Привет. Канал запустил, давай знакомиться
Меня зовут Алексей. Восемь лет руковожу B2B-сетью снабжения: десятки поставщиков, сотни SKU, две команды внутри - продажи и снабжение. Последние два года плотно сижу в автоматизации: n8n, Битрикс24, Telegram-боты, AI-агенты на Claude и Deepseek.
Сначала автоматизировал свою операционку - выкинул из процессов слово «когда-то», заменил совещания «а что там с заявкой Иванова» на кнопки в Telegram. Потом понял что таких же задач у других предпринимателей вагон. Так появилось AAA - внедряем AI-агентов и автоматизации в B2B и e-commerce под ключ.
Канал про реальную инженерию автоматизаций, не про «AI меняет мир». Что будет:
- Понедельник - кейс из практики (моей или клиентской)
- Среда - технический разбор инструментов
- Пятница - боль или инсайт коротко
Никаких хайпов, секретных методик и «успей записаться». Только конкретные процессы, цифры и стек.
Если у тебя в бизнесе ручная работа там, где должны быть автоматизации - напиши @Alexeybebackbot, разберём за 30 минут бесплатно.
Меня зовут Алексей. Восемь лет руковожу B2B-сетью снабжения: десятки поставщиков, сотни SKU, две команды внутри - продажи и снабжение. Последние два года плотно сижу в автоматизации: n8n, Битрикс24, Telegram-боты, AI-агенты на Claude и Deepseek.
Сначала автоматизировал свою операционку - выкинул из процессов слово «когда-то», заменил совещания «а что там с заявкой Иванова» на кнопки в Telegram. Потом понял что таких же задач у других предпринимателей вагон. Так появилось AAA - внедряем AI-агентов и автоматизации в B2B и e-commerce под ключ.
Канал про реальную инженерию автоматизаций, не про «AI меняет мир». Что будет:
- Понедельник - кейс из практики (моей или клиентской)
- Среда - технический разбор инструментов
- Пятница - боль или инсайт коротко
Никаких хайпов, секретных методик и «успей записаться». Только конкретные процессы, цифры и стек.
Если у тебя в бизнесе ручная работа там, где должны быть автоматизации - напиши @Alexeybebackbot, разберём за 30 минут бесплатно.
Как мы выкинули слово «когда-то» из воронки заявок. Реальный кейс B2B-сети снабжения
Я руковожу B2B-сетью снабжения. Десятки поставщиков, сотни SKU, два отдела внутри: ОП (продажи) и ОС (снабжение). До автоматизации цепочка обработки заявки выглядела примерно так:
1) Заявка приходит менеджеру ОП. Канал любой: почта, Telegram, MAX, WhatsApp, телефон, иногда голосом
2) Менеджер ОП когда-то заводит заказ в 1С
3) Менеджер ОП когда-то создаёт сделку в Битрикс24
4) Менеджер ОП скидывает в бота-форвардера в TG, который ничего не умеет кроме «переслать»
5) Менеджер снабжения когда-то отвечает «беру», обязательно с именем (иначе хрен поймёшь кто работает)
6) Менеджер снабжения когда-то отвечает по позициям
7) Менеджер ОП когда-то выставляет счёт, отправляет вручную
«Когда-то» в одной цепочке встречается 5 раз. Это не я преувеличиваю, это реальное описание процесса. Никаких сроков, никакой видимости статуса, всё держится на людях и совещаниях «а что там с заявкой Иванова».
Что сделали:
1) Заявки с сайта летят сразу в воронку Продаж в Б24 (связка сайт - n8n - Б24)
2) Заявки с Telegram-бота - сразу в Лиды
3) Если нужна позиция от снабжения - сделка двигается на нужную стадию, Б24 сам собирает поля
4) Заявка падает в Бот снабжения со ссылкой на сделку и всей инфой
5) Снабжение жмёт «Взять в работу» - менеджер ОП получает уведомление в TG (кто, когда), Б24 заполняет поля сам
6) Снабжение отвечает - ответ в TG менеджеру + автозапись в Б24 + таймстемп
7) Менеджер ОП принимает или возвращает с указанием причины (тоже в Б24 фиксируется)
8) При принятии счёт выставляется и автоматом уходит клиенту, дальше идут вебхуки с напоминаниями об оплате
Стек: Битрикс24 как центр истины, n8n как оркестратор, Telegram как интерфейс уведомлений и кнопок.
Что изменилось по сути:
- Из процесса ушло слово «когда-то». Каждое действие фиксируется автоматически
- Видно всё: кто взял, когда, что ответил, почему вернули
- Менеджер ОП больше не пересылает простыни вручную и не пишет «как там по моей заявке?»
- Снабжение работает с кнопками, а не с текстовыми «беру/не беру»
Главная мысль: AI и автоматизация в B2B чаще всего это не «нейросеть творит чудеса». Это убрать из цепочки 5 «когда-то» и заменить их кнопками с автозаполнением полей. Не магия, инженерия.
Дальше расскажу как мы внутри этой воронки прикрутили AI для разбивки заявок по поставщикам. Там уже Deepseek и интересная математика по экономии времени менеджера.
Если у тебя в бизнесе слово «когда-то» звучит чаще чем тебе бы хотелось - пиши @Alexeybebackbot, разберём за 30 минут.
Я руковожу B2B-сетью снабжения. Десятки поставщиков, сотни SKU, два отдела внутри: ОП (продажи) и ОС (снабжение). До автоматизации цепочка обработки заявки выглядела примерно так:
1) Заявка приходит менеджеру ОП. Канал любой: почта, Telegram, MAX, WhatsApp, телефон, иногда голосом
2) Менеджер ОП когда-то заводит заказ в 1С
3) Менеджер ОП когда-то создаёт сделку в Битрикс24
4) Менеджер ОП скидывает в бота-форвардера в TG, который ничего не умеет кроме «переслать»
5) Менеджер снабжения когда-то отвечает «беру», обязательно с именем (иначе хрен поймёшь кто работает)
6) Менеджер снабжения когда-то отвечает по позициям
7) Менеджер ОП когда-то выставляет счёт, отправляет вручную
«Когда-то» в одной цепочке встречается 5 раз. Это не я преувеличиваю, это реальное описание процесса. Никаких сроков, никакой видимости статуса, всё держится на людях и совещаниях «а что там с заявкой Иванова».
Что сделали:
1) Заявки с сайта летят сразу в воронку Продаж в Б24 (связка сайт - n8n - Б24)
2) Заявки с Telegram-бота - сразу в Лиды
3) Если нужна позиция от снабжения - сделка двигается на нужную стадию, Б24 сам собирает поля
4) Заявка падает в Бот снабжения со ссылкой на сделку и всей инфой
5) Снабжение жмёт «Взять в работу» - менеджер ОП получает уведомление в TG (кто, когда), Б24 заполняет поля сам
6) Снабжение отвечает - ответ в TG менеджеру + автозапись в Б24 + таймстемп
7) Менеджер ОП принимает или возвращает с указанием причины (тоже в Б24 фиксируется)
8) При принятии счёт выставляется и автоматом уходит клиенту, дальше идут вебхуки с напоминаниями об оплате
Стек: Битрикс24 как центр истины, n8n как оркестратор, Telegram как интерфейс уведомлений и кнопок.
Что изменилось по сути:
- Из процесса ушло слово «когда-то». Каждое действие фиксируется автоматически
- Видно всё: кто взял, когда, что ответил, почему вернули
- Менеджер ОП больше не пересылает простыни вручную и не пишет «как там по моей заявке?»
- Снабжение работает с кнопками, а не с текстовыми «беру/не беру»
Главная мысль: AI и автоматизация в B2B чаще всего это не «нейросеть творит чудеса». Это убрать из цепочки 5 «когда-то» и заменить их кнопками с автозаполнением полей. Не магия, инженерия.
Дальше расскажу как мы внутри этой воронки прикрутили AI для разбивки заявок по поставщикам. Там уже Deepseek и интересная математика по экономии времени менеджера.
Если у тебя в бизнесе слово «когда-то» звучит чаще чем тебе бы хотелось - пиши @Alexeybebackbot, разберём за 30 минут.
n8n или Make в 2026: на чём собирать AI-агентов. Без религиозных войн
Каждую неделю спрашивают: «На чём собирать?». Давай по факту.
