Продажа AI-решений представляет собой один из наиболее сложных и динамично развивающихся сегментов в IT-индустрии.
В условиях высокого спроса на искусственный интеллект (ИИ) компании сталкиваются со множеством проблем: от завышенных ожиданий клиентов до необходимости работы с неопределенностью и сложностью обработки данных.
В этой статье рассмотрим ключевые аспекты продажи AI-решений, принимая во внимание использование OSINT для исследования лидов, а также основываясь на стратегиях и подходах, которые помогут преодолеть возникающие трудности.
Open-source intelligence (OSINT) — это процесс сбора и анализа общедоступной информации для оценки угроз, принятия решений или ответов на конкретные вопросы.

1. Почему продажа AI-решений сложнее, чем стандартные IT-продажи?
Начать следует с отличия в самой разработке. Большинство подобных проектов основаны на CRISP-DM — процессе разработки AI-решений, который включает в себя этапы понимания бизнеса, подготовки данных, моделирования, оценки и развертывания.
Главное отличие таких проектов — наличие переменной: данных!
У каждого заказчика они уникальны. Возьмем, к примеру, видеопоток. У заказчиков могут быть разные камеры, стоящие под разным углом, погодные условия на видео, освещение, но всем надо просто детектировать номера машин.
Главная особенность CRISP-DM в том, что этапы могут повторяться несколько раз до достижения оптимального результата. Зачастую это расценивается заказчиком как некомпетентность команды.
К примеру, у нас была задача идентификации игроков на футбольном поле (детские школы). Мы испробовали три варианта идентификации, пока не пришли к нужному. Тестировали распознавание лиц, но ребята на видео были слишком далеко.
Потом тестировали распознавание номеров на майках, но одни и те же игроки посещали тренировки в разных формах.
Только протестировав распознавание по цветовой гистограмме, мы пришли к более-менее неплохим результатам.
Было бы отлично, если бы мы сразу показали заказчику возможные варианты (об этом будет ниже).
Но мы брали одну гипотезу, тестировали ее, возвращались с плохим результатом и садились придумывать новую, анализируя данные, проводя исследования и т.д.
Спойлер: в финальном решении мы от всех вышеперечисленных способов отказались 🙂

Отличие стандартного процесса разработки от работы с AI-Проектом

CRISP-DM
Помимо самого процесса разработки, существует еще несколько причин, которые осложняют продажи.
- Неопределенность результата. В отличие от традиционных IT-проектов, результат работы AI-систем не всегда может быть предсказан с высокой точностью. AI-модель может оказаться неэффективной, если данные будут плохого качества или недостаточно релевантными.
Особенно это заметно у компаний, которые только начинают развивать AI-направление. Ни один разработчик не будет давать гарантии результата, и это будет большим блокером в продажах. - Завышенные ожидания клиентов. Клиенты часто ожидают, что AI-решения будут работать «из коробки» и приносить мгновенные результаты, что создает необходимость управлять их ожиданиями и обучать реалиям внедрения ИИ. Если сейлз не распознает мечтателя и не вернет его на твердую почву, то вы рискуете обрабатывать сотни запросов без результата.
- Особенности работы с данными. AI-проекты зависят от качества и объема данных, которые необходимо собрать, очистить и подготовить. Эти процессы могут оказаться длительными и дорогостоящими.
Редкий клиент будет понимать важность этапа подготовки данных для проекта. Именно из-за этого пункта теряются большие и дорогостоящие проекты.
Процесс подготовки данных
Возможные проблемы с данными включают:
- отсутствие данных: сбор и разметка данных могут занять месяцы и потребовать значительных затрат;
неполную информацию: необходимость настройки дополнительных источников данных и извлечения нужной информации; - низкое качество данных: требуются дополнительные решения для повышения качества данных;
- медленный процесс сбора данных: это может привести к затягиванию проекта на месяцы без видимых результатов;
- шум, предвзятость и высокую вариабельность: эти факторы могут снизить объективность работы алгоритма и точность модели.
