За пределами пилотного проекта с ИИ: как превратить данные о клиентах в масштабируемую персонализированную торговлю

Энтузиазм компаний по поводу ИИ опережает реальные результаты. В Индексе ИИ Стэнфорда за 2026 год сообщается, что в 2025 году ИИ использовали 88% организаций, однако почти во всех бизнес-функциях доля внедрения ИИ-агентов оставалась в пределах однозначных процентов. Разрыв между экспериментами и получением ценности по-прежнему велик, и особенно заметно он проявляется в клиентском опыте. Чтобы понять, почему существует этот разрыв, важно учесть два ключевых момента.

Первый — зрелость организации в области ИИ. Большинство компаний всё ещё находятся на этапе «повышения индивидуальной продуктивности» и работают над созданием масштабируемой основы для управления, обеспечения готовности данных и формирования портфеля проверенных сценариев использования. Им ещё предстоит пройти долгий путь до «автономного» этапа, на котором ИИ-агенты смогут работать в заданных рамках, а люди будут сосредоточены на контроле и обработке исключений. Достижение этого уровня зрелости в области ИИ — необходимая основа для перехода к «операционной модели, изначально построенной вокруг ИИ». Об этом позже.

Второй — операционный разрыв между данными и принятием бизнес-решений на основе ИИ. Большинство организаций уже вложили средства в данные и системы. Они накопили данные о клиентах, внедрили автоматизацию маркетинга, перенесли системы в облако и провели пилотные проекты с генеративным ИИ. И всё же клиенты по-прежнему сталкиваются с нерелевантными рекомендациями, разрозненными каналами и обслуживанием, в котором не учитывается то, что компании уже известно о них.

Обычно проблема не в модели. Чаще ИИ лишь выявляет то, что и без того было неисправно: разрозненные данные, неясное распределение ответственности, несвязанные рабочие процессы, технический долг и бизнес-цели, которые так и не были преобразованы в измеримые сценарии использования. Путь вперёд начинается не с более масштабной инициативы в области ИИ. Он начинается с нескольких тщательно выбранных решений, касающихся клиентов, чёткой операционной модели и архитектуры, способной превращать аналитические выводы в действия.

Для руководителей, которые стремятся перейти от разрозненных пилотных проектов к воспроизводимой системе, несколько приоритетов важнее остальных.

Начинайте с решения, а не с возможностей.

Первый вопрос — не «где можно внедрить генеративный ИИ?», а «какое решение, влияющее на клиентский опыт, нам нужно улучшить?». Авиакомпания хочет предложить пассажирам более удачные варианты действий во время сбоев. Розничный продавец хочет помочь покупателю выбрать подходящий товар, не увеличивая число возвратов. Банк хочет, чтобы сотрудник службы поддержки мог решить сложный вопрос, не разыскивая информацию в разных системах. Каждый из этих примеров обозначает решение, человека и результат, а это, в свою очередь, позволяет понять, какие данные нужны и как измерять успех. Такой подход также помогает руководителям отказывать. Если идею приложения или запрос на создание агента нельзя связать с реальным решением и измеримым результатом, она не заслуживает приоритета.

«Использовать ИИ для улучшения клиентского опыта» — слишком широкая формулировка. Она приводит к демонстрациям, а не к появлению операционных возможностей.

Когда сегодня продавец бытовой электроники добавляет «ИИ-помощника по покупкам», это означает появление обычного чат-бота, эффективность которого оценивают по числу пользователей. Если же сформулировать задачу как помощь покупателю в выборе подходящего ноутбука, цель — повысить конверсию и сократить число возвратов. Тогда инструмент использует актуальные характеристики, чтобы лучше понять потребности покупателя, а его успех оценивается по продажам, возвратам и удовлетворённости. Та же идея — но с реальным результатом.

Рассматривайте объединённые данные как возможность, а не как проект по созданию базы данных.

