Языковые модели для поставщиков облачного ПО (B2B SaaS)

В компании с большим адресуемым рынком (много компаний, которым потенциально можно продавать) отдел продаж физически не успевает обработать всех потенциальных клиентов. Менеджер по продажам вручную ищет компании и контактных лиц по нужным признакам, пишет каждому первое сообщение, ждет ответа, задает уточняющие вопросы, отсеивает тех, кому не подходит, и только потом доводит интересного клиента до встречи. Эта работа упирается в число людей в команде. В логистике это особенно заметно, потому что там тысячи импортеров и экспортеров, которых текущая команда охватить не успевает. В результате часть рынка не охвачена вообще, стоимость одного приведенного клиента при ручном поиске высокая, а персонализация теряется, как только команда пытается масштабировать рассылку.

Мы собираем ИИ-агента, который закрывает верх воронки продаж, от поиска клиентов до передачи готового проверенного контакта менеджеру по продажам. На одной инфраструктуре мы объединяем следующие компоненты:

• Поиск клиентов. Агент ищет компании и контактных лиц по заданным признакам портрета клиента. Это отрасль, размер, а для логистики еще и внешнеторговые потоки по товарным группам, направлениям и объемам. Оценку соответствия компании портрету выполняет модель классического машинного обучения, а языковая модель извлекает и обобщает сведения из источников данных о компаниях.
• Первичный контакт по сценарию. Агент формирует первое сообщение под конкретную компанию и роль, а не одинаковую рассылку, и ведет разговор по заданному сценарию в переписке (почта, мессенджер) или голосом. Работает на базе языковой модели, а для голоса дополнительно на распознавании и синтезе речи.
• Квалификация интереса. Агент задает уточняющие вопросы, проверяет, подходит ли клиент по заданным признакам, отрабатывает базовые возражения и отсеивает неподходящих. Работает на базе языковой модели и заданной логики квалификации.
• Передача менеджеру. Агент заносит проверенный контакт в систему учета клиентов (CRM) вместе с историей разговора, а при готовности клиента предлагает встречу. Работает на базе языковой модели и подключения к системе учета клиентов.

Это не автономный продавец. Цель агента в том, чтобы наполнять воронку проверенными контактами, а финальную продажу ведет человек. Решение по готовым к покупке клиентам принимает менеджер по продажам, а сценарии разговора и список контактов остаются под контролем команды продаж. Внедряем поэтапно. Начинаем с одного канала, текстового или голосового, и узкого сегмента, а расширяем только после того, как подтвердим качество на нем.

В компании с большим объемом найма верхняя часть воронки найма отнимает много времени у рекрутеров (сотрудников, которые ведут подбор персонала). На вакансию приходят сотни откликов, и рекрутер вручную просматривает каждое резюме, отсеивает неподходящие, пишет кандидатам первые сообщения, отвечает на одни и те же вопросы, согласовывает время интервью и подгоняет календари. Классический поиск кандидатов идет по ключевым словам, поэтому подходящий человек, который описал свой опыт другими словами, просто не попадает в выборку. В результате при растущем плане найма и дефиците рекрутеров скорость подбора падает, а часть сильных кандидатов рекрутер просто не успевает заметить.

Мы собираем ИИ-агента (программу, которая сама выполняет цепочку действий по подбору персонала). Он берет на себя рутину верхней части воронки найма и оставляет решения рекрутеру. На одной инфраструктуре мы объединяем следующие компоненты:

• Поиск кандидатов по смыслу. Агент находит подходящих людей в базах и на площадках поиска работы и сопоставляет их с вакансией по смыслу требований, а не по совпадению отдельных слов. Работает на базе языковой модели и семантического поиска. Семантический поиск - это подбор по смыслу текста, при котором модель переводит смысл резюме и вакансии в числа (смысловые представления) и сравнивает уже их. Поэтому в выборку попадает и подходящий человек, который описал свой опыт другими словами.
• Отбор резюме. Агент ранжирует отклики по соответствию вакансии, отсеивает неподходящие и формирует короткий список с объяснением, почему именно этот кандидат подходит. Сопоставление и ранжирование выполняет специализированная модель классического машинного обучения на тех же смысловых представлениях текста, а объяснение выбора готовит языковая модель.
• Первичный контакт. Агент связывается с кандидатами, отвечает на типовые вопросы, собирает уточнения и проводит первичную квалификацию (проверяет базовое соответствие кандидата вакансии). Работает на базе языковой модели.
• Назначение интервью. Агент согласовывает время и сводит календари кандидата и рекрутера. Работает на основе правил планирования.
• Обновление системы подбора. Агент фиксирует статусы и контекст по каждому кандидату в системе управления подбором персонала, чтобы у рекрутера была полная картина. Работает через программный интерфейс (API) к этой системе.

Финальные решения принимает рекрутер. Агент не нанимает и не отказывает, он готовит короткий список и ускоряет рутину. Каждое ранжирование сопровождается объяснением, чтобы рекрутер понимал основание и доверял результату.

У финансового директора закрытие периода - это долгая ручная работа. Данные лежат в нескольких системах, среди них хранилище данных, система управления ресурсами предприятия и биллинг (система выставления счетов). Финансовая команда вручную выгружает эти данные, сверяет их между собой, ищет расхождения и собирает управленческую отчетность в нужных разрезах. На анализ и сценарные расчеты времени почти не остается, а когда руководство просит модель «что будет, если выручка вырастет, а затраты изменятся», построение такой модели снова занимает дни. Чтобы получить ответ на простой вопрос к данным, финансовому директору приходится ставить задачу аналитику и ждать. В результате команда тратит силы на сбор и сверку, а не на выводы.

Мы собираем ИИ-агента с управляемым доступом к финансовым системам компании. На одной инфраструктуре мы объединяем следующие компоненты:

• Сбор и сверка данных. Агент подключается к хранилищу данных, системе управления ресурсами предприятия и биллингу, собирает данные и сверяет их между собой, находя расхождения. Работает через программный интерфейс (API) к этим системам.
• Черновик закрытия периода. Агент сводит данные, проводит сверки и готовит черновик закрытия периода, который финансовая команда проверяет. Работает на базе языковой модели и заданных правил учета.
• Сценарные модели. Агент строит расчеты «что будет, если» по выручке, затратам и экономике на единицу продукта. Числа считает расчетный движок по заданным правилам, а языковая модель формулирует выводы и отвечает на вопросы по модели. Числовые значения из языковой модели не берутся.
• Запросы к данным на естественном языке. Финансовый директор задает вопрос обычными словами, а агент сам формулирует запрос к базе данных и возвращает ответ. Работает на базе языковой модели, которая переводит вопрос в запрос к базе данных.
• Журнал запросов и действий. Каждый запрос агента к данным и каждый его шаг записываются, чтобы результат можно было проверить. Работает на основе автоматического ведения журнала.

Результаты утверждает финансовый директор. По финансовым проводкам и по любому управленческому решению по итогам анализа подтверждение человека обязательно, агент только готовит материалы, а утверждает их человек. Из-за чувствительности финансовых данных техническое решение разворачивается внутри контура компании.