Правда в том, что к вам в любом случае будут приходить запросы на разработку ИИ-решений. Крупные компании, такие как Amazon, Meta, Nvidia, OpenAI и т.д., подогревают хайп и создают «беспрецедентные» возможности для бизнеса. Это их задача — продать лопаты во время золотой лихорадки и пообещать, что каждый найдет золотую жилу. Важно осознать, что без понимания бизнес-контекста любой инструмент бесполезен. И это наша задача — помочь своим клиентам адаптировать существующие технологии, которые реально, а не на бумаге, принесут пользу.
2. Много запросов, но плохие конверсии в сделки
Интерес к AI-решениям высок, но конверсии из запросов в реальные сделки остаются низкими. Это происходит из-за того, что многие клиенты не готовы к длительным срокам реализации проектов, высокой стоимости и неопределенности конечного результата. Кроме того, часто запросы исходят от компаний, которые не до конца понимают, что им нужно, и сталкиваются с трудностями на стадии принятия решений.
Для примера — стандартный разговор с клиентом.
Клиент:
— Привет, я председатель ассоциации снукера. Нужна мобилка, где будем детектировать действия игроков.
Я:
— Отлично, сколько столов? Как расположены камеры? Нужно все показывать в реальном времени?
Клиент:
— В каком смысле? Какая разница? Ну, пусть 1000 столов и любой человек может подключиться к трансляции.
Я:
— При правильном расположении камеры задача отслеживания действий игроков не самая сложная. А вот обработка 1000 потоков видео — это задача как минимум очень затратная. И если простое ИИ-решение будет стоить х USD, то половину этой суммы вы будете ежемесячно отдавать облачному провайдеру.
И таких бесед большинство. Ожидания очень завышены. Хорошо, что с этим клиентом получилось построить диалог. Растопил лед small talk о детях. Он нередко упоминал о них в своих соцсетях. Качественная подготовка к звонку — это половина успеха.
Методом проб и ошибок я вывел для себя список необходимой информации о лиде.
Активность в социальных сетях. Какие комменты оставлял, в каких группах состоит, какие ивенты посещал, какие посты писал и т.д. Эта информация даст краткий список интересов и возможных намерений лида.
Конкуренты компании. Возможные патенты, недавние объявления о новых разработках, слияниях, партнерствах. Звучит громоздко для отдельного лида, но я это делаю перед стартом лидген-кампании для всего ICP. Так у вас появляется контекст ниши.
Отзывы о компании. Иногда отзывы бывших сотрудников могут подсветить инсайты в операционной деятельности компании.
Регуляторы, законы. Что мешает внедрению ваших сервисов. Опять же, делаем на всю лидген-кампанию.
Структура компании. Скрытые decision makers. Кто, потенциально, будет оценивать ваше предложение в компании: C-level без знания AI-разработки или их инженер.
Как видите, два из пяти пунктов готовятся заранее, а на остальные три мы потратим не более 30–60 минут перед звонком.
3. Использование OSINT для исследования лидов
Говоря привычными словами: конверсия повышается, если хорошо готовиться к звонкам. Искать данные о клиентах и вовремя их использовать. Если бы лично мне кто-то во время звонка рассказал про брейк-данс (мое школьное хобби), то это был бы мой лучший собеседник. Но эту информацию еще надо найти. Я для себя выбрал фреймворк для поиска данных о клиентах.
И это ОSINT (разведка на основе открытых источников) — мощный инструмент для исследования лидов в процессе продаж. Говоря правду, OSINT заслуживает отдельной статьи. Скажу, что каждый сможет собрать себе подходящий пайплайн из сервисов и улучшить изучение лидов. Вот ссылка на фреймворк.
Лично мне для построения траста нравится работать с цифровым следом. Эта информация может быть как явно оставленной (например, посты в социальных сетях), так и неявной (например, метаданные файлов). Когда лучше понимаешь предпочтения лида, тогда проще налаживать коммуникацию.
Инструмент, который можно порекомендовать. Простой пример: вы вбиваете имя интересующего вас человека и получаете ссылки на все его соцсети.
Копируете Username. Через минуту такого исследования у вас появится представление об интересах вашего лида. По ленте из примера можно понять, что наш клиент интересуется искусством, много путешествовал в прошлом году. Это поможет вам найти точки пересечения интересов или искусственно их создать. Мы же против сухих питчей, верно?