Короткий ответ:
1) Не разработчик, нужно красиво и быстро - бери Make
2) Нужен AI-агент посерьёзнее или ограничен бюджет - бери n8n
3) Нужен self-host (privacy, корпоративка) - только n8n
Make подробно:
Плюсы:
- UI прям топ - сядет даже тот кто никогда автоматизаций не делал
- 1500+ готовых интеграций
- Стабильно работает на средних объёмах
Минусы:
- Только облако, self-host нельзя
- Цена растёт быстро: от ~700 ₽ на стартере до 7 000+ ₽ на объёмах
- AI-агентов из коробки нет, только цепочки вызовов
- Дебаг на сложных сценариях это боль
Когда брать: автоматизация без AI или с лёгким AI, не айтишная команда, до 10 тысяч операций в месяц.
n8n подробно:
Плюсы:
- Open source, self-host бесплатно (домен + VPS ~400 ₽/мес)
- Cloud-версия ~1 500 ₽/мес, на объёмах дешевле Make
- Сильная AI-часть: готовые AI Agent ноды, MCP, LangChain под капотом
- Можно писать кастомные ноды на JS, нет потолка
- Под AI-агенты со сложной логикой - лучшее что есть
Минусы:
- UI требует привыкания, не такой няшный
- Self-host = свои бэкапы, обновления, головняки
- Часть интеграций менее зрелые чем у Make
Когда брать: AI-агенты, серьёзные интеграции, privacy, ограниченный бюджет.
Что я выбираю в своих проектах:
n8n self-host на VPS почти всегда. Make - только если клиент уже на нём и переходить нет смысла.
Аргумент простой: один раз настроил VPS за вечер - дальше 400 ₽ в месяц вместо 7 000 ₽ за Make. На длинной дистанции это десятки тысяч рублей в год.
Каждую неделю спрашивают: «На чём собирать?». Давай по факту.
Короткий ответ:
1) Не разработчик, нужно красиво и быстро - бери Make
2) Нужен AI-агент посерьёзнее или ограничен бюджет - бери n8n
3) Нужен self-host (privacy, корпоративка) - только n8n
Make подробно:
Плюсы:
- UI прям топ - сядет даже тот кто никогда автоматизаций не делал
- 1500+ готовых интеграций
- Стабильно работает на средних объёмах
Минусы:
- Только облако, self-host нельзя
- Цена растёт быстро: от ~700 ₽ на стартере до 7 000+ ₽ на объёмах
- AI-агентов из коробки нет, только цепочки вызовов
- Дебаг на сложных сценариях это боль
Когда брать: автоматизация без AI или с лёгким AI, не айтишная команда, до 10 тысяч операций в месяц.
n8n подробно:
Плюсы:
- Open source, self-host бесплатно (домен + VPS ~400 ₽/мес)
- Cloud-версия ~1 500 ₽/мес, на объёмах дешевле Make
- Сильная AI-часть: готовые AI Agent ноды, MCP, LangChain под капотом
- Можно писать кастомные ноды на JS, нет потолка
- Под AI-агенты со сложной логикой - лучшее что есть
Минусы:
- UI требует привыкания, не такой няшный
- Self-host = свои бэкапы, обновления, головняки
- Часть интеграций менее зрелые чем у Make
Когда брать: AI-агенты, серьёзные интеграции, privacy, ограниченный бюджет.
Что я выбираю в своих проектах:
n8n self-host на VPS почти всегда. Make - только если клиент уже на нём и переходить нет смысла.
Аргумент простой: один раз настроил VPS за вечер - дальше 400 ₽ в месяц вместо 7 000 ₽ за Make. На длинной дистанции это десятки тысяч рублей в год.
5 признаков что вашему бизнесу пора заводить AI-агента. Без хуйни и таблиц
Не «пора заводить вообще» в стиле «AI это будущее, не отстань». Конкретные сигналы из реальной операционки.
1) Поддержка отвечает дольше 30 минут. И не потому что лень. Объём вырос, руки те же. AI закрывает 60-80% типовых вопросов за секунды.
2) Однотипные процессы крадут 2-4 часа в день. Обработка заказов, выписка счетов, разбор почты, формирование отчётов. Если процесс описывается алгоритмом - он автоматизируется.
3) Данные размазаны по 5+ системам и переезжают вручную. CRM, потом таблица, потом 1С, потом отчёт в Слак. Каждое перетаскивание - это потерянные часы и ошибки.
4) Ищете сотрудника на «копи-пэйст». Это не «нанимай оператора», это «автоматизируй». Сотрудник за 60к в месяц делает то, что AI-агент за 5к.
5) Клиенты говорят «вы долго отвечаете». Самый дорогой сигнал. Каждый ушедший клиент - это весь его LTV в минус.
Совпало 2 и больше? Пиши @Alexeybebackbot, разберём бесплатно за 30 минут где у тебя автоматизация даст результат за месяц.
Не «пора заводить вообще» в стиле «AI это будущее, не отстань». Конкретные сигналы из реальной операционки.
1) Поддержка отвечает дольше 30 минут. И не потому что лень. Объём вырос, руки те же. AI закрывает 60-80% типовых вопросов за секунды.
2) Однотипные процессы крадут 2-4 часа в день. Обработка заказов, выписка счетов, разбор почты, формирование отчётов. Если процесс описывается алгоритмом - он автоматизируется.
3) Данные размазаны по 5+ системам и переезжают вручную. CRM, потом таблица, потом 1С, потом отчёт в Слак. Каждое перетаскивание - это потерянные часы и ошибки.
4) Ищете сотрудника на «копи-пэйст». Это не «нанимай оператора», это «автоматизируй». Сотрудник за 60к в месяц делает то, что AI-агент за 5к.
5) Клиенты говорят «вы долго отвечаете». Самый дорогой сигнал. Каждый ушедший клиент - это весь его LTV в минус.
Совпало 2 и больше? Пиши @Alexeybebackbot, разберём бесплатно за 30 минут где у тебя автоматизация даст результат за месяц.
Сначала данные - потом автоматизации.
Наблюдаю я за хайпом на ИИ и мне есть что сказать.
1. Люди думают что ИИ умеет все.
Так-то оно так, но не так 😃 ИИ умеет великолепно работать с данными. Но! Надо чтобы эти данные были, причем не просто свалка, а структурированные данные. Если данные не структурированы - великолепная помойка получится, что на входе, что на выходе.
Пример: наш сайт полностью написан с помощью ИИ. Это полноценный каталог с остатками, ценами, интеграциями с Б24. Сборка заняла не то, чтобы много времени - дай бог недели 2, из них 1 неделю я тупил.
Почему так быстро? Потому что у нас все было готово к его сборке - данные по товарам заведены в 1С, структурированы, цены разделены, характеристики заполнены. Битрикс24 тоже был готов к приему и обмену данными - воронки выстроены, компании сегментированы (попробуйте по серьезному сегментировать 13к компаний - посмотрю сколько времени у вас это займет 😃)
Вот поэтому и быстро.
2. Люди хотят пихнуть ИИ везде где только можно.
Правда в том, что процентов 90 задач из тех что я вижу - не требуют ИИ для работы (только для сборки). А для работы достаточно простой автоматизации и в самом тяжелом случае какой-нибудь крайне дешевой ИИ (DeepSeek например). Но чтобы это понимать - надо с этим работать и разбирать процессы на детальки. Это сложно, это надо прямо заниматься. Мало кто хочет.
Вот такие мысли.
Наблюдаю я за хайпом на ИИ и мне есть что сказать.
1. Люди думают что ИИ умеет все.
Так-то оно так, но не так 😃 ИИ умеет великолепно работать с данными. Но! Надо чтобы эти данные были, причем не просто свалка, а структурированные данные. Если данные не структурированы - великолепная помойка получится, что на входе, что на выходе.
Пример: наш сайт полностью написан с помощью ИИ. Это полноценный каталог с остатками, ценами, интеграциями с Б24. Сборка заняла не то, чтобы много времени - дай бог недели 2, из них 1 неделю я тупил.
Почему так быстро? Потому что у нас все было готово к его сборке - данные по товарам заведены в 1С, структурированы, цены разделены, характеристики заполнены. Битрикс24 тоже был готов к приему и обмену данными - воронки выстроены, компании сегментированы (попробуйте по серьезному сегментировать 13к компаний - посмотрю сколько времени у вас это займет 😃)
Вот поэтому и быстро.