«Единое представление о клиенте на 360 градусов» часто описывают как задачу по централизации данных. На практике же это договорённость внутри организации о принципах идентификации, согласиях, ответственности, качестве данных и значении ключевых событий. Кому принадлежит сеанс просмотра: известному клиенту, домохозяйству или анонимному устройству? Какая система является авторитетным источником сведений о согласии? Как быстро информация об обращении в службу поддержки должна появляться в другом канале? Без ответов на эти вопросы централизация данных создаёт видимость интеграции, но не обеспечивает надёжности. Более продуктивный подход — заключить соглашение о данных для каждого приоритетного сценария использования, указав необходимые поля и события, авторитетные источники, допустимую задержку, разрешённые способы использования и команду, ответственную за качество. Цель — не собрать все данные, а обеспечить наличие нужных данных, которым можно доверять в момент принятия решения.

Автодилер хочет приветствовать вернувшегося на сайт покупателя, показав ему именно ту модель автомобиля, которую тот настраивал в конфигураторе. Сейчас это не работает: конфигуратор, CRM дилера и система финансирования хранят разные версии данных о клиенте и не могут согласовать, действительно ли ещё предложение по лизингу, составленное три недели назад. Если рассматривать взаимодействие как единый путь клиента и установить чёткие правила работы с данными, становится ясно, кто за что отвечает: конфигуратор — источник достоверных сведений о комплектации, данные о финансировании содержат чётко определённые сведения о согласии и сроке его действия, а лента данных об остатках обновляется в течение нескольких минут. Так покупатель не увидит автомобиль, который дилер только что продал. Это гораздо проще, чем «объединить все данные о клиентах», и приветствие действительно работает.

Проектируйте персонализацию как непрерывную систему принятия решений

Многие программы по-прежнему работают как системы для кампаний. Команды выделяют сегмент аудитории, готовят контент и отправляют его по расписанию. Генеративный ИИ создает больше вариантов, но не меняет саму модель. Персонализированный опыт с учетом контекста устроен иначе. Система анализирует текущий контекст клиента, определяет доступные действия, выбирает одно из них с учетом бизнес-требований и ограничений политики, направляет его через подходящий канал, а затем учится на реакции клиента. Важно понимать: цель не в том, чтобы индивидуализировать каждое взаимодействие. Иногда правильным решением будет стандартное сообщение, передача обращения сотруднику или полное бездействие. Эффективность персонализации измеряется не количеством созданных вариантов, а тем, приняла ли организация более уместное решение для клиента и учла ли при этом его ожидания. Доверие должно быть частью клиентского опыта, а не предметом проверки на соответствие требованиям, которую проводят постфактум.

Банк замечает, что клиент снова и снова проверяет ставки по ипотеке. Сегодня система для кампаний добавляет его в серию писем для тех, кто покупает жилье впервые, при ближайшей запланированной рассылке. Если же рассматривать ситуацию как непрерывный процесс принятия решений, система оценивает контекст: клиент сравнивает ставки в разгар покупки или просто присматривается к ипотеке за несколько месяцев до нее? Если уверенности нет, система выбирает сдержанный вариант и показывает полезную подсказку: «Хотите узнать, какое жилье вам по карману?» — вместо преждевременного призыва «Получите предварительное одобрение сегодня», который не учитывает, на каком этапе находится клиент. Если он откликнется, система учтет это и адаптируется. Если нет — не станет настаивать. Иногда самое уместное решение — самое ненавязчивое, и именно такая сдержанность помогает сохранить доверие.

Прежде чем наращивать темпы, устраните ограничения контента и архитектуры.

Генеративный ИИ способен создавать тексты и изображения с поразительной скоростью, но если ускорить неэффективный процесс работы с контентом, узкое место просто переместится с создания на проверку и контроль. Content Marketing Institute выяснил, что ИИ используют 75% маркетологов крупных компаний, но лишь у 15% он встроен в повседневные рабочие процессы. Структурированный контент, который можно использовать повторно, — утвержденные факты и компоненты, собираемые для разных каналов, — позволяет ИИ адаптировать материалы, не выдумывая исходные факты. Тот же принцип применим к технологическому стеку. Вместо того чтобы перестраивать все под лозунгом «компонуемости», определите несколько ключевых сценариев, связанных с приоритетными задачами, выясните, где устаревшие системы создают задержки или затрудняют доступ к данным, и постепенно модернизируйте инфраструктуру с учетом этих ограничений. Прогресс определяется не числом внедренных технологий, а способностью быстро и безопасно менять клиентский путь, не выполняя каждый раз заново одну и ту же работу по интеграции.