Рабочее окно Maltego с первичным цифровым кодом следа

Ищем

Ищем

Ищем
Этот пример очень упрощен, и данный инструмент имеет более широкий спектр функционала (пока бесплатный). Вместо интересов лида вы можете узнать, например, какие ивенты он посетил. Возможно, это станет для вас сигналом, что лид ищет AI-решение и он в начале пути.
Теперь поговорим о профессиональных инструментах. На рисунке 4 показано рабочее окно одного из инструментов для OSINT (Maltego). За пару минут мы получили ссылки на все соцсети нашего лида, увидели его связь с конкретной компанией, ее социальные сети и все контакты. Это значительно упрощает ручной поиск.
Приведу пример связки сервисов из OSINT Framework и нескольких сторонних. Задача была стандартная: ищем лидов из США, здравоохранение, предлагаем AI. У нас были следующие шаги.
- Поиск компаний (отдаю источник компаний, которых вы не найдете в LinkedIn, — без регистрации и смс).
- Обогащение данных о компании (адрес, сайт, год основания) и поиск ЛПР.
- Раз, два и + Sales Navigator — обогащение данных о ЛПР (скрапинг всей страницы LinkedIn и активности в X.
- Google Sheets + ChatGPT — сведение данных воедино, финальная валидация и создание кастомных сообщений для каждого отдельного лида.
Далее — мультиканальная рассылка и 2-3 SQL в неделю (с одного аккаунта). Все эти сервисы можно использовать вручную, но лучше создать единый пайплайн для автоматизации процесса. Частично решается платным аккаунтом Maltego (cамая используемая в мире универсальная платформа для проведения расследований).
В этом случае данных сервисов было достаточно, но под каждый кейс необходимо собирать свой пайплайн.
Теперь, когда у вас есть подробная информация о лиде и вы готовы идти на звонок, вам потребуется задать несколько обязательных вопросов, чтобы сэкономить время пресейлз-команды. Ниже пример таблицы с информацией о лиде (всего 32 столбца).
Всего 32 столбца. Но это не мало 🙂
4. Квалификация
RFx-команда может тратить более 100 часов на запрос, который заранее обречен на провал. Чтобы избежать этого, важно на этапе квалификации уметь отличать потенциальных клиентов от тех, кто не готов к реальной работе с AI.
Вопросы, которые помогут в этом, с небольшим разбором откровенной кринжатины…
- Какую проблему мы решаем и почему именно сейчас?
Лид должен осознавать проблему, а не придумывать ее. Проблема — это всегда деньги: если вы впоследствии не сможете привязать свое предложение к выгоде, то и продать будет сложнее.
Если лид начинает говорить про «сейчас AI везде, и расскажите мне, где лучше применить это» — поздравляю, вы стали AI-стратегом для его компании и продать это крайне сложно. Сразу предлагайте дискавери.
Если не соглашается на дискавери — не тратьте время и отказывайте.
Так как мы уже подготовились и провели OSINT исследование индустрии, конкурентов и знаем проблематику, то и вопросы будут более наводящие. Это и отличает нас от интервьюеров, которые просто пытают лидов. Благодаря подготовленной информации мы можем вести лида по всем этапам продаж «Долины тревог» — от наводящих вопросов и пугающего прогноза до вдохновляющего решения.
- Как эта проблема решается в настоящее время?
Опять же, если проблему не стараются решать сейчас, то она не настолько острая и клиент может принимать решение слишком долго. У нас был запрос на детектирование мытья рук в медицинских клиниках. Там было проще и дешевле нанять дополнительный персонал, чем разрабатывать AI-решение. Но мы это узнали после 80 часов оценок и согласований. Откидывайте всех лидов, которые говорят: «Мы планируем внедрять AI в процессы компании». Это мечтатели и бюрократы, которые создают видимость работы перед начальством.
- Какие данные у вас есть и в каком они состоянии?
