Коли говорять про AI у продажах, зазвичай уявляють IT-компанію: CRM, тисячі лідів, автоматичні email-sequences, транскрипцію Zoom-дзвінків та AI-асистента, який пише follow-up.
Але мені стало цікавіше інше питання: що AI може дати sales-менеджеру у традиційному B2B-бізнесі?
Наприклад, у будівництві.
Тут продаж часто починається задовго до комерційної пропозиції. Менеджеру потрібно зрозуміти, хто планує будувати склад, виробничий цех, холодильний комплекс, магазин або агрооб’єкт, знайти компанію, вийти на людину, яка приймає рішення, зателефонувати їй і не пропустити момент, коли проєкт переходить у реальну фазу.
Я почав розбиратися, які AI-підходи вже використовують B2B sales-команди та construction-компанії за кордоном, і виявилося, що найбільша можливість тут — зовсім не AI, який сам телефонує клієнтам.
Набагато цікавіше зробити AI системою, яка вирішує, кому sales-менеджеру варто телефонувати сьогодні і чому.
Проблема не в cold calling, а в тому, кому ми телефонуємо
Уявімо sales-менеджера компанії, яка постачає матеріали для промислового будівництва.
У нього може бути Excel на кілька сотень компаній:
- агропідприємства;
- виробники;
- логістичні компанії;
- девелопери;
- генеральні підрядники;
- харчові підприємства.
Але сама наявність компанії в цьому списку ще нічого не означає.
Компанія може чудово відповідати ICP, але найближчі три роки нічого не будувати. Інша компанія може бути маловідомою, але саме зараз готувати новий склад на 10 000 м².
Для sales друга компанія значно цікавіша.
Саме тому у construction sales поступово з’являється концепція project intelligence: шукати не просто компанії, а сигнали про майбутні будівельні проєкти.
Наприклад, американський Dodge Construction Network збирає інформацію про проєкти ще до виходу на тендер та дозволяє фільтрувати їх за типом будівлі, географією та іншими параметрами. ConstructConnect використовує схожий підхід: sales може знаходити активні будівельні проєкти за локацією, стадією та типом робіт.
Один із кейсів Dodge особливо показовий. Компанія Central States Building Works раніше витрачала багато часу на Google-пошук підрядників і холодні списки. Після переходу до project intelligence компанія заявила про економію приблизно 250 годин research на одного sales-менеджера на рік.
Це добре показує, де AI може принести першу практичну користь.
AI може шукати не компанії, а сигнали про майбутнє будівництво
Умовно ми хочемо знайти українські компанії, які протягом наступних 6–18 місяців потенційно можуть будувати: склад, логістичний центр, виробничий корпус, холодильник, овочесховище або тваринницький комплекс.
Звичайний sales шукав би такі компанії вручну.
AI-процес можна побудувати інакше.
Спочатку збираємо інформацію з відкритих джерел: Google News, корпоративних сайтів, новин громад, тендерів, публічних реєстрів, вакансій, LinkedIn, галузевих медіа.
Далі LLM класифікує знайдені матеріали.
Наприклад:
Компанія: X
Сигнал: планує розширення виробництва
Тип об’єкта: виробничий корпус
Локація: Львівська область
Стадія: рання
Ймовірність релевантності: 82%
Причина: компанія повідомила про інвестиції у нову виробничу лінію та збільшення площ.
Менеджеру вже не потрібно переглядати 200 сторінок Google.
Вранці він може отримати 10–15 потенційних opportunities.
Технічно це не обов’язково складна AI-система. На першому етапі достатньо pipeline:
Data sources → scraper/API → LLM classification → lead scoring → CRM.
І це, на мою думку, набагато цікавіше за черговий ChatGPT prompt для написