B2B с ИИ: как продавать сложное

Многие B2B-компании уверены, что знают своего клиента.

У них есть портрет: «IT-директор в компании от 200 человек, бюджет до 500 тыс. в год, ищет автоматизацию процессов».

Он лежит в Notion, обсуждался на стратегической сессии полгода назад, и по нему строится весь маркетинг.

Но когда приходят реальные лиды, они не совпадают с этим портретом.

Кто-то из enterprise-компании с 2 000 сотрудников запрашивает демо.

Кто-то из малого бизнеса с 15 людьми готов платить в три раза больше.

А IT-директора, которых вы ждали, вообще не отвечают.

Причина не в том, что вы «неправильно сегментировали».

А в том, что портрет клиента – не статичный документ. Это гипотеза. И её нужно проверять каждый месяц.

ИИ может помочь найти новые сигналы – но только если вы перестанете использовать его для подтверждения старых убеждений.

Где искать сигналы

В B2B интерес проявляется задолго до заявки.

Кто-то заходит на страницу «Тарифы» – и уходит. Это сигнал: ему важна цена, но, возможно, он просто сравнивает.

А кто-то час изучает раздел «Интеграции с 1С», перечитывает техническое описание, а не глянцевый PDF, и возвращается через два дня – уже с коллегой.

Такой человек не ищет «что-нибудь для автоматизации». Он решает конкретную задачу – и проверяет, подойдёте ли вы.

Это поведение – самый честный индикатор заинтересованности.

Потому что в B2B решение редко рождается в моменте. Оно зреет – в сравнениях, в перечитывании кейсов, в обсуждениях с коллегами.

И эти следы важнее любой формы с пометкой «Хочу демо».

Но поведение на сайте – только часть картины.

Полная – складывается из того, что люди говорят вне вашего сайта.

Руководители и специалисты не анонсируют покупки, но оставляют следы, если знать, где искать.

В отраслевых Telegram-каналах они спрашивают: «Кто внедрял новое ПО и сталкивался с простоями из-за ошибок при переносе данных?», жалуются на инструменты, которые не справляются с нагрузкой, или тихо ищут подрядчика «по рекомендации».

В профессиональных группах «ВКонтакте» делятся провалами, чтобы помочь коллегам избежать тех же ошибок. И в том же обсуждении кто-то пишет: «А мы решили это так – может, подойдёт и вам?

Под новостями на VC.ru или в «Коммерсанте» комментируют не ради спора, а чтобы обозначить позицию: «Это убьёт малый бизнес», «Наконец-то регулятор услышал», «Технология сырая – мы проверили».

А в постах на Хабре или в Дзене описывают внутренние эксперименты: как внедряли новую систему, почему провалился пилот, что сработало неожиданно хорошо.

Это – язык реальных задач. Чтобы говорить на нём, достаточно собирать, структурировать и интерпретировать то, что люди уже говорят открыто.

Как работать с этими данными

ИИ не анализирует «потоки сам по себе».

Чтобы он помог, вы делаете три простых шага:

Собираете данные – не всё подряд, а то, что относится к вашей теме.

Например: архив последних 30 дней из 3–5 ключевых Telegram-каналов вашей отрасли,

публичные комментарии под 10 последними новостями на VC.ru,

и логи поведения с вашего сайта за последние 60 дней.

Формулируете вопрос – не «напиши портрет», а:

«Какие три поведенческие паттерны чаще всего встречаются у компаний, которые в итоге становятся клиентами?»

Или:

«Какие формулировки используют люди, когда описывают проблему, которую мы решаем?»

Проверяете вывод – не верите на слово. Сверяете с реальными сделками.

Если ИИ говорит: «Клиенты часто упоминают страх перед простоем», – вы смотрите:

→ Был ли этот страх в переговорах?

→ Отражён ли он в питчах?

→ Можно ли усилить его в контенте?

Так вы не «запускаете ИИ и ждёте чуда».

Вы задаёте направление, получаете гипотезу, проверяете её на практике.

Этот цикл – основа динамического портрета клиента.

Фреймворк: ICP 2.0

Когда вы собрали сигналы и проанализировали их с помощью ИИ, возникает следующий вопрос:

«Как превратить эти наблюдения в инструмент, который будет работать каждый день – в маркетинге, продажах, создании контента?»

Ответ – не в новом документе, который ляжет пылью в Notion.

А в динамическом портрете клиента, который живёт и обновляется вместе с рынком.

Мы называем его ICP 2.0 – не как модное название, а как напоминание:

старый подход (раз в год, стикеры, гипотезы в вакууме) больше не работает.

ICP 2.0 строится на трёх слоях:

Компания – отрасль, размер, география. Это база. Она редко меняется, но задаёт рамки.

Поведение – что человек делает: какие страницы смотрит на вашем сайте, какие вопросы задаёт в Telegram, возвращается ли через неделю.

Язык – как он описывает проблему: «нужна CRM» или «боимся пропустить сроки по делам».

Первый слой вы знаете заранее.

А вот второй и третий – живые. Их нужно обновлять каждые 30–60 дней на основе реальных данных.

ИИ помогает выделить паттерны в поведении и языке – но только если вы сначала собрали эти данные и задали чёткий вопрос.

Результат – не «идеальный клиент» из учебника, а рабочая гипотеза, которую вы проверяете на ближайших 10 встречах с лидами.

Если гипотеза подтверждается – вы усиливаете её в питчах и контенте.

Если нет – корректируете и повторяете цикл.

Так портрет перестаёт быть догмой – и становится компасом в реальном времени.

Главная ошибка: искать подтверждение

Самая частая ловушка – использовать ИИ не для поиска новых сигналов, а для подтверждения старых гипотез.

Вот пример:

Компания продаёт CRM для юридических фирм.

Их портрет клиента – «юридические конторы 10–30 человек, без IT-отдела».

Они собирают все запросы за последние два месяца: из формы на сайте, из Telegram-каналов, из комментариев под отраслевыми постами – и получают список из 90 компаний.

Затем они дают этот список ИИ и просят:

«Раздели компании на группы по типу запроса. Где речь о простой автоматизации, а где – о контроле сроков и ответственности?»

ИИ выделяет:

– 60 компаний действительно ищут «простую CRM» (малые юрфирмы),

– но 30 – это юрдепартаменты банков и корпораций, которые пишут: «Нам нужно отслеживать дедлайны по делам, чтобы не пропустить сроки исковой давности».

Оказывается, реальный спрос – не в сегменте, который они считали основным.

А всё потому, что вопрос был сформулирован как анализ данных, а не как поиск подтверждения.

ИИ не должен подтверждать, кого вы хотите видеть клиентом.

Он должен показывать, кто действительно в вас заинтересован.

Практикум №1

Задание:

Возьмите десять последних лидов, которые дошли до демо или закрыли сделку.

Посмотрите внимательно: какие страницы они просматривали на вашем сайте, откуда пришли и какие слова использовали в первом сообщении.

Теперь сравните это с тем портретом клиента, который у вас записан в Notion или обсуждался на последней стратегической сессии.

Совпадает ли он с тем, что показывают реальные данные?

Или, может быть, ваши настоящие клиенты – совсем не те, кого вы себе представляли?

Вопрос для рефлексии:

Что из того, что вы считали «неподходящим», на самом деле оказалось признаком заинтересованности?

Клиент редко говорит прямо: «Мне страшно, что ваша система сломается в самый ответственный момент».

Или: «Я не хочу признаваться руководству, что мы до сих пор ведём учёт в Excel».

Или: «Если этот проект провалится, меня уволят».

Вместо этого он пишет: «Нам нужна CRM».

Или: «Ищем подрядчика для автоматизации».

Или: «Хотим протестировать ваше решение».

Эти фразы – поверхность. Если смотреть глубже, то за ними могут быть скрыты – тревоги, страхи, внутренние конфликты.

Именно они определяют, купит клиент или нет.

Потому что в B2B решение редко принимается на основе функционала.

Оно часто принимается на основе ощущения безопасности.

ИИ не читает мысли. Но он может помочь увидеть то, что скрыто за вежливыми формулировками – если вы научитесь задавать правильные вопросы.

Где искать невысказанные боли

Большинство маркетологов ищут боли в анкетах, интервью, отзывах.

Это важно – но недостаточно.

Потому что в формальном диалоге человек часто говорит то, что «правильно», а не то, что на самом деле чувствует.