Про данные уже сказано много, и чаще их нет. Готовы ли вы заниматься сбором и разметкой? Обычно в штате аутсорс-компаний таких специалистов нет. Большинство нанимают инженеров, которые приносят больше денег. Вам надо выбрать хорошего поставщика услуг разметки и аутсорсить это. Пока ваши инженеры будут делать прототип и доказывать состоятельность выбранного решения на публичных датасетах. Клиентов, которые не хотят понимать важность правильной подготовки данных, лучше избегать. Вы потратите слишком много времени на их обучение.
- На каком этапе находится проект?
Проект можно дробить на очень мелкие части, но основные этапы следующие:
— рисерч, оценка задачи. На этом этапе основной целью является изучение существующих подходов, формулировка гипотезы и технического задания для первичного прототипа;
— сбор/разметка данных;
— разработка прототипа. Очень сложно найти пример AI-проекта, в который этот этап не был бы включен;
— развертывание и масштабирование системы.
Вам это понадобится указать в предложении: кратко описать неактуальные этапы и подробно остановиться на том, где сейчас находится лид. То есть он будет видеть всю картину проекта, но акцент сделан на конкретной фазе.
- Какова метрика успеха?
Согласуйте и запишите. И никогда не начинайте работу без этого. Каждый лид мечтает о 101% точности работы модели. Вам скажет любой AI-инженер: можно быстро улучшить модель с 50 до 85%, а потом тратить столько же времени, прирастая на процент. Вам надо найти пересечение затрат на разработку с экономической выгодой — может, лид начнет получать ценность на 60% точности.
Спустите лида на землю и посмотрите на state-of-the-art в его задаче (лучшее решение, которое есть на сегодняшний день). Клиенты могут ответить на этот вопрос, но если они говорят расплывчато, не хотят фиксировать метрику — лучше сразу прощаться. Вы рискуете никогда не сдать проект. Запомните: у всех свое понимание конечного результата.
- Какова стоимость ошибки?
Тоже про точность и коммитмент с вашей стороны. Иногда цена ошибки — это затраты из-за пропуска брака на конвейере. В здравоохранении цена неправильной диагностики может быть гораздо выше. Взвешивайте риски и обосновывайте трудозатраты на разработку. Если стоимость ошибки незначительная, то для чего делать решение?
- Время обработки данных — это real time?
Простой вопрос, но real time всегда затратный. Это скрытые десятки и сотни тысяч долларов на инфраструктуру. К примеру, возьмем видеонаблюдение в магазине: вам надо забрать видеопоток, передать его вашей AI-модели, обработать его, вернуть результат пользователю. И сделать это за доли секунды. Кадров может быть 24 в секунду, а может быть и больше 1000 (высокоскоростные камеры). Тысяча изображений, которые вам надо обработать. Не позволяйте клиенту бездумно оперировать терминами. За каждым термином стоит цена разработки.
- Сколько источников данных у вас есть и какие они?
То же самое, что и выше, только умноженное на количество камер (или других источников данных).
Не стоит забывать, что у нас уже есть информация, которую мы подготовили до звонка (с примером из Construction — мониторинг средств индивидуальной защиты).
- Конкуренты компании активно упоминали о внедрении похожих систем. Мы подготовили и включили в презентацию отличительные характеристики в нашу пользу. Задавали вопрос: что наши клиенты убрали/добавили бы в эти два существующих продукта?
- Регуляторы, законы. Нашли основного регулятора — OSHA и новость, что предлагается пересмотреть нормы для средств защиты. Это позволило нам задавать вопросы про возможные штрафы и уточнить, как клиент готовится к возможным изменениям. Плюс у нас появился условный дедлайн, когда эти изменения могут быть приняты.
Обсудив эти вопросы с лидом, вы не только облегчите работу пресейлз-команде, но и поможете лиду лучше разобраться в его же проекте.
5. Пресейлз при продаже AI-решений
Вся информация с квалификации плавно переходит в подготовку коммерческого предложения. Теперь вы знаете не только ответы на квалификационные вопросы, но и то, что успели подготовить до звонка.
