Я внедрил 14 AI-секретарей в B2B-продажах. Один клиент через 2 месяца вернул деньги, другой уволил менеджера. Расскажу где они работают, а где нет

Никита Туртурика, основатель FlowFrame

Меня зовут Никита. Я основатель студии автоматизации FlowFrame, пятый год делаю интеграции CRM и AI-агентов для B2B. С октября 2025 мы собрали и запустили 14 AI-секретарей. Это бот, который принимает входящую заявку, отвечает за 12 секунд, ведёт квалификационный диалог по 6 параметрам и передаёт менеджеру уже горячего лида.

Из 14 проектов:

• 8 работают и окупаются, в среднем за 2 месяца
• 5 работают, но в режиме «вспомогательный канал», без сильного эффекта на деньги
• 1 клиент через 2 месяца попросил вернуть деньги и закрыть бот

В одном из 8 успешных через 2 месяца клиент сократил одного менеджера. Не AI его съел, а сам менеджер выдал себя цифрами. Дальше расскажу что было в обоих случаях, и в финале дам чек-лист где AI-секретарь работает, а где не стоит начинать.

Кейс 1: возврат денег

Это была сетка из 6 магазинов нишевой электроники (компоненты для умного дома, кастомные сборки). Средний чек 35 000 ₽, входящих заявок 300 в месяц, 4 менеджера.

Что мы заложили в проект: бот принимает заявку, уточняет, что именно ищет клиент (сценарий использования, бюджет, есть ли уже что-то поставлено), и передаёт менеджеру с готовой карточкой. Стандартная схема, под которую мы делали уже 8 проектов и она работала.

Что пошло не так. Через 3 недели РОП клиента сказал «менеджеры перестали закрывать сделки». Стали разбираться. Выяснилось вот что.

В нашей нише клиент пишет заявку формата «нужны датчики движения». Это не «нужна 2-к в Северном за 8 миллионов», как было в недвижке. Это технический запрос, который дальше уточняется через диалог с экспертом. У клиента могут быть готовые схемы автоматизации, ограничения по бренду оборудования, своя инфраструктура, требования по совместимости. Опытный менеджер за 10-15 минут разговора подбирает решение, потому что у него в голове 200 случаев из прошлого.

Бот не справился. Он задавал 6 параметров по шаблону, но клиент в ответ начинал писать длинные описания своих проектов: «у меня уже стоит Apple HomeKit, но я хочу подключить китайские датчики, есть ли совместимость через Aqara hub, и можно ли это всё связать с моим текущим NAS». На такие запросы бот выдавал quality-gate score 100 и передавал менеджеру, но менеджер получал диалог, в котором клиент уже один раз объяснил всю свою боль и теперь ждёт ответа по существу. Менеджер начинал заново задавать те же вопросы. Клиент злился. Сделка не закрывалась.

Мы попробовали переписать промпт, добавить retrieval по базе знаний клиента (характеристики оборудования, типичные комбинации). Стало лучше, но не сильно. Бот всё равно не мог заменить эксперта, который в голове держит «о, это значит они смотрят в сторону Z-wave, а у нас как раз акция на стартер-кит».

В итоге через 8 недель работы клиент сказал: «верните деньги, бот мешает, менеджеры жалуются что приходится переспрашивать». Мы вернули 280 000 ₽ из 350 000 ₽ единовременной части. Себе оставили только то, что фактически потратили на инфраструктуру и часы команды. Это разовый возврат, но он многому нас научил.

Урок из этого кейса: AI-секретарь не подходит для ниш, где первый контакт требует экспертного разговора. Если ваш клиент в первом сообщении хочет решения, а не вопросов, бот будет проигрывать опытному менеджеру на каждой встрече.

Кейс 2: история про уволенного менеджера

Это, наоборот, кейс который сработал лучше, чем мы ожидали. Агентство недвижимости в городе-миллионнике. 4 менеджера, 800 входящих заявок в месяц.