2. Люди хотят пихнуть ИИ везде где только можно.
Правда в том, что процентов 90 задач из тех что я вижу - не требуют ИИ для работы (только для сборки). А для работы достаточно простой автоматизации и в самом тяжелом случае какой-нибудь крайне дешевой ИИ (DeepSeek например). Но чтобы это понимать - надо с этим работать и разбирать процессы на детальки. Это сложно, это надо прямо заниматься. Мало кто хочет.
Вот такие мысли.
Как Deepseek разносит заявку на 50 позиций по 10 поставщикам за минуту. Продолжение истории про снабжение
Помнишь пост про воронку заявок, где я обещал рассказать про Deepseek внутри неё? Сегодня дошли руки.
Боль:
Менеджер снабжения получает заявку клиента. Внутри 50 позиций: электрика, крепёж, сантехника, химия, бытовуха. Нормально, заказ как заказ. Только дальше начинается ад: каждую позицию надо разнести по правильному поставщику. У нас десятки поставщиков, каждый специализируется на своих категориях, у каждого свои условия.
Раньше менеджер делал это руками. Сидит, читает позицию, вспоминает «это к Васе, это к Пете, это вообще тёмный лес, надо у Светы спросить». На большую заявку уходило 30-40 минут только на разнесение, ещё до отправки запросов.
Что сделали:
1) Менеджер закидывает заявку в TG-бот (текстом или фоткой накладной)
2) Бот через n8n отправляет содержимое в Deepseek с промптом-категоризатором
3) Deepseek разбивает позиции по категориям
4) Категории мапятся на поставщиков (база поставщиков с сегментацией лежит в Б24)
5) Менеджер получает готовый разбор: «вот эти 8 позиций - к Васе, эти 12 - к Пете, эти 4 - к Свете»
Стек:
- Telegram Bot
- n8n как мозг и оркестратор
- Deepseek для категоризации (выбрали его, потому что дешевле GPT/Claude в разы, а на задаче категоризации качество то же)
- Битрикс24 как источник сегментации поставщиков
Что получили:
- Разбор заявки занимает 3-5 минут вместо 30-40
- Меньше ошибок «отправил не тому» (а это всегда стоит времени и денег)
- Менеджер свободен под нормальные задачи - искать новых поставщиков, торговаться по условиям, разбираться со сложными кейсами. Не строчить кому что отправить
Главный инсайт:
Это работает не благодаря Deepseek. Это работает благодаря тому, что мы перед этим полгода наводили порядок в Б24: сегментировали поставщиков, проставили категории, выкинули мусорные записи. AI без чистых данных = генератор каши.
Про это завтра ещё отдельный пост напишу. Это правило, которое стоит миллион сэкономленных бюджетов.
Дальше планируем: чтобы бот сам рассылал запросы поставщикам, собирал ответы и предлагал менеджеру лучший вариант. Это уже не про экономию минут, это про снятие целого отдела с операционной нагрузки.
Хочешь себе такого помощника в снабжение или продажи - пиши @Alexeybebackbot.
Помнишь пост про воронку заявок, где я обещал рассказать про Deepseek внутри неё? Сегодня дошли руки.
Боль:
Менеджер снабжения получает заявку клиента. Внутри 50 позиций: электрика, крепёж, сантехника, химия, бытовуха. Нормально, заказ как заказ. Только дальше начинается ад: каждую позицию надо разнести по правильному поставщику. У нас десятки поставщиков, каждый специализируется на своих категориях, у каждого свои условия.
Раньше менеджер делал это руками. Сидит, читает позицию, вспоминает «это к Васе, это к Пете, это вообще тёмный лес, надо у Светы спросить». На большую заявку уходило 30-40 минут только на разнесение, ещё до отправки запросов.
Что сделали:
1) Менеджер закидывает заявку в TG-бот (текстом или фоткой накладной)
2) Бот через n8n отправляет содержимое в Deepseek с промптом-категоризатором
3) Deepseek разбивает позиции по категориям
4) Категории мапятся на поставщиков (база поставщиков с сегментацией лежит в Б24)
5) Менеджер получает готовый разбор: «вот эти 8 позиций - к Васе, эти 12 - к Пете, эти 4 - к Свете»
Стек:
- Telegram Bot
- n8n как мозг и оркестратор
- Deepseek для категоризации (выбрали его, потому что дешевле GPT/Claude в разы, а на задаче категоризации качество то же)
- Битрикс24 как источник сегментации поставщиков
Что получили:
- Разбор заявки занимает 3-5 минут вместо 30-40
- Меньше ошибок «отправил не тому» (а это всегда стоит времени и денег)
- Менеджер свободен под нормальные задачи - искать новых поставщиков, торговаться по условиям, разбираться со сложными кейсами. Не строчить кому что отправить
Главный инсайт:
Это работает не благодаря Deepseek. Это работает благодаря тому, что мы перед этим полгода наводили порядок в Б24: сегментировали поставщиков, проставили категории, выкинули мусорные записи. AI без чистых данных = генератор каши.
Про это завтра ещё отдельный пост напишу. Это правило, которое стоит миллион сэкономленных бюджетов.
Дальше планируем: чтобы бот сам рассылал запросы поставщикам, собирал ответы и предлагал менеджеру лучший вариант. Это уже не про экономию минут, это про снятие целого отдела с операционной нагрузки.
Хочешь себе такого помощника в снабжение или продажи - пиши @Alexeybebackbot.
Сначала данные, потом AI. Почему 80% AI-проектов в малом бизнесе разваливаются на старте
Каждую неделю кто-то приходит с вопросом: «Хочу подключить ChatGPT к нашей CRM, можешь сделать?». Делаю встречный вопрос: «А у вас в CRM сегментация клиентов есть? Категории заполнены? Дубликаты убраны?». Тишина.
Дальше расскажу почему этот вопрос важнее самого AI.
В чём проблема:
Языковая модель это шеф-повар. Хороший. Но если на кухне грязь и в холодильнике гнильё, он выдаст ровно то же гнильё, только красиво нарезанное. AI не «починит» твои данные, он их использует.
Когда подключаешь LLM к беспорядку, получаешь:
- Категоризацию вслепую: «электрика» уходит в категорию «прочее», потому что у тебя их 4 разных написания
- Дубликаты: модель видит одного клиента как трёх и пишет ему трижды
- Ошибочную сегментацию: «крупный заказчик» определяется по полю которое последний раз заполняли в 2019 году
- Галлюцинации на пустом месте: модель видит «нет данных», и заполняет правдоподобную чушь
Дальше владелец говорит «AI это хайп, ничего не работает». На самом деле работает, просто его кормят мусором.
3 шага, которые делаем ДО подключения AI:
1) Найди процесс который реально повторяется. Не «вообще наша работа», а конкретно: «обработка входящей заявки», «выставление счёта», «разбор почты от поставщиков». 1 процесс = 1 эксперимент
2) Опиши процесс на бумаге: что на входе, что должно быть на выходе, какие правила. Если не можешь описать на бумаге - AI тем более не сможет
3) Наведи порядок в данных которыми AI будет питаться. Сегментация, категоризация, выкинуть мусор. Скучно, но без этого дальше смысла нет
И только потом подключаешь модель.
Пример из нашей B2B-сети снабжения:
Когда мы делали AI-разбивку заявок по поставщикам, перед самой моделью у нас ушло месяца два на то чтобы навести порядок в базе поставщиков в Б24. Каждому поставлены категории, специализация, условия. Только после этого Deepseek начал давать осмысленный результат.
Если бы я сначала подключил AI к нашему старому бардаку, мы бы получили то самое «AI - это хайп», и закопали бы идею.
Чек-лист перед запуском любой AI-фичи:
1) Какой конкретный процесс автоматизируем? (одно предложение)
2) Какие данные модель должна читать? (источник)
3) Эти данные сейчас в порядке или там бардак? (честно)
4) Что считаем успехом? (метрика, желательно с цифрой)
Если на четвёртый вопрос ответ «ну как-то лучше станет» - не запускаем, возвращаемся к первому пункту.
Сохраняй пост, дай прочитать команде. Особенно тому, кто хочет «срочно прикрутить нейросеть».