В примере выше мы с помощью OSINT еще до звонка узнали интерес лида в AI и его уровень осведомленности про разработку подобных решений (анализ активности в соцсетях), узнали проблематику ниши и как это может быть решено с AI (изменения в контроле средств защиты) и сформировали ценностное предложение (отстроились от конкурентов, которые используют готовые решения). Теперь мы смело можем переходить к пресейлзу.
На схеме ниже показан стандартный RFx-процесс, а черным добавлены этапы, присущие AI-запросам.
Процесс пресейлза при продаже AI-решений требует особого подхода. Это требует дополнительных усилий, но позволяет избежать недоразумений и разочарований на последующих этапах.
Три кита вашего предложения
- Работа с ожиданиями. Вам уже передали, что именно ожидает клиент. Теперь технические специалисты должны составить реалистичный роадмап по достижению этого. Репутацию AI-индустрии портят команды, которые обещают слишком много просто для того, чтобы взять заказ.
- Данные. Запомните сами и повторяйте клиенту эти четыре буквы: GIGO (garbage in, garbage out). Вам необходимо получить хотя бы маленький батч реальных данных перед стартом оценки. В противном случае придется давать рекомендации по сбору данных. А в худшем случае — рекомендации по хардварной части (хотя это может быть вашим неплохим УТП).
- Инфраструктура. Рисуйте красивые схемы и показывайте их заказчику, объясняя каждый элемент (пример ниже). Он должен осознать, что после разработки AI-решения ему придется ежемесячно платить за процессинг системы. Часто эту информацию упускают и ленятся рассчитать примерные затраты. Избегайте сюрпризов для заказчика.
Не надо никому объяснять, что составлять коммерческое предложение нужно исходя из ICP. Кому-то нужно больше технических деталей, кому-то ROI нужно жирным шрифтом выделять. Но всем необходимо объяснить, как выбранная вами техническая метрика будет соотноситься с ценностью для заказчика.
Чтобы определить, в каком направлении формировать коммерческое предложение, лучше проанализировать всех потенциальных ЛПР в компании (не только наше контактное лицо) и, исходя из их профилей (технический/нетехнический), выбрать направление. Выше мы уже писали, что с помощью OSINT вы можете найти структуру компании и провести быстрый анализ профилей людей. На этом этапе надо углубляться.

RFX процесс AI-Запроса. Черным добавлены этапы, присущие AI-запросам.

Инфраструктура проекта

Составные части коммерческого предложения AI-Проекта
6. Как связать технические метрики AI с затратами и прибылями клиента?
Для успешной продажи AI-решений важно связывать технические метрики работы модели с конкретными затратами и прибылями клиента.
Например, у нас задача распознавания бракованных изделий на конвейере, которые потом применяются для сборки автомобилей. И мы выбираем техническую метрику F-score для анализа точности нашего AI-решения. Поработав 2 месяца, с восхищенными лицами показываем заказчику, что F-score = 0,78, и не понимаем, почему тот не реагирует. А ему нужно объяснить, что теперь из всего брака мы можем распознать 78% и не пустить это в дальнейшее производство — и благодаря этому сэкономим 300 часов работы персонала впустую и Х тысяч долларов на последующих рекламациях. А когда F-score будет 0,8, то уже получится 320 часов и больше тысяч денег.
Именно такая взаимосвязь отличает AI-решение, которое пойдет в продакшен, от того, которое останется на уровне прототипа.
Но чтобы прийти к таким результатам, иногда требуется протестировать несколько технических гипотез, постоянно возвращаясь в начало. Работа над AI-проектом это всегда неопределенность.
Технические и бизнес-метрики проекта. Выбирайте.
7. Как продать неопределенность?
Продажа AI-решений часто сопряжена с неопределенностью.
Чтобы успешно это продавать, необходимо:
- Объяснять природу и причины неопределенности.
Клиенты должны понимать, почему результат не может быть гарантирован. Мы раз за разом объясняем, что гарантировать можно только заведомо заниженный результат. Но многие хотят, чтобы в документе была четкая цифра (обычно ~99,9%) и под ней ваша подпись.
Объяснение должно быть емким и коротким. Сам клиент должен быть готов воспринимать информацию. Здесь поможет предыдущий опыт с яркими примерами проектов и небольшой технический ликбез. Вам на звонке понадобится хорошо говорящий разработчик.