С чего у них болело:

• Лиды в недвижке приходят 24/7 с Авито, Циан, ВК, директа. Менеджеры работают 9-19 по будням. Лиды ночные и выходные уходили к конкурентам.
• Первый ответ занимал 2 часа 47 минут в среднем.
• 51% заявок были «не наш бюджет/район/тип», и менеджер тратил на них первые 10 минут разговора, прежде чем понять что это не его клиент.

После запуска AI-секретаря через 3 месяца цифры были такие:

На объёме 800 лидов рост конверсии с 4.1% до 5.8% означает плюс 13 сделок в месяц. Средняя комиссия у них 90 000 ₽, плюс 1.17 млн ₽ выручки. Стоимость проекта была 380 000 ₽ внедрение + 45 000 ₽/мес поддержки. Окупились во второй месяц.

А теперь интересное. Через 6 недель после запуска один из четырёх менеджеров сказал РОПу «я скучаю, мне нечего делать». Параллельно из отчёта Битрикс24 РОП увидел: этот менеджер закрывает 8% от своих горячих лидов в сделку. Второй менеджер на той же базе закрывает 35%. Третий 18%, четвёртый 22%.

Раньше эта разница была не видна, потому что менеджеры в основном обрабатывали холодных и тёплых лидов, и казалось что «все одинаково загружены». После того как бот стал отдавать только квалифицированных лидов, голая конверсия стала очевидна. Менеджер, который закрывал 8%, объективно был хуже остальных. Через 2 недели после этого разговора собственник его уволил. На его место пришёл новый. Через 2 месяца новый менеджер вырос до 24% конверсии, потому что РОП стал каждую неделю разбирать с ним конкретные звонки.

Это для меня самый важный вывод за все 14 проектов: AI-секретарь не отменяет работу менеджеров, он делает её прозрачной. Те, кто работал плохо в фоне общего шума, после AI становятся видны.

Native pitch: что бот не контролирует

Вот тут отдельный момент, который я в каждом проекте обсуждаю с собственником, и который привёл нас к собственному продукту.

AI-секретарь идеально работает на входе. Лид получает ответ за 12 секунд, квалифицируется по 6 параметрам, доходит до менеджера уже горячим. Но что происходит дальше, на самой встрече и в звонках после неё, бот не контролирует. И тут у клиентов вылезает следующий gap.

В кейсе с недвижкой РОП понял разницу в конверсиях по менеджерам только потому, что он начал смотреть в звонки. Слушать руками 4-5 звонков в день каждого менеджера, это 2-3 часа времени в день. На полтора месяца РОПа хватает, потом он бросает.

Поэтому в наших проектах после AI-секретаря мы ставим второй контур, Teksura. Это речевая аналитика звонков для Битрикс24, наш собственный продукт. Бот слушает все звонки менеджеров, расшифровывает их, прогоняет через ИИ-скоринг по скрипту клиента и выдаёт РОПу дашборд: кто закрывает, кто срезает скрипт, в каких возражениях проваливается. Стоит 7 900 ₽/менеджер/месяц. Запускается за один кофе-брейк.

Кейс с недвижкой второй раз: после того как РОП поставил Teksura, история с уволенным менеджером перестала повторяться. Новый менеджер вырос с 0% до 24% за два месяца, потому что каждую неделю РОП ему показывал конкретные звонки с цитатами «вот тут ты сорвал клиента, потому что не отработал возражение по бюджету», и менеджер исправлял именно это.

Я ставлю этот блок не как «вот наш продукт», а потому что в 8 из 14 наших проектов с AI-секретарём клиент через 2-3 месяца сам приходил с вопросом «у нас лиды теперь хорошие, но конверсия в сделку прыгает, почему?» Ответ всегда был «потому что вы не знаете, что говорят ваши менеджеры». У нас это Teksura, у других студий другие решения. Главное не как называется, а что без второго контура AI-секретарь даёт половину эффекта.