Настоящие боли проявляются в неформальных, незащищённых моментах:

В чате поддержки: «А у вас точно не будет простоев при обновлении?»

В переписке после демо: «Можете прислать сравнение с [конкурентом]? Нам нужно обосновать выбор».

В открытых обсуждениях: «Кто-нибудь пробовал такие системы? Боимся, что внедрение займёт полгода».

В вопросах на вебинаре: «А если у нас нет IT-специалиста? Кто будет настраивать?»

Эти фразы кажутся техническими.

Но за ними – страх перед сложностью, ответственностью, потерей контроля.

ИИ помогает не «угадать боль», а систематизировать то, что уже сказано.

Как работать с этими сигналами

Чтобы ИИ действительно помог увидеть то, что клиент не говорит прямо, нужно начать не с него, а с себя.

Сначала вы собираете всё, где люди говорят без прикрас – не официальные заявки, а те моменты, когда фильтр опускается.

Это переписка с поддержкой за последние месяцы, вопросы в конце вебинаров, комментарии в отраслевых Telegram-каналах и профессиональных группах, даже негативные отзывы – особенно они.

Именно там, в незащищённых репликах, звучат настоящие тревоги: «А вдруг система ляжет в самый ответственный момент?», «Боимся, что команда не примет новое решение», «Не хотим тратить время на обучение».

Когда у вас есть этот «сырой» материал, вы не просите ИИ «найти боли» – это слишком расплывчато.

Вы задаёте точный вопрос:

«Какие три повторяющиеся страха стоят за техническими вопросами?»

Или:

«Какие формулировки клиенты используют, когда говорят о рисках?»

ИИ выделяет паттерны – не как истину, а как гипотезу.

Если он показывает: «Часто упоминается страх перед простоем», – вы не бросаетесь писать в рассылке: «Не бойтесь!» (это только усилит тревогу).

Вы включаете в питч конкретику:

«Мы понимаем: главное – стабильность. Поэтому у нас двухнедельный пилот без остановки текущих процессов и SLA 99,95%».

Так вы перестаёте гадать, что волнует клиента.

Вы опираетесь на его собственные слова – и превращаете их в основу доверия.

Потому что лучший аргумент – не тот, который вы придумали.

А тот, который клиент уже сам высказал.

Пример: SaaS для учёта проектов

Компания продаёт систему управления проектами для IT-аутсорс-компаний.

Их питч делал упор на «гибкость, интеграции, красивые дашборды».

Но конверсия из демо в сделку была низкой.

Они собрали 120 сообщений из чатов поддержки, вопросов после демо и комментариев в Telegram.

И дали ИИ задание:

«Какие скрытые тревоги стоят за вопросами о настройке и обучении?»

ИИ выделил паттерн:

→ 68% вопросов содержали фразы вроде: «А если мы не справимся?», «У нас нет времени на обучение», «Боимся, что команда откажется использовать».

Оказалось, главная боль – не функционал, а внутреннее сопротивление в команде.

Клиенты боялись, что внедрение вызовет хаос, а не порядок.

Компания изменила подход:

В питче теперь первым делом говорили: «Мы берём на себя обучение вашей команды – без вашего участия».

В демо показывали не дашборды, а процесс внедрения за 5 дней.

В email-рассылке писали не о «гибкости», а о «том, как ваши сотрудники начнут использовать систему с первого дня».

Конверсия из демо в сделку выросла на 40%

Ключ не в ИИ.

Ключ в том, что они перестали продавать то, что хотели продавать, и начали отвечать на то, что клиент боялся спросить вслух.

Ошибки, которых стоит избегать

Работая с невысказанными тревогами, легко переступить грань между вниманием и навязчивостью.

Самая частая ловушка – видеть боль там, где её нет.

Не каждый вопрос о конкурентах – признак страха. Иногда клиенту действительно нужно просто сравнить условия, сроки или интеграции.

Не каждое уточнение – сигнал тревоги. Иногда это просто профессиональная тщательность.

Чтобы не ошибиться, смотрите на контекст:

повторяется ли тема в разных сообщениях?

Появляются ли эмоциональные слова – «боимся», «опасаемся», «не хотим рисковать»?

Или речь идёт о нейтральных, технических деталях?

Без этого различия вы начнёте «лечить» того, кто просто уточняет диагноз.