Но бывают и более жесткие заказчики, которые жаждут вашего коммитмента. Здесь сценарий простой: не подписывать. Либо клиент походит по рынку и вернется к вам — все адекватные компании ему тоже откажут. Либо свяжется с дилетантами и вернется к вам немного победневший. - Подчеркивать возможные выгоды.
Даже при наличии рисков потенциальные выгоды могут быть значительными. В очередной раз вернемся к бизнес-составляющей нашего проекта. Гораздо легче продать, если говорим про деньги: да, сейчас вы потратите Х долларов и рискуете их потерять, но в случае успеха вы в течение года заработаете 3Х и обгоните конкурентов. Классический FOMO. - Предлагать четкий план действий.
Обычно всем подходит раздробленный путь к достижению желаемого результата: небольшие этапы проекта с прогнозируемыми цифрами и усилиями для их достижения.
Проблема в том, что с таким планом клиент может пойти в любую другую компанию и заказать там, где дешевле. Поэтому не углубляйтесь в технические детали (по меньшей мере до начала платной дискавери/дизайн-фазы).
Отразив все вышеперечисленное, вы гарантированно произведете впечатление высокопрофессиональной команды. И значительно повысите шансы на успешное завершение сделки. Только надо избегать нескольких моментов в вашем предложении.
8. Что пугает заказчика в предложении?
Некоторые аспекты AI-проектов могут отпугнуть клиентов.
- Долгие сроки разметки данных
Месяцы работы без результата могут вызвать тревогу. Всегда давайте промежуточные результаты для заказчика. Пусть разметка останется на фоне. Обычно предлагается следующее:
— прототип, обученный на общедоступных датасетах. Это помогает доказать состоятельность проекта, что он реализуем. Во время демонстрации мы должны объяснить заказчику, что AI-решение, обученное на его данных, будет ценным и эксклюзивным активом его компании;
— разметка первого небольшого батча данных и обучение AI-модели. Показываем прогресс: вот AI-модель не могла ничего распознать, потом обучили на 1000 изображениях — и теперь у нас 53% точности. Мы прогнозируем, что после разметки еще 5000 и дообучения будет 78%.
Знаю, что сейчас все разработчики меня закидают тапками, но по-другому сложно продать вашу работу. 🙂 - R&D
Клиент может опасаться, что платит за обучение вашей команды, а не за реальное решение его проблемы.
Часто перебор технических гипотез выглядит как неуверенность. Мы должны правильно оформить процесс и обосновать его. Для этого нам потребуется список гипотез с описанием работ и аутпутов, плюсов и минусов решений. А самое главное — со временем тестирования.
Пример беклога технических гипотез. Жаль, что здесь мы еще не научились применять наш OSINT. 😁 В техническом R&D сильнее Senior AI Researcher пока ничего нет. Зато это показывает компетенции вашей команды.
9. Как продать Discovery-фазу?
Фаза Discovery часто вызывает сомнения у клиентов. Вообще мне больше нравится название Design-фаза — звучит как-то увереннее. Но сейчас важно не это.
Для успешной продажи Discovery (Design) фазы можно использовать:
- FOMO (страх упущенной выгоды)
Здесь лучше поисследовать рынок и привести примеры успешного внедрения у конкурентов. Пройтись по хайпу: кто без AI — тот позади. И опять же, вам поможет OSINT: узнайте, что интересует вашего клиента, какие компании он отслеживает, каких инфлюенсеров. Приводите примеры именно на этих людях/компаниях. Я заметил, что не все любят примеры с успехом прямых конкурентов. Встречались даже лиды, которые сразу теряли интерес. А упоминание лидеров рынка для некоторых звучит как сказка — нам до них еще ой как далеко.
Поэтому здесь надо попадать в цель. Хотя бы исследуя тот же цифровой след (ссылку на инструмент я оставлял выше). - Кейсы с цифрами
Приведите примеры, где Discovery-фаза помогла достичь значительных результатов, и примеры провалов без нее. Это для опытных. Обман распознается сразу. Только из опыта компании.