Каждую неделю кто-то приходит с вопросом: «Хочу подключить ChatGPT к нашей CRM, можешь сделать?». Делаю встречный вопрос: «А у вас в CRM сегментация клиентов есть? Категории заполнены? Дубликаты убраны?». Тишина.
Дальше расскажу почему этот вопрос важнее самого AI.
В чём проблема:
Языковая модель это шеф-повар. Хороший. Но если на кухне грязь и в холодильнике гнильё, он выдаст ровно то же гнильё, только красиво нарезанное. AI не «починит» твои данные, он их использует.
Когда подключаешь LLM к беспорядку, получаешь:
- Категоризацию вслепую: «электрика» уходит в категорию «прочее», потому что у тебя их 4 разных написания
- Дубликаты: модель видит одного клиента как трёх и пишет ему трижды
- Ошибочную сегментацию: «крупный заказчик» определяется по полю которое последний раз заполняли в 2019 году
- Галлюцинации на пустом месте: модель видит «нет данных», и заполняет правдоподобную чушь
Дальше владелец говорит «AI это хайп, ничего не работает». На самом деле работает, просто его кормят мусором.
3 шага, которые делаем ДО подключения AI:
1) Найди процесс который реально повторяется. Не «вообще наша работа», а конкретно: «обработка входящей заявки», «выставление счёта», «разбор почты от поставщиков». 1 процесс = 1 эксперимент
2) Опиши процесс на бумаге: что на входе, что должно быть на выходе, какие правила. Если не можешь описать на бумаге - AI тем более не сможет
3) Наведи порядок в данных которыми AI будет питаться. Сегментация, категоризация, выкинуть мусор. Скучно, но без этого дальше смысла нет
И только потом подключаешь модель.
Пример из нашей B2B-сети снабжения:
Когда мы делали AI-разбивку заявок по поставщикам, перед самой моделью у нас ушло месяца два на то чтобы навести порядок в базе поставщиков в Б24. Каждому поставлены категории, специализация, условия. Только после этого Deepseek начал давать осмысленный результат.
Если бы я сначала подключил AI к нашему старому бардаку, мы бы получили то самое «AI - это хайп», и закопали бы идею.
Чек-лист перед запуском любой AI-фичи:
1) Какой конкретный процесс автоматизируем? (одно предложение)
2) Какие данные модель должна читать? (источник)
3) Эти данные сейчас в порядке или там бардак? (честно)
4) Что считаем успехом? (метрика, желательно с цифрой)
Если на четвёртый вопрос ответ «ну как-то лучше станет» - не запускаем, возвращаемся к первому пункту.
Сохраняй пост, дай прочитать команде. Особенно тому, кто хочет «срочно прикрутить нейросеть».
Как мы выкинули WordPress и сняли с каждого менеджера по 80-100 звонков в неделю
У нас был сайт на WordPress. Хороший плохой сайт: вроде работает, но медленный, тяжёлый, любой апдейт - квест с плагинами. Главное - он жил отдельно от бизнеса. Заявки с сайта приходили на почту, дальше всё руками: разобрать, занести в CRM, ответить.
Решили выкинуть и переделать.
Стек:
- Node.js (фронт + бэк)
- Directus как headless CMS
- n8n для интеграций
- Битрикс24 как источник истины по клиентам, ценам, заказам
Что получилось:
1) Заявки с сайта летят сразу в воронку Б24, минуя почту и менеджера-перекладывальщика
2) У клиента появился личный кабинет
3) В кабинете - история всех заказов, персональные скидки (тянутся из Б24)
4) Клиент сам выставляет счёт прямо в кабинете (связка ЛК - Б24 - n8n - сайт)
5) Все данные клиента подтягиваются из Б24 в реалтайме
Главный эффект:
До этого каждый менеджер получал 80-100 входящих и исходящих звонков в неделю с вопросами вида:
- «Какая у меня цена на эту позицию?»
- «Где мой счёт за прошлый заказ?»
- «Можете выставить ещё один?»
- «Когда отгрузка?»
После запуска ЛК эти звонки исчезли. Не «уменьшились», а исчезли. Клиент видит свою цену, видит историю, сам жмёт кнопку «выставить счёт». Плюс прикрутили автоуведомления о готовности заказа - ещё кусок звонков отвалился сам.
Самое неожиданное:
Мелочные клиенты, которые гоняли менеджеров десятками заявок в день за копейки, перешли на самообслуживание через сайт. Сами оформляют, сами выставляют счёт, сами оплачивают. Менеджеры освободились под более крупных и интересных - тех, которые приносят основную выручку.
Парадокс: автоматизация не «сэкономила людей», она перераспределила их с дешёвого трафика на дорогой.
Что узнали в процессе:
- Headless CMS (Directus) + современный фронт = в разы быстрее WordPress, на порядок гибче. Возврата к WP не будет
- Личный кабинет в B2B - это не фишка, а рычаг разгрузки операционки. Считать надо не «сколько стоит сделать», а «сколько ваших менеджеров он освободит»
- Интеграция с CRM в реалтайме обязательна. Иначе клиент видит устаревшие цены, и ты получаешь скандал
Если у тебя сайт-витрина, через которую идёт половина заявок руками - это не сайт. Это узкое горло.
Делаем такие переезды под ключ. Напиши @Alexeybebackbot - покажу примеры и обсудим что бы это значило для тебя.
У нас был сайт на WordPress. Хороший плохой сайт: вроде работает, но медленный, тяжёлый, любой апдейт - квест с плагинами. Главное - он жил отдельно от бизнеса. Заявки с сайта приходили на почту, дальше всё руками: разобрать, занести в CRM, ответить.
Решили выкинуть и переделать.
Стек:
- Node.js (фронт + бэк)
- Directus как headless CMS
- n8n для интеграций
- Битрикс24 как источник истины по клиентам, ценам, заказам
Что получилось:
1) Заявки с сайта летят сразу в воронку Б24, минуя почту и менеджера-перекладывальщика
2) У клиента появился личный кабинет
3) В кабинете - история всех заказов, персональные скидки (тянутся из Б24)
4) Клиент сам выставляет счёт прямо в кабинете (связка ЛК - Б24 - n8n - сайт)
5) Все данные клиента подтягиваются из Б24 в реалтайме
Главный эффект:
До этого каждый менеджер получал 80-100 входящих и исходящих звонков в неделю с вопросами вида:
- «Какая у меня цена на эту позицию?»
- «Где мой счёт за прошлый заказ?»
- «Можете выставить ещё один?»
- «Когда отгрузка?»
После запуска ЛК эти звонки исчезли. Не «уменьшились», а исчезли. Клиент видит свою цену, видит историю, сам жмёт кнопку «выставить счёт». Плюс прикрутили автоуведомления о готовности заказа - ещё кусок звонков отвалился сам.
Самое неожиданное:
Мелочные клиенты, которые гоняли менеджеров десятками заявок в день за копейки, перешли на самообслуживание через сайт. Сами оформляют, сами выставляют счёт, сами оплачивают. Менеджеры освободились под более крупных и интересных - тех, которые приносят основную выручку.
Парадокс: автоматизация не «сэкономила людей», она перераспределила их с дешёвого трафика на дорогой.
Что узнали в процессе:
- Headless CMS (Directus) + современный фронт = в разы быстрее WordPress, на порядок гибче. Возврата к WP не будет
- Личный кабинет в B2B - это не фишка, а рычаг разгрузки операционки. Считать надо не «сколько стоит сделать», а «сколько ваших менеджеров он освободит»
- Интеграция с CRM в реалтайме обязательна. Иначе клиент видит устаревшие цены, и ты получаешь скандал
Если у тебя сайт-витрина, через которую идёт половина заявок руками - это не сайт. Это узкое горло.
Делаем такие переезды под ключ. Напиши @Alexeybebackbot - покажу примеры и обсудим что бы это значило для тебя.
Как один отдел продаж потерял 60 миллионов рублей и даже не заметил
У клиентов в инфобизе вижу это регулярно: отделы продаж теряют выручку, и собственник в курсе только постфактум. На vc.ru недавно разбирали сильный кейс, почти один в один с тем что вижу у себя в проектах: https://vc.ru/marketing/865851. Пересказываю коротко с моими выводами.