Розничная компания поручает ИИ написать описания для 40 000 товаров. Сегодня это перегружает юридическую службу: для каждого товара приходится проверять заявления и условия гарантии. Решение не в том, чтобы ускорить работу модели, а в том, чтобы создать управляемый источник данных: PIM-систему с утвержденными характеристиками, заявлениями и формулировками условий гарантии в виде повторно используемых компонентов, из которых ИИ собирает описания. Так система сможет менять тон текста, не выдумывая факты.

Тот же принцип применим к технологическому стеку. Вместо того чтобы менять платформы повсеместно, команда модернизирует только устаревшую систему управления запасами, которая мешает персонализировать предложения «в наличии рядом с вами» в режиме реального времени, а стабильные системы оставляет без изменений. Прогресс — это быстрое изменение клиентского пути, а не добавление новых инструментов.

Встраивайте управление в процессы внедрения и оценивайте ценность в рамках портфеля.

Если рассматривать управление как финальный этап проверки, оно наступает слишком поздно: к этому моменту уже приняты решения, которые трудно пересмотреть. Такие структуры, как система NIST по управлению рисками ИИ, наиболее полезны, когда помогают формировать сценарий использования с самого начала: учитывать конфиденциальность, предвзятость, целостность бренда, надежность и прослеживаемость, а также подбирать меры контроля соразмерно риску конкретного взаимодействия. Ценность же редко выражается одним большим числом. Она складывается из результатов для клиентов — например, удовлетворенности, выполнения задач и удержания; операционных показателей — например, длительности циклов и сроков решения вопросов, а также повторного использования; коммерческих результатов — например, конверсии, затрат на обслуживание и пожизненной ценности клиента; и показателей риска — например, числа ошибок, жалоб и случаев отмены решений. Все это следует измерять относительно исходного уровня и с учетом полной стоимости эксплуатации при масштабировании.

Авиакомпания использует ИИ-агента для обработки сбоев. Сегодня на вопрос «Мой рейс задержан?» система отвечает полностью автоматически, поскольку риск невелик. Перебронирование билета или выдача компенсации на сумму выше установленного порога передается сотруднику: ошибка в таких случаях обходится дорого. В этом случае ценность оценивают по важным результатам: насколько быстрее удается устранить последствия сбоя, насколько эффективно перебронирование помогает сохранить клиентов с высокой ценностью для программы лояльности и удается ли внимательно отслеживать жалобы. Если все сделать правильно, сбой становится возможностью удержать пассажира, а не потерять его. Именно так создается реальная пожизненная ценность клиента.

Вопрос зрелости.

Долгосрочную ценность создадут не те компании, которые проводят больше всего экспериментов. Ее создадут те, у кого есть воспроизводимый подход к объединению потребностей клиентов, надежных данных, управляемого ИИ, повторно используемого контента и измеримых результатов, а также достаточно честности, чтобы понимать, на каком этапе этого пути они находятся сегодня. Большинство организаций продвинулись не так далеко, как можно заключить по активности их пилотных проектов.

В организации, изначально ориентированной на ИИ, искусственный интеллект встроен во все уровни работы и конкуренции. Вместо того чтобы дополнять существующие процессы, такая организация строит саму операционную модель вокруг ИИ, рассматривая интеллектуальные возможности как ключевую компетенцию бизнеса.

Поэтому руководителю полезнее спрашивать уже не «куда мы можем добавить ИИ?», а «какие решения мы можем улучшить и какие условия необходимы, чтобы масштабировать это улучшение ответственно?»