Автоматизировать хаос бесполезно: почему проекты AI в RFQ и CPQ часто не дают результата

За последние два года рынок буквально захлестнула волна решений на базе искусственного интеллекта. Практически каждый поставщик программного обеспечения обещает ускорение обработки RFQ, автоматическую подготовку коммерческих предложений, интеллектуальный подбор продукции и рост эффективности продаж.

Однако на практике многие проекты не доходят до ожидаемого результата. Причем проблема чаще всего заключается не в качестве модели и не в выбранной технологии.

В производственных компаниях подготовка коммерческого предложения часто остается сложным ручным процессом. RFQ поступают по электронной почте в разных форматах, спецификации хранятся в PDF, Excel и сканах, данные о продукции находятся одновременно в ERP, CRM, каталогах и локальных файлах сотрудников. В такой среде искусственный интеллект становится не инструментом повышения эффективности, а ускорителем существующего хаоса.

Начинают с технологии, а не с бизнес-проблемы

Первая ошибка большинства компаний заключается в том, что они начинают проект с выбора технологии, а не с определения бизнес-проблемы. Руководство обсуждает внедрение AI, не имея четкого ответа на вопрос, какую именно задачу необходимо решить.

Нужно сократить время подготовки коммерческого предложения? Уменьшить количество ошибок в спецификациях? Повысить конверсию RFQ в заказ? Ускорить адаптацию новых сотрудников? Ответы на эти вопросы должны появиться раньше, чем обсуждение моделей, агентов и платформ.

Отсутствует понимание ROI

Многие компании не знают фактическую стоимость обработки одного RFQ, не измеряют трудозатраты инженеров и менеджеров по продажам, не анализируют стоимость ошибок в коммерческих предложениях и не оценивают влияние скорости подготовки КП на вероятность выигрыша сделки.

В результате внедрение превращается в технологический эксперимент, а не в инвестиционный проект с понятным экономическим эффектом. До начала проекта важно понимать не только стоимость внедрения, но и ожидаемый финансовый результат.

Качество данных остается главным ограничением

Качество данных остается одним из главных ограничений для внедрения AI в продажах. Особенно это заметно в промышленности, где для подготовки коммерческого предложения необходимо одновременно работать со спецификациями заказчика, каталогами продукции, историей продаж, данными о наличии компонентов, ценами поставщиков и внутренними нормативами компании.

Если информация разбросана по десяткам систем и файлов, AI не сможет компенсировать отсутствие качественной информационной среды. На мой взгляд, именно данные становятся главным конкурентным преимуществом ближайших лет.

Побеждать будут не те компании, которые первыми купят очередной AI-продукт, а те, которые лучше других структурируют RFQ, технические спецификации, каталоги продукции и накопленную историю продаж.

Игнорируют пользователей системы

Многие проекты рассматривают исключительно с точки зрения технологии и практически не уделяют внимания людям, которые будут пользоваться системой ежедневно. Но даже самая точная модель бесполезна, если менеджер по продажам или инженер не доверяет ее рекомендациям.

В промышленном B2B стоимость ошибки значительно выше, чем в массовых продажах. Неверно подобранная конфигурация оборудования, ошибка в спецификации или некорректный расчет стоимости способны привести к потере контракта или прямым финансовым убыткам.

Именно поэтому объяснимость решений и доверие пользователей зачастую оказываются важнее точности алгоритмов.

Пытаются автоматизировать всё сразу

Не менее опасна попытка автоматизировать все процессы одновременно. Многие проекты начинаются с амбициозной цели трансформировать весь цикл продаж: от получения запроса до выпуска коммерческого предложения и запуска производства.

На практике подобные инициативы часто растягиваются на годы, требуют все больших инвестиций и постепенно теряют поддержку бизнеса.

Наиболее успешные проекты обычно стартуют значительно скромнее. Они решают одну конкретную задачу: автоматическую классификацию RFQ, извлечение требований из спецификаций, подбор аналогов продукции или формирование первого черновика коммерческого предложения. Такие проекты быстрее показывают результат и позволяют доказать ценность технологии на практике.

Автоматизируют процесс «как есть»

Автоматизация процесса «как есть» становится еще одной причиной неудач. Если компания переносит существующий неэффективный процесс в новую систему, она лишь закрепляет старые ограничения на новом технологическом уровне.

Настоящая ценность возникает тогда, когда внедрение AI становится поводом пересмотреть роли сотрудников, маршруты согласования, подходы к работе с клиентами и способы использования данных. Во многих случаях именно изменение процесса дает больший эффект, чем сама технология.

Отсутствует единая архитектура решений

Сегодня многие компании внедряют AI-функции фрагментарно: отдельный чат-бот для сотрудников, отдельный сервис для обработки документов, отдельный инструмент для поиска информации. Со временем это приводит к появлению нового набора разрозненных систем, которые сложно сопровождать и развивать.

Без единой архитектуры данных и процессов даже самые современные AI-инструменты начинают создавать дополнительную сложность вместо ожидаемой эффективности.

Будущее не за чат-ботами

Следующий этап развития — агентные системы, которые смогут самостоятельно анализировать RFQ, извлекать требования из технической документации, подбирать конфигурацию продукта, формировать коммерческое предложение и инициировать внутренние согласования.

Однако эффективность таких решений будет определяться не количеством моделей и не размером инвестиций в AI. Решающим фактором останутся процессы и данные.

Поэтому главный вопрос для руководителей сегодня звучит не «Как внедрить AI?», а «Готовы ли наши процессы и данные к тому, чтобы AI действительно принес бизнесу результат?»