Что я понял за 14 проектов: чек-лист

Где AI-секретарь стабильно окупается:

• Длинный sales cycle с типовой квалификацией. Недвижимость, медицина, образование, юр.услуги, b2b с чеком 200k+. Где первый ответ за 12 секунд реально решает выбор, а параметры квалификации можно описать списком из 5-7 вопросов.
• Объём от 300 лидов в месяц. Меньше, и боту просто нечего обрабатывать, проще нанять одного хорошего секретаря на полставки.
• Доля «не наших» лидов выше 30%. Если у вас почти все входящие конвертятся, бот не несёт пользы, а только риск.
• Стандартизованный скрипт и тон коммуникации. Если в команде каждый менеджер общается по-своему, бот не научится быть «как у нас».

Где AI-секретарь не стоит начинать:

• Экспертные ниши с техническим первым контактом (мой кейс возврата). Если клиент в первом сообщении ждёт решения, а не вопросов, бот будет хуже опытного менеджера.
• Очень короткий sales cycle, где сделка закрывается за один звонок (e-commerce доставка еды, импульсные покупки).
• Регулируемые ниши (фарма, банки, страхование), где галлюцинация LLM про несуществующий банк-партнёр стоит штрафа от регулятора.
• Менее 100 лидов в месяц, экономика не сходится. Лучше один секретарь на ставке.
• Команда не готова к прозрачности. Если собственник или РОП не хотят увидеть, кто из менеджеров закрывает 8%, а кто 35%, не делайте AI-секретаря. После запуска эти цифры станут очевидными, и придётся принимать решения. Я серьёзно. У меня было два аудита, где собственник в финале сказал «мне это не нужно, я не хочу таких разговоров с командой».

Что обычно проваливается даже в «правильной» нише

Три типовых грабли из моих проектов.

Бот выдумывает условия. Один раз у нас LLM сказала клиенту «у нас есть рассрочка от Сбера 0% на 3 года», агентство таким не занималось. Клиент потом на встрече требовал «обещанное». С тех пор у нас в каждом проекте стоит валидатор, который сканирует выход бота на упоминания банков, ставок, программ рассрочки, и блокирует отправку.

Эмоциональные клиенты уходят. ~8% лидов в недвижке писали «у нас развод, помогите срочно продать совместную квартиру». Бот квалифицировал их по скрипту, и они уходили со словом «робот». Мы добавили детектор эмоциональных триггеров («развод», «срочно», «помогите», «не знаю что делать») и моментально передаём такие диалоги живому менеджеру с пометкой «эмоциональный, отвечать тепло». Потери упали с 8% до 2%.

Бот не учится на проигранных сделках. Если квалифицированный лид с высоким score после встречи не покупает, бот не получает обратной связи. Это решается через интеграцию с речевой аналитикой (там как раз появляется второй контур и связь «бот → встреча → сделка», но это уже отдельный уровень зрелости проекта).

Сколько это стоит и сколько занимает

Стандартный проект:

• Внедрение под ключ: 350-600 тысяч ₽ единоразово
• Срок: 14-21 рабочий день от контракта до 100% трафика
• Поддержка и развитие промпта: 30-50 тысяч ₽/мес
• Стоимость LLM API: 12-25 тысяч ₽/мес на объёме 800 лидов

Я не публикую эти цифры обычно на сайте, потому что под каждого клиента считаем индивидуально. Но в комментариях постоянно спрашивают «сколько», поэтому вот честный диапазон.

Если дочитали

Это была моя выжимка из 14 проектов. Цифры реальные, истории тоже. Если у вас есть похожий опыт или вы сейчас на этапе «думаем над AI-секретарём», напишите в комментариях или мне в Telegram @yakovnikolaech.

Бесплатный 30-минутный аудит, посмотреть подходит ли AI-секретарь для вашей ниши и посчитать окупаемость, тоже в DM. Физически могу провести 4-5 в неделю, после пятой заявки закрываю слот до следующей.

Никита Туртурика, основатель и CTO FlowFrame. Студия делает интеграции Битрикс24/amoCRM, AI-агентов, контент-заводы на n8n и продукт Teksura, речевую аналитику звонков. Команда из 4 инженеров, основана в 2025 году. Telegram: @yakovnikolaech.