Либо ищите партнеров среди более опытных компаний и проводите Discovery с ними — получите опыт, а потом уже и сами сможете. Мы делали подобное, когда хотели заходить в нишу «AI в горнодобывающей промышленности». Нашли команду, у которой были опыт и экспертиза, но не было сильных продаж. Договорились, что сможем демонстрировать их портфолио. Брали с собой на звонки их эксперта, чтобы нас не пугали слова «флотация» и «гранулометрия». Потом отдавали заказ им же на разработку с нашим проектным менеджером, накапливая экспертизу внутри. Все было прозрачно: для подрядчика это новые заказы и консалтинг, для нас — развитие экспертизы. - Участие экспертов
Вовлечение «звездных» специалистов в Discovery-фазу добавляет ей ценности. Это для богатых. В моей прошлой компании был PhD в биоинформатике с великолепным английским, немецким. У него были публичные выступления, научные работы, свой курс образовательный. И конечно же, скиллы прекрасного AI-инженера. Нам было легко обосновать ценность Discovery.Варианты оплаты.
Предложите оплату по достижении конкретных результатов. Это для отчаянных, когда больше нечем крыть. Много про это слышал, но ни разу не использовал. И вам не советую.
10. Итог
Давайте подведем черту, как OSINT помог мне сократить время на каждом этапе.
1. Скрининг. Составив список лидов и изучив их цифровой след, мы узнали, кто сейчас ищет AI-решения, посещая различные релевантные ивенты, оставляя комментарии и посты. Отфильтровали компании без AI-разработчиков, чтобы найти тех, кто в начале пути.
Изучив нишу, нашли проблематику и конкурентов. Все это повысило конверсию во встречи на 40–50%.
Достойная награда )
2. Квалификация. Во время квалификации мы вели лида за руку по всем ступеням AI-разработки. Не просто задавали стандартные вопросы, а консультировали его. Мы прекрасно понимали степень знаний нашего лида в AI-разработке и готовили наглядные примеры для его обучения.
Это позволило сократить количество интро-звонков до одного 45-минутного (да, раньше бывало, когда ходили по три раза на звонок разным составом, чтобы понять, чего хочет лид. А потом еще закидывали письмами с вопросами).
Презентация обязана быть очевидной
3. Пресейлз. Во-первых, мы почти убрали стадию дискавери, где ищем пути решения проблемы (осталось только изучение данных). Мы уже знали проблему и заранее подготовили решение, исходя из возможностей компании. Провели предварительную эстимацию.
4. Дискавери. Само техническое R&D осталось таким же, как прежде. Как здесь помог OSINT? А пока никак, но мы в процессе тестирования подходов. 🥴
5. Пропоузал. При подготовке опирались не только на наше контактное лицо, но и принимали во внимание структуру компании клиента, его ЛПР и формировали подходящее для большинства предложение. Как итог — win-rate составил 15–20%.
Мы планируем «заход» сразу на несколько персон.
Понимание проблематики и лида — звучит просто, но это мощный инструмент, который выделит вас среди конкурентов. Поможет пробиться через огромный пласт спама и позволит сформировать о вас положительное мнение как об экспертах.
Продажа AI-решений — это вызов, требующий глубоких знаний, умения управлять ожиданиями и работы с данными. Хайп вокруг AI создает много шума, но отличить реальные возможности от фантазий — задача профессионалов.
Использование фреймворка OSINT в процессе продаж помогает улучшить понимание клиента и автоматизировать рутинные процессы. Развитие навыков продаж, акцент на данных, процессинге и метриках успеха — три кита успешной продажи AI-решений.
Главное — не обманывать себя и клиента, а строить отношения на основе реальных возможностей и достижимых результатов.

Кирилл Лозовой
Founder, GTM Bear. Ex. Руководитель отдела продаж AI-Технологий в Exposit
В школе SaleSolution мы детально разбираем элементы outbound и inbound лидгена
Научим продавать сервисы, продукты, решения. Познакомим с лучшими тактиками на рынке. За 10 лет работы нашей команды в продуктовых и сервисных продажах мы накопили немало опыта!