Компания запускала курсы. Команда менеджеров «продавала на ура» по словам собственника. Запустили внутренний аудит. Получили:
1) Один менеджер обработал за период 862 заявки. Второй - 123. При одинаковой загрузке и плане. Разница в 7 раз
2) С одним клиентом связались впервые через 285 дней после вебинара. Почти год держали лида в забвении
3) Конверсия из лида в продажу упала с 62% до 13% за год. Никто не отслеживал
4) Часть менеджеров писала клиентам по 5-7 раз подряд (тех самых, которые уже сказали «нет»). 2000+ человек не купили курс из-за этого
Итог: внутренний аудит обнаружил 60 миллионов недополученной выручки. На том же объёме лидов, с теми же бюджетами.
Где здесь работает AI-агент (и как мы это закрываем у клиентов):
Это не «AI продаёт вместо менеджера». Это AI делает то, что у живой команды никогда не было сил делать:
1) Первое касание лида за 30 секунд после заявки, на любом канале. Не «подождём пока менеджер вернётся с обеда» - вообще
2) Квалификация в первом диалоге: понимаешь насколько лид готов покупать, какой бюджет, какая боль. На созвон уходит только горячий
3) История всех касаний централизованно. Менеджер видит «лиду уже писали 4 раза, последний отказ был полгода назад - возвращаться не надо»
4) Алерт собственнику при аномалиях: менеджер X обработал в 5 раз меньше других, конверсия в стадии Y упала на 30%
Сколько это стоит:
AI-агент для квалификации лидов и первого касания в инфобизе - 150-300к ₽ за внедрение, дальше retainer 30-60к ₽/мес. Окупается за первый месяц на компании с потоком от 200 лидов в неделю.
Главный вывод:
Не верьте словам «продаём отлично». Верьте цифрам: время до первого касания, процент квалифицированных, конверсия по стадиям, отслеживание лидов которые сказали «нет» больше года назад. Без этого вы тоже сидите на 60 миллионах под жопой и не знаете об этом.
Если хотите такую же диагностику в своём отделе продаж - пишите @Alexeybebackbot, разберём бесплатно за 30 минут.
У клиентов в инфобизе вижу это регулярно: отделы продаж теряют выручку, и собственник в курсе только постфактум. На vc.ru недавно разбирали сильный кейс, почти один в один с тем что вижу у себя в проектах: https://vc.ru/marketing/865851. Пересказываю коротко с моими выводами.
Компания запускала курсы. Команда менеджеров «продавала на ура» по словам собственника. Запустили внутренний аудит. Получили:
1) Один менеджер обработал за период 862 заявки. Второй - 123. При одинаковой загрузке и плане. Разница в 7 раз
2) С одним клиентом связались впервые через 285 дней после вебинара. Почти год держали лида в забвении
3) Конверсия из лида в продажу упала с 62% до 13% за год. Никто не отслеживал
4) Часть менеджеров писала клиентам по 5-7 раз подряд (тех самых, которые уже сказали «нет»). 2000+ человек не купили курс из-за этого
Итог: внутренний аудит обнаружил 60 миллионов недополученной выручки. На том же объёме лидов, с теми же бюджетами.
Где здесь работает AI-агент (и как мы это закрываем у клиентов):
Это не «AI продаёт вместо менеджера». Это AI делает то, что у живой команды никогда не было сил делать:
1) Первое касание лида за 30 секунд после заявки, на любом канале. Не «подождём пока менеджер вернётся с обеда» - вообще
2) Квалификация в первом диалоге: понимаешь насколько лид готов покупать, какой бюджет, какая боль. На созвон уходит только горячий
3) История всех касаний централизованно. Менеджер видит «лиду уже писали 4 раза, последний отказ был полгода назад - возвращаться не надо»
4) Алерт собственнику при аномалиях: менеджер X обработал в 5 раз меньше других, конверсия в стадии Y упала на 30%
Сколько это стоит:
AI-агент для квалификации лидов и первого касания в инфобизе - 150-300к ₽ за внедрение, дальше retainer 30-60к ₽/мес. Окупается за первый месяц на компании с потоком от 200 лидов в неделю.
Главный вывод:
Не верьте словам «продаём отлично». Верьте цифрам: время до первого касания, процент квалифицированных, конверсия по стадиям, отслеживание лидов которые сказали «нет» больше года назад. Без этого вы тоже сидите на 60 миллионах под жопой и не знаете об этом.
Если хотите такую же диагностику в своём отделе продаж - пишите @Alexeybebackbot, разберём бесплатно за 30 минут.
5-10 часов в неделю на ответы по отзывам. Селлеры WB/Ozon, вам знакомо?
У клиентов-селлеров вижу одну и ту же цифру (подтверждается и исследованиями): 5-10 часов в неделю только на ответы к отзывам в личном кабинете. Не закрыть заявку, не запустить рекламу, не считать P&L. Просто ответить «Спасибо за покупку, очень рады что вам понравилось».
И тут засада:
1) Не отвечать - падает рейтинг и карточка тонет в выдаче
2) Отвечать шаблонами - убиваешь лояльность и LTV (клиент видит безличный робото-ответ и больше не покупает)
3) Отвечать руками - 5-10 часов в неделю это пол-рабочего дня в минус
AI-агент на отзывы работает иначе:
1) Видит контекст карточки (что за товар, какие частые проблемы)
2) Читает текст конкретного отзыва, ловит тон (благодарность, претензия, нейтрал)
3) Пишет ответ с учётом обоих: благодарным - тёплый и личный, недовольным - спокойный и решающий проблему
4) Эскалирует селлеру только реальные негативы (брак, доставка, обман) для ручной обработки
В итоге: рейтинг растёт, отзывы выходят в день поступления, ты занимаешься продажами а не перепиской.
Стоит такой агент 80-150к ₽ за внедрение, окупается за 2 месяца только сэкономленным временем.
Если работаешь на WB или Ozon и узнал себя - напиши @Alexeybebackbot.
У клиентов-селлеров вижу одну и ту же цифру (подтверждается и исследованиями): 5-10 часов в неделю только на ответы к отзывам в личном кабинете. Не закрыть заявку, не запустить рекламу, не считать P&L. Просто ответить «Спасибо за покупку, очень рады что вам понравилось».
И тут засада:
1) Не отвечать - падает рейтинг и карточка тонет в выдаче
2) Отвечать шаблонами - убиваешь лояльность и LTV (клиент видит безличный робото-ответ и больше не покупает)
3) Отвечать руками - 5-10 часов в неделю это пол-рабочего дня в минус
AI-агент на отзывы работает иначе:
1) Видит контекст карточки (что за товар, какие частые проблемы)
2) Читает текст конкретного отзыва, ловит тон (благодарность, претензия, нейтрал)
3) Пишет ответ с учётом обоих: благодарным - тёплый и личный, недовольным - спокойный и решающий проблему
4) Эскалирует селлеру только реальные негативы (брак, доставка, обман) для ручной обработки
В итоге: рейтинг растёт, отзывы выходят в день поступления, ты занимаешься продажами а не перепиской.
Стоит такой агент 80-150к ₽ за внедрение, окупается за 2 месяца только сэкономленным временем.
Если работаешь на WB или Ozon и узнал себя - напиши @Alexeybebackbot.
Как поднять доходимость до вебинара с 15 до 45 процентов. Гайд для инфобизнесменов и продюсеров
Стандартная картина: запустили вебинар, собрали 1000 регистраций, на эфире 100-150 человек. Дальше продают курс этим 150, конверсия 5-10%, выручка не та что в моделях. Знакомо?
Доходимость 10-20% это норма для рынка. Не потому что вебинар плохой, а потому что между регистрацией и эфиром происходит то самое «потом посмотрю в записи / совсем забыл / у меня встреча». Без разогрева - 90% уходит.
У клиентов в инфобизе мы поднимаем доходимость до 40-50%. Не магия, нормальная инженерия. Расскажу как.
