy оказался недоступен как JS-заглушка), Индии, Ближнему Востоку, Латинской Америке (Wherex, CabiTrans — отклонены как слишком общие или не того региона) и Корее не дали ни одного именованного кейса с описанным процессом — только анонимизированные вендорские метрики. Партнёрские каналы сбыта (пример: Ingram Micro Xvantage) не удалось проверить технически — целевые страницы были недоступны в среде сбора данных.

Пробелы

Тендеры и госзакупки в России (44-ФЗ/223-ФЗ) — закрытая ячейка, именованных ИИ-практик не найдено.
Партнёрские каналы сбыта (дистрибьюторы, реселлеры) — не описаны ни одним случаем; попытка проверить Ingram Micro Xvantage не удалась технически.
Япония, Индия, Латинская Америка — только анонимные вендорские материалы, ни одного именованного случая.
Сопровождение и повторные продажи (account management, renewals) — целенаправленный поиск дал только анонимные кейсы, отклонённые по общему правилу «нет названной организации — практика не фиксируется».
Отдельно как контрольный случай стоит держать в уме: не всякий чат-бот или алгоритмический сбой в B2B-компании — практика B2B-продаж. Например, инцидент с чат-ботом поддержки курьерской компании DPD (нецензурная брань в адрес клиента, январь 2024) — это B2C-канал поддержки, а не сторона B2B-сделки. Он не включён в карту как основная практика, хотя DPD как логистическая компания работает и в B2B-сегменте. Аналогично при проверке российских случаев был снят кейс перепродажи AI-продукта под брендом Ростелекома: источник не установил, что ИИ применяется в собственном процессе продажи компании, а не просто в её продуктовой линейке (как ранее при проверке других случаев был снят Ticketmaster, тоже не про B2B-продажи).

Что это значит для руководителя

ИИ в B2B-продажах пока лучше всего документирован там, где задача узкая и повторяющаяся — черновик ответа на RFP, расчёт цены по историческим данным, генерация карточки товара, — и человек проверяет результат перед отправкой. Именно эти случаи (Perceptyx, Netsmart, АрхиМед, Фаско+, отчасти 河北杭发科技) показывают заявленный компаниями и вендорами эффект, у «Фаско+» — с динамикой за три года; независимого подтверждения нет. Попытки заменить продавца целиком на автономного агента — холодный обзвон, AI SDR как замена штатной команды — пока дают либо откат (Vagabond, ZoomInfo, Airtable), либо успех с неразрешённым конфликтом по стоимости и ROI (Vercel). Научные работы добавляют три предостережения управленческого уровня: ИИ-помощник помогает неравномерно внутри команды — слабым сильнее, сильным иногда во вред (Alibaba customer service); ценовые и переговорные ИИ-агенты пока далеки от оптимума и системно уступают часть выгоды из-за задержек и слабости моделей; а выбор конкретного поставщика ИИ-модели для переговоров — это по факту решение о том, какая сторона сделки получит больше выгоды, а не только вопрос качества. Прежде чем переносить любой из приведённых кейсов на свою компанию, стоит помнить: почти все цифры в этой карте — заявления самих компаний или их вендоров, без независимой проверки.

Откуда данные и границы

Материал собран из практик реестра итерации 2, отнесённых к B2B (включая записи со смежным тегом B2B — buy-side случаи Walmart/Pactum и Maersk/Keelvar), научных работ о продажах и ценообразовании и одной работы о переговорах ИИ-агентов; список источников и точность прочтения (полный текст / аннотация / пейволл) зафиксированы в записях реестра по каждому ID. Почти все эффекты — заявления компаний или их вендоров; независимо подтверждённых числовых эффектов в выборке нет, кроме факта самого инцидента DPD. Это карта практики (14 записей реестра: 12 практик из основной таблицы плюс Vagabond и обе AI SDR-практики уже включены в таблицу), а не 125 проверенных исходов синтеза предыдущей итерации, и их нельзя складывать вместе. Пробелы по регионам и стадиям процесса — следствие ограниченного бюджета целевых поисков (12 запросов на направление), а не доказательство отсутствия таких практик в мире.

Связанные документы итерации: Каталог практик и изменения, Индекс оригиналов и профиль мониторинга, предыдущий синтез — Главный обзор.