Резюме
Это пример применения методологии на основе открытых отраслевых данных. Цифры рассчитаны по публичным источникам — ваши результаты и декомпозиция процесса на блоки будут зависеть от конкретных условий.
Ситуация. B2B компания, 50–200 сотрудников в отделе продаж, продажи через CRM (amoCRM или Bitrix24). Еженедельно CEO просит прогноз на месяц: сколько сделок закроется, на какую сумму. Менеджеры и руководители отделов оценивают вероятность каждой сделки субъективно («я уверен на 80%», но это не по данным).
Проблема. Человеко-часы: руководитель отдела продаж 4–6 часов в неделю на построение прогноза вручную (собирает оценки от менеджеров, агрегирует, согласовывает) × 2000₽/ч × 52 недели = 416 000–624 000₽/год Неточность прогноза: 20–40% отклонение от факта приводит к неверным финпланам, задержкам инвестиций, неверным управленческим решениям. Упущенные возможности: неправильное распределение ресурсов между сделками (не видно, какие сделки в опасности).
Результат анализа. 2 блоков — в 🟢 Автоматизация (EPOCH 1–2). 2 блоков — в 🟡 Усиление (EPOCH 3). 1 блок — в 🟠 Коллаборация (EPOCH 4). 1 блок — в 🔴 Человек (EPOCH 5). Экономия — до 127 300 ₽ (Москва), ROI 500%.
Карта процесса
Процесс разбит на 6 блоков.
- 1 Выгрузить данные о сделках из CRM (amoCRM, Bitrix24) Автоматизация
- 2 Проанализировать воронку продаж по конверсиям на каждом этапе Автоматизация
- 3 Построить прогноз продаж статистическим или ML-методом Усиление
- 4 Скорректировать прогноз на сезонность и исторические тренды Усиление
- 5 Скорректировать прогноз по экспертным оценкам команды продаж Коллаборация
- 6 Утвердить план продаж у CEO/CFO Человек
Итого: 2 шага в 🟢 Автоматизация (EPOCH 1–2), 2 шага в 🟡 Усиление (EPOCH 3), 1 шаг в 🟠 Коллаборация (EPOCH 4), 1 шаг в 🔴 Человек (EPOCH 5).
Проверка готовности
Все четыре ответа должны быть «Да» — тогда можно переходить к внедрению.
- Руководитель отдела может проверить базовый прогноз перед отправкой CEO, сравнив с исторической конверсией?
- CRM доступна через API и данные готовы к выгрузке в течение 1–2 недель?
- Руководство поддерживает внедрение ИИ-прогнозирования в процесс планирования?
- Команда осознаёт, что долгосрочное делегирование прогнозирования снижает способность выявлять ошибки в исторических данных?
Анализ
Таблица блоков
EPOCH (MIT Sloan, Loaiza & Rigobon, 2025) — шкала 1–5: насколько задача требует человеческого участия. Оценка = максимум из пяти параметров.
«Готовность ИИ-инструмента» определяет стартовый уровень контроля: чем больше опыта у команды с этой связкой «задача + инструмент», тем меньше проверок нужно с первого дня. Новый — команда ещё не делала этот тип задач с этим инструментом, уровень контроля 1. Пробуем — 1–2 цикла, результат ещё нестабильный, уровень 1–2. Стабильный — 3+ цикла без ошибок, уровень 2–3. Доказанный — 8+ циклов, уровень 3–4. Прочерк — блок не передаётся ИИ, оценка неприменима.
| # | Блок | Зависит от | EPOCH | Зона | Описание | Готовность ИИ-инструмента |
|---|---|---|---|---|---|---|
| 1 | Выгрузить данные о сделках из CRM (amoCRM, Bitrix24) | — | 1 | Автоматизация | API-запрос к amoCRM/Bitrix24, структурирование данных о сделках и их статусах | Стабильный |
| 2 | Проанализировать воронку продаж по конверсиям на каждом этапе | 1 | 2 | Автоматизация | Расчёт: в какой стадии скольких сделок, какой ожидаемый размер, какая историческая конверсия | Стабильный |
| 3 | Построить прогноз продаж статистическим или ML-методом | 2 | 3 | Усиление | Выбор метода (статистика vs ML), калибровка модели, расчёт доверительного интервала | Пробуем |
| 4 | Скорректировать прогноз на сезонность и исторические тренды | 2, 3 | 3 | Усиление | Анализ исторических данных, выявление сезонности, интерпретация трендов | Пробуем |
| 5 | Корректировка на знания команды | 3, 4 | 4 | Коллаборация | Структурированный сбор информации от менеджеров (риски, конкурентные угрозы), интеграция в модель | Новый |
| 6 | [С] Утверждение CEO | 5 | 5 | Человек | Стратегическое решение на основе прогноза: согласуется ли с бизнес-целями, какие риски | — |
Почему такие оценки
| # | Блок | EPOCH | Обоснование |
|---|---|---|---|
| 1 | Выгрузка | 1 | Техническая операция: API-запрос, парсинг JSON, структурирование таблицы. |
| 2 | Анализ воронки продаж | 2 | Логические расчёты: группировка по стадиям, суммирование сумм, расчёт конверсии из истории. |
| 3 | Построить прогноз продаж статистическим или ML-методом | 3 | ИИ может рассчитать тренд методом наименьших квадратов, но выбор между статистикой и ML, калибровка доверительного интервала требует суждения о точности модели. |
| 4 | Сезонность | 3 | ИИ может выявить паттерны в исторических данных, но интерпретация (является ли это нормальной сезонностью или аномалией) требует знания бизнеса. |
| 5 | Корректировка | 4 | Требуется умение выстроить структурированный диалог с менеджерами, извлечь скрытую информацию (риски, которые они не назовут впрямую), интегрировать её в модель. |
| 6 | [С] Утверждение | 5 | Стратегическое видение: как прогноз соотносится с целями компании, какие инвестиции разумны. |
Ограничения ChatGPT в этом процессе
- ChatGPT не подключён к amoCRM или Bitrix24 — актуальные данные о сделках, стадиях и конверсиях нужно выгружать отдельно. Без свежих данных прогноз строится на устаревшей или вымышленной информации (Suplari, 2025).