Что мы делаем вместо «отправили напоминание за час до эфира»:
1) Сразу после регистрации - персональное сообщение в Telegram/WhatsApp. Не от бота с цветами, а от ассистента эксперта: «Хочу убедиться что вы попадёте на эфир. Какая у вас сейчас самая острая проблема в [теме]?». Это собирает боль и квалифицирует лида одновременно
2) За 3 дня до эфира - персональный контент. Не «вот ваша ссылка». А «вы регистрировались с болью X. Перед эфиром посмотрите вот эту короткую запись по теме - там 3 минуты, но они сэкономят вам 30 минут на самом вебинаре»
3) За 1 день - reminder с конкретной выгодой. Не «не забудьте, завтра в 19:00». А «завтра в 19:00 разбираем именно вашу проблему - я подготовил для этого случай. Подтвердите что будете - нажмите 1»
4) За 1 час - реактивация. Не для всех. Только для тех, кто не подтверждал и не открывал сообщения. Этим - крюк: «через час начинаем, последняя возможность пересобрать [результат] за квартал»
5) На самом эфире - помощь живого ассистента. AI пишет в чат вебинара пришедшим: «Андрей, вы регистрировались с вопросом про X - сейчас как раз про это говорят. Если что-то непонятно, спрашивайте здесь»
Почему это работает:
Каждое сообщение персональное и опирается на то что вы знаете о лиде. AI справляется с 500-2000 человек так, как живой менеджер справился бы с 30. И не выгорает к 20-му сообщению.
Что нужно для запуска:
1) AI-агент с памятью о каждом лиде (TG-бот или интеграция с WhatsApp Business API)
2) Сценарии 5 точек контакта (выше)
3) Интеграция с CRM или базой регистраций (Б24, GetCourse, любая)
4) Дашборд по доходимости в реалтайме
Внедрение под ключ - 200-350к ₽, готово за 2-3 недели. Окупается на первом же запуске.
Если запускаешь курсы или вебинары и доходимость ниже 30% - пиши @Alexeybebackbot, покажу как поднять на твоём конкретном кейсе.
Стандартная картина: запустили вебинар, собрали 1000 регистраций, на эфире 100-150 человек. Дальше продают курс этим 150, конверсия 5-10%, выручка не та что в моделях. Знакомо?
Доходимость 10-20% это норма для рынка. Не потому что вебинар плохой, а потому что между регистрацией и эфиром происходит то самое «потом посмотрю в записи / совсем забыл / у меня встреча». Без разогрева - 90% уходит.
У клиентов в инфобизе мы поднимаем доходимость до 40-50%. Не магия, нормальная инженерия. Расскажу как.
Что мы делаем вместо «отправили напоминание за час до эфира»:
1) Сразу после регистрации - персональное сообщение в Telegram/WhatsApp. Не от бота с цветами, а от ассистента эксперта: «Хочу убедиться что вы попадёте на эфир. Какая у вас сейчас самая острая проблема в [теме]?». Это собирает боль и квалифицирует лида одновременно
2) За 3 дня до эфира - персональный контент. Не «вот ваша ссылка». А «вы регистрировались с болью X. Перед эфиром посмотрите вот эту короткую запись по теме - там 3 минуты, но они сэкономят вам 30 минут на самом вебинаре»
3) За 1 день - reminder с конкретной выгодой. Не «не забудьте, завтра в 19:00». А «завтра в 19:00 разбираем именно вашу проблему - я подготовил для этого случай. Подтвердите что будете - нажмите 1»
4) За 1 час - реактивация. Не для всех. Только для тех, кто не подтверждал и не открывал сообщения. Этим - крюк: «через час начинаем, последняя возможность пересобрать [результат] за квартал»
5) На самом эфире - помощь живого ассистента. AI пишет в чат вебинара пришедшим: «Андрей, вы регистрировались с вопросом про X - сейчас как раз про это говорят. Если что-то непонятно, спрашивайте здесь»
Почему это работает:
Каждое сообщение персональное и опирается на то что вы знаете о лиде. AI справляется с 500-2000 человек так, как живой менеджер справился бы с 30. И не выгорает к 20-му сообщению.
Что нужно для запуска:
1) AI-агент с памятью о каждом лиде (TG-бот или интеграция с WhatsApp Business API)
2) Сценарии 5 точек контакта (выше)
3) Интеграция с CRM или базой регистраций (Б24, GetCourse, любая)
4) Дашборд по доходимости в реалтайме
Внедрение под ключ - 200-350к ₽, готово за 2-3 недели. Окупается на первом же запуске.
Если запускаешь курсы или вебинары и доходимость ниже 30% - пиши @Alexeybebackbot, покажу как поднять на твоём конкретном кейсе.
Спящие клиенты в B2B - самый дешёвый источник выручки. AI-агент для реактивации
У любого B2B с историей больше двух лет в базе сидит 500-2000 контактов. Из них 30-40% - спящие, не покупали 6+ месяцев. И ничего: менеджеры тушат пожары с новыми, до старых руки не доходят. По факту там лежит несколько миллионов выручки, доступной без затрат на маркетинг.
Почему живой менеджер это не закрывает:
Берёт список из 300 спящих, обзванивает по 50 в неделю, выгорает на третьей. Конверсия 2-3%, потому что скрипт «как ваши дела, давайте сотрудничать» работает плохо. Через месяц проект тихо умирает.
Что мы делаем у клиентов:
1) Из Б24 выгрузка спящих с сегментацией по «причине простоя»: не покупал 6-12 мес / 12-24 / >24. Плюс - тег по последней категории заказа
2) AI-агент пишет первое касание в Telegram/WhatsApp/Email. Не «как дела», а с упоминанием конкретики: что заказывал последний раз, какой комментарий оставлял, какие проблемы упоминал в переписке
3) Сценарий-ветка: если ответил - агент задаёт квалифицирующий вопрос («что сейчас мешает заказать у нас?»). Если молчит - второе касание через 3 дня с другим заходом
4) Горячие лиды передаются менеджеру с готовой саммари: «Иванов, спал 14 мес, последний заказ - электрика, сказал что переехал на другого поставщика, недоволен ценой. Звони пока тёплый»
5) Холодные и «не интересно» уходят в архив с тегом - чтобы через год не теребить ещё раз
Стек:
- Битрикс24 как источник истины (база контактов, история)
- n8n как оркестратор
- Claude или Deepseek для генерации сообщений и квалификации
- Telegram Business + WhatsApp Business API + SMTP - каналы доставки
Цифры по индустрии (не мои клиенты):
- Средний рейт реактивации спящих в B2B - 12-20% возврата, топ-кампании 20-35% (данные из отчётов агентств по email/CRM-реактивации 2025-2026)
- Реактивация лапснутого клиента обходится в 5-7 раз дешевле привлечения нового
- Существующие клиенты дают около 65% всей выручки типового B2B
- При этом у большинства компаний нет ни одного системного процесса под спящих
Мои конкретные цифры по клиентам не даю - у каждого разная база, специфика, стек. Обещать средние - неправда.
Главное:
Реактивация - самый дешёвый источник выручки в B2B. Эти люди уже однажды тебя выбрали, ты не платишь за привлечение. Живым менеджером поднимать их бесполезно: скучно, выгорает, бросает на третьей неделе. AI поднимает без эмоций и в правильном тоне. Подходит почти любому B2B где есть CRM с историей и хоть какие-то заметки по клиентам.
Если у тебя в базе сотни спящих - пиши @Alexeybebackbot, разберём за 30 минут как это будет работать у тебя.
У любого B2B с историей больше двух лет в базе сидит 500-2000 контактов. Из них 30-40% - спящие, не покупали 6+ месяцев. И ничего: менеджеры тушат пожары с новыми, до старых руки не доходят. По факту там лежит несколько миллионов выручки, доступной без затрат на маркетинг.
Почему живой менеджер это не закрывает:
Берёт список из 300 спящих, обзванивает по 50 в неделю, выгорает на третьей. Конверсия 2-3%, потому что скрипт «как ваши дела, давайте сотрудничать» работает плохо. Через месяц проект тихо умирает.
Что мы делаем у клиентов:
1) Из Б24 выгрузка спящих с сегментацией по «причине простоя»: не покупал 6-12 мес / 12-24 / >24. Плюс - тег по последней категории заказа
2) AI-агент пишет первое касание в Telegram/WhatsApp/Email. Не «как дела», а с упоминанием конкретики: что заказывал последний раз, какой комментарий оставлял, какие проблемы упоминал в переписке
3) Сценарий-ветка: если ответил - агент задаёт квалифицирующий вопрос («что сейчас мешает заказать у нас?»). Если молчит - второе касание через 3 дня с другим заходом
4) Горячие лиды передаются менеджеру с готовой саммари: «Иванов, спал 14 мес, последний заказ - электрика, сказал что переехал на другого поставщика, недоволен ценой. Звони пока тёплый»
5) Холодные и «не интересно» уходят в архив с тегом - чтобы через год не теребить ещё раз
Стек:
- Битрикс24 как источник истины (база контактов, история)
- n8n как оркестратор
- Claude или Deepseek для генерации сообщений и квалификации
- Telegram Business + WhatsApp Business API + SMTP - каналы доставки
Цифры по индустрии (не мои клиенты):
- Средний рейт реактивации спящих в B2B - 12-20% возврата, топ-кампании 20-35% (данные из отчётов агентств по email/CRM-реактивации 2025-2026)
- Реактивация лапснутого клиента обходится в 5-7 раз дешевле привлечения нового
- Существующие клиенты дают около 65% всей выручки типового B2B
- При этом у большинства компаний нет ни одного системного процесса под спящих
Мои конкретные цифры по клиентам не даю - у каждого разная база, специфика, стек. Обещать средние - неправда.
Главное:
Реактивация - самый дешёвый источник выручки в B2B. Эти люди уже однажды тебя выбрали, ты не платишь за привлечение. Живым менеджером поднимать их бесполезно: скучно, выгорает, бросает на третьей неделе. AI поднимает без эмоций и в правильном тоне. Подходит почти любому B2B где есть CRM с историей и хоть какие-то заметки по клиентам.
Если у тебя в базе сотни спящих - пиши @Alexeybebackbot, разберём за 30 минут как это будет работать у тебя.
MCP - Model Context Protocol. Что это и почему в 2026 без него AI-агент - игрушка
Если ты в этом году слышал «надо смотреть в сторону MCP» и кивал не понимая - этот пост для тебя.
Что такое MCP:
Открытый протокол от Anthropic. Определяет как AI-модель «подключается» к внешним системам: базам данных, файлам, API, инструментам. До MCP каждый, кто делал AI-агента, писал свою обвязку: открыть Б24, прочитать сделку, дёрнуть n8n, записать обратно. Каждый интегратор - своё колесо.
MCP - это USB для AI. Один порт, к которому подключаются модули (их называют MCP-серверы), а модель работает со всем по единому стандарту.
Зачем тебе это:
1) Скорость внедрения. Раньше «прикрутить агента к 1С» = 2-3 недели. С готовым MCP-сервером - 2-3 дня
2) Переносимость. Сделал MCP-сервер для своего Битрикса - подключил к нему Claude, потом GPT, потом Deepseek. Без переписывания агента
3) Безопасность. MCP даёт границы. У модели нет прямого доступа к БД - только через сервер с прописанными правилами «что читать, что писать, что нельзя трогать»
4) Композиция. Один AI-агент использует несколько MCP-серверов: Б24, n8n, Postgres, Slack. Дёргает только те которые нужны под конкретную задачу
Что происходит с MCP в 2026 (цифры):
- ~10 000 активных публичных MCP-серверов. 97 миллионов загрузок SDK в месяц (Python + TypeScript). 15 900+ репо на GitHub с топиком mcp-server
- В декабре 2025 Anthropic донатили протокол в Linux Foundation. Сооснователи новой Agentic AI Foundation - OpenAI и Block. Поддерживают AWS, Google, Microsoft, Cloudflare, GitHub, Bloomberg. Это редкий случай когда конкуренты сели за один стол
- Январь 2026 - MCP Apps launch. В первой волне подключились Asana, Figma, Slack, Salesforce, Canva, Box, monday.com, Amplitude
- Протокольные войны фактически закончены: Google A2A и другие альтернативы не набрали массы, все крупные игроки консолидируются вокруг MCP (июль 2026)
- Anthropic MCP SDK (Python, TS) - чтобы писать свои серверы
- Готовые MCP-серверы: Postgres, Slack, Google Drive, GitHub, файловая система, Notion и десятки SaaS
- Дыры: 1С, Битрикс24, МойСклад - готовых хороших MCP-серверов пока нет, пишутся под клиента. Это сейчас и есть зона работы для агентств вроде нас
Enterprise-адопшн:
По исследованию Stacklok 2026, 41% организаций уже в лимитед или broad проде с MCP-серверами. 28% компаний из Fortune 500 задеплоили MCP у себя. Gartner прогноз: к концу 2026 - 40% enterprise-приложений с task-specific AI-агентами (в 2025 было меньше 5%). Все эти агенты будут ходить через MCP.
Как мы используем у себя:
В моей операционке агент сидит на трёх MCP-серверах:
- Postgres со снимком данных из Б24
- Кастомный MCP для нашего бота снабжения
- Файловая система с накладными и доками
Агент сам решает к чему обращаться под задачу. Если завтра захочу заменить Claude на Deepseek - меняю одну строку конфига, агент работает дальше.
Когда MCP НЕ нужен:
- Простая автоматизация без логики (1 заявка - 1 шаблон ответа). Хватит n8n + LLM-нода
- Прототип на коленке. Заводи через прямые вызовы, не усложняй
- MCP - это для долгих, сложных, развивающихся систем. Не каждой задаче нужен
Главный инсайт:
В 2025 спор был «n8n vs Make vs Zapier». В 2026 - «как ты строишь свою MCP-инфраструктуру». Те, кто сейчас вкладывается в MCP-серверы под свою операционку - через год получат рычаг которого у конкурентов нет.
Если хочешь понять с какого MCP-сервера стоит начать в твоём случае - пиши @Alexeybebackbot, разберём бесплатно.
Если ты в этом году слышал «надо смотреть в сторону MCP» и кивал не понимая - этот пост для тебя.
Что такое MCP:
Открытый протокол от Anthropic. Определяет как AI-модель «подключается» к внешним системам: базам данных, файлам, API, инструментам. До MCP каждый, кто делал AI-агента, писал свою обвязку: открыть Б24, прочитать сделку, дёрнуть n8n, записать обратно. Каждый интегратор - своё колесо.
MCP - это USB для AI. Один порт, к которому подключаются модули (их называют MCP-серверы), а модель работает со всем по единому стандарту.
Зачем тебе это:
1) Скорость внедрения. Раньше «прикрутить агента к 1С» = 2-3 недели. С готовым MCP-сервером - 2-3 дня
2) Переносимость. Сделал MCP-сервер для своего Битрикса - подключил к нему Claude, потом GPT, потом Deepseek. Без переписывания агента
3) Безопасность. MCP даёт границы. У модели нет прямого доступа к БД - только через сервер с прописанными правилами «что читать, что писать, что нельзя трогать»
4) Композиция. Один AI-агент использует несколько MCP-серверов: Б24, n8n, Postgres, Slack. Дёргает только те которые нужны под конкретную задачу
Что происходит с MCP в 2026 (цифры):
- ~10 000 активных публичных MCP-серверов. 97 миллионов загрузок SDK в месяц (Python + TypeScript). 15 900+ репо на GitHub с топиком mcp-server
- В декабре 2025 Anthropic донатили протокол в Linux Foundation. Сооснователи новой Agentic AI Foundation - OpenAI и Block. Поддерживают AWS, Google, Microsoft, Cloudflare, GitHub, Bloomberg. Это редкий случай когда конкуренты сели за один стол
- Январь 2026 - MCP Apps launch. В первой волне подключились Asana, Figma, Slack, Salesforce, Canva, Box, monday.com, Amplitude
- Протокольные войны фактически закончены: Google A2A и другие альтернативы не набрали массы, все крупные игроки консолидируются вокруг MCP (июль 2026)
- Anthropic MCP SDK (Python, TS) - чтобы писать свои серверы
- Готовые MCP-серверы: Postgres, Slack, Google Drive, GitHub, файловая система, Notion и десятки SaaS
- Дыры: 1С, Битрикс24, МойСклад - готовых хороших MCP-серверов пока нет, пишутся под клиента. Это сейчас и есть зона работы для агентств вроде нас
Enterprise-адопшн:
По исследованию Stacklok 2026, 41% организаций уже в лимитед или broad проде с MCP-серверами. 28% компаний из Fortune 500 задеплоили MCP у себя. Gartner прогноз: к концу 2026 - 40% enterprise-приложений с task-specific AI-агентами (в 2025 было меньше 5%). Все эти агенты будут ходить через MCP.
Как мы используем у себя:
В моей операционке агент сидит на трёх MCP-серверах:
- Postgres со снимком данных из Б24
- Кастомный MCP для нашего бота снабжения
- Файловая система с накладными и доками
Агент сам решает к чему обращаться под задачу. Если завтра захочу заменить Claude на Deepseek - меняю одну строку конфига, агент работает дальше.