- Прогнозирование на временных рядах требует специализированных моделей (ARIMA, Prophet, ML ensemble). ChatGPT не обучен на них и не воспроизводит статистически корректные доверительные интервалы (Towards Data Science, 2024).
- Корректировку на знания команды ChatGPT сделать не может: «ощущение» менеджера о риске сделки — неформализованный сигнал, который нужно структурированно собирать, а не интерпретировать из переписки (Art of Procurement / The Hackett Group, 2025).
- Прогноз продаж влияет на финансовые и инвестиционные решения компании — ответственность за точность остаётся на руководителе. ChatGPT не может выступать источником, которому можно предъявить претензию (CPA Journal, 2023).
Инструкции для передачи задач ИИ
Чтобы передать задачу ИИ, нужно описать три вещи: что подаёте на вход, что получаете обратно и как поймёте, что результат верный. Ниже — такое описание для каждого блока, который переходит к ИИ. Это можно передать разработчику или использовать как основу для промпта.
Автоматизированный анализ воронки продаж и расчёт базового прогноза
- Все активные сделки учтены
- Суммы соответствуют CRM (±0,1%)
- Историческая конверсия рассчитана по данным ≥3 последних месяцев
- Доверительный интервал охватывает фактические результаты прошлых месяцев
Выгрузка из CRM (сделки, статусы, суммы, даты создания, даты последнего обновления)
JSON {дата_прогноза, сделки_по_стадиям, прогноз_базовый, доверительный_интервал, конверсия_историческая}
Уровень 2 (контролируемый) — ИИ рассчитывает, руководитель проверяет базовый прогноз перед передачей команде
Корректировка прогноза на знания команды
- Все риски от менеджеров обработаны
- Корректировки количественные (не просто «мой друг CEO сказал снизить на 10%»)
- Объяснение отклонения логично: если прогноз снизился на 20%, причины объясняют минимум 15% снижения
Базовый прогноз + форма сбора рисков от менеджеров (текстовые ответы)
Корректированный прогноз {измененный_прогноз, причины_корректировок, объяснение_отклонения}
Уровень 3 (авто-мониторинг) — ИИ собирает знания, считает корректировку, руководитель проверяет перед отправкой CEO
Экономика
| Метрика | Часов в год | Экономия (₽/год) | Источник |
|---|---|---|---|
| Время на построение прогноза вручную | 208–312 ч | 416 000–624 000₽ | 📊 Расчёт (4–6 ч/нед × 52 нед) |
| Повышение точности прогноза | — | Синергия | 📈 Оценочно (60% → 75–80%) |
| Итого экономия в год | 208–312 ч | 291 000–437 000₽ |
Ставки рассчитаны по медианным данным HH.ru и ГородРабот.ру, начало 2026 года. Без учёта НДФЛ и страховых взносов (~30%).
| До (без ИИ) | Стало возможным (с ИИ) | Изменение охвата |
|---|---|---|
| Прогноз 1 раз в неделю, ручной | Ежедневный автоматический прогноз, обновляется по мере изменений в CRM | +600% (ежедневно vs еженедельно) |
| Конверсии оцениваются субъективно | Объективная конверсия на основе истории по менеджерам, по продуктам, по отраслям клиентов | ×3 (3 измерения вместо 1) |
| Нет анализа рисков | Структурированный сбор рисков от команды, интеграция в прогноз | риски теперь собираются и интегрируются в прогноз (было 0) |
| Сезонность не учитывается | Автоматическое выявление сезонности, учёт при прогнозе | +25–30% точности |
| Финплан принимается с точностью ±30% | Финплан принимается с точностью ±15% (меньше переделок) | +100% (удвоение точности) |
AI/ML-прогнозирование сокращает ошибку прогноза на 20–50% по сравнению с табличными методами; компании со структурированными процессами прогнозирования достигают на 15% более высокой точности, чем конкуренты. Источник: Forecastio, Sales Forecasting Accuracy, 2026; Markets&Markets, AI Sales Forecasting, 2026.
| Категория | Описание | Стоимость |
|---|---|---|
| Разовая настройка | Разовая настройка | 150 000 ₽ |
| Операционные | Операционные (API, подписки) | 2 000 ₽/мес |
| Обслуживание ИИ | Обслуживание ИИ | 2 625 ₽/мес |
| Разовая настройка | Разовые итого | 150 000 ₽ |
| Валидация | Валидация результатов | 350 ₽/мес |
| Компетенции | Поддержание компетенций | 1 000 ₽/мес |
Ловушка зависимости: чем дольше задача делегирована ИИ, тем сложнее замечать его ошибки. Раз в месяц — выполнить одну задачу вручную, чтобы сохранить способность оценивать результат. Подробнее — Мониторинг