Когда MCP НЕ нужен:
- Простая автоматизация без логики (1 заявка - 1 шаблон ответа). Хватит n8n + LLM-нода
- Прототип на коленке. Заводи через прямые вызовы, не усложняй
- MCP - это для долгих, сложных, развивающихся систем. Не каждой задаче нужен
Главный инсайт:
В 2025 спор был «n8n vs Make vs Zapier». В 2026 - «как ты строишь свою MCP-инфраструктуру». Те, кто сейчас вкладывается в MCP-серверы под свою операционку - через год получат рычаг которого у конкурентов нет.
Если хочешь понять с какого MCP-сервера стоит начать в твоём случае - пиши @Alexeybebackbot, разберём бесплатно.
5 задач, которые AI-агент НЕ закроет. Чтобы ты не покупал кота в мешке
Каждую неделю приходят с запросом «хочу AI который сделает X». Половина запросов - реальные, чинятся. Половина - инфоцыгане продали мечту, теперь человек верит что AI это магия.
Список того что AI НЕ закроет (вообще или плохо):
1) Принимать стратегические решения. AI разберёт данные, покажет варианты. Но «куда мы идём как бизнес» - не его компетенция. Это твоя голова
2) Заменить менеджера, который ДУМАЕТ. AI отлично справляется с типовыми задачами. Нетиповая («клиент злой, нашёл баг в накладной, надо разобраться и не потерять») - к живому человеку с опытом
3) Продавать сложное B2B на чек 500+к ₽. AI открывает дверь, квалифицирует, греет. Дальше - живой продавец. Чем сложнее продукт, тем раньше включается человек
4) Делать креатив для бренда. AI напишет 100 шаблонов в соцсети. Но «вот наш голос, тон, что мы НЕ говорим» - формирует команда + редактор. AI исполняет рамку, не задаёт её
5) Чинить кривые процессы. Если у тебя в процессе бардак и слово «когда-то» встречается 5 раз - AI не починит, только ускорит хаос. Сначала процесс на бумаге, потом данные в порядок, потом модель
Если кто-то обещает закрыть любую из этих 5 задач «под ключ AI-агентом» - беги. Это инфоцыгане.
Если хочешь честно разобрать что у тебя AI закроет, а что нет - пиши @Alexeybebackbot, скажу прямо.
Каждую неделю приходят с запросом «хочу AI который сделает X». Половина запросов - реальные, чинятся. Половина - инфоцыгане продали мечту, теперь человек верит что AI это магия.
Список того что AI НЕ закроет (вообще или плохо):
1) Принимать стратегические решения. AI разберёт данные, покажет варианты. Но «куда мы идём как бизнес» - не его компетенция. Это твоя голова
2) Заменить менеджера, который ДУМАЕТ. AI отлично справляется с типовыми задачами. Нетиповая («клиент злой, нашёл баг в накладной, надо разобраться и не потерять») - к живому человеку с опытом
3) Продавать сложное B2B на чек 500+к ₽. AI открывает дверь, квалифицирует, греет. Дальше - живой продавец. Чем сложнее продукт, тем раньше включается человек
4) Делать креатив для бренда. AI напишет 100 шаблонов в соцсети. Но «вот наш голос, тон, что мы НЕ говорим» - формирует команда + редактор. AI исполняет рамку, не задаёт её
5) Чинить кривые процессы. Если у тебя в процессе бардак и слово «когда-то» встречается 5 раз - AI не починит, только ускорит хаос. Сначала процесс на бумаге, потом данные в порядок, потом модель
Если кто-то обещает закрыть любую из этих 5 задач «под ключ AI-агентом» - беги. Это инфоцыгане.
Если хочешь честно разобрать что у тебя AI закроет, а что нет - пиши @Alexeybebackbot, скажу прямо.
Klarna сэкономила $60M на одном AI-агенте поддержки. Разбор для тех, у кого не Klarna
Официальные цифры из отчёта Klarna за Q3 2025. AI-ассистент (на OpenAI) обрабатывает столько же тикетов, сколько 853 живых оператора. Сэкономлено ~$60 млн в год.
Важный нюанс: это не «уволили 853 человека и пришёл AI». Это cost avoidance - Klarna растёт, объём обращений растёт, нанимать пришлось бы 853 новых. Не наняли, деньги сэкономили. Такая формулировка честнее и полезнее.
Что реально сделали:
1) Первый уровень поддержки автоматизирован полностью. Возвраты, статусы платежей, разблокировки, споры по транзакциям - агент закрывает без человека
2) Средний тикет решается за 2 минуты вместо 11. Реально влияет на NPS сильнее чем на costs
3) 35 языков в проде. Один агент - вся Европа + США + Азия. Живой оператор так не масштабируется
4) Эскалация к человеку по чётким правилам. Если тон переходит в жалобу или сумма выше порога - в очередь к живому
Что из этого применимо в СМБ на 20-50 человек:
Полный масштаб Klarna не воспроизвести. Но модель - да. Первый уровень поддержки в СМБ обычно закрывает:
- Статус заказа/доставки
- Как оформить возврат
- Как подключить услугу
- Где скачать документы
- Технические вопросы уровня «как зайти в личный кабинет»
Это 60-70% всех обращений в поддержку. AI-агент с доступом к CRM закрывает их за 20-40 секунд, круглосуточно, на любом языке.
Оценка для СМБ (по нашим внедрениям):
- Один живой оператор в поддержке = 80-120к ₽/мес полная стоимость (зарплата + налоги + рабочее место)
- Внедрение AI-агента поддержки под ключ = 300-500к ₽ разово + 15-30к ₽/мес на инфру
- Окупаемость 3-6 месяцев на одном сэкономленном FTE
Главное отличие от Klarna: тебе не нужен OpenAI enterprise на миллион в месяц. Хватит Claude/Deepseek API + n8n + MCP-сервер к твоей CRM. Стек стоит копейки, работает так же.
Если у тебя в поддержке 2+ оператора и очевидно большая доля типовых вопросов - пиши @Alexeybebackbot, посчитаем экономику под твой поток обращений.
Официальные цифры из отчёта Klarna за Q3 2025. AI-ассистент (на OpenAI) обрабатывает столько же тикетов, сколько 853 живых оператора. Сэкономлено ~$60 млн в год.
Важный нюанс: это не «уволили 853 человека и пришёл AI». Это cost avoidance - Klarna растёт, объём обращений растёт, нанимать пришлось бы 853 новых. Не наняли, деньги сэкономили. Такая формулировка честнее и полезнее.
Что реально сделали:
1) Первый уровень поддержки автоматизирован полностью. Возвраты, статусы платежей, разблокировки, споры по транзакциям - агент закрывает без человека
2) Средний тикет решается за 2 минуты вместо 11. Реально влияет на NPS сильнее чем на costs
3) 35 языков в проде. Один агент - вся Европа + США + Азия. Живой оператор так не масштабируется
4) Эскалация к человеку по чётким правилам. Если тон переходит в жалобу или сумма выше порога - в очередь к живому
Что из этого применимо в СМБ на 20-50 человек:
Полный масштаб Klarna не воспроизвести. Но модель - да. Первый уровень поддержки в СМБ обычно закрывает:
- Статус заказа/доставки
- Как оформить возврат
- Как подключить услугу
- Где скачать документы
- Технические вопросы уровня «как зайти в личный кабинет»
Это 60-70% всех обращений в поддержку. AI-агент с доступом к CRM закрывает их за 20-40 секунд, круглосуточно, на любом языке.
Оценка для СМБ (по нашим внедрениям):
- Один живой оператор в поддержке = 80-120к ₽/мес полная стоимость (зарплата + налоги + рабочее место)
- Внедрение AI-агента поддержки под ключ = 300-500к ₽ разово + 15-30к ₽/мес на инфру
- Окупаемость 3-6 месяцев на одном сэкономленном FTE
Главное отличие от Klarna: тебе не нужен OpenAI enterprise на миллион в месяц. Хватит Claude/Deepseek API + n8n + MCP-сервер к твоей CRM. Стек стоит копейки, работает так же.
Если у тебя в поддержке 2+ оператора и очевидно большая доля типовых вопросов - пиши @Alexeybebackbot, посчитаем экономику под твой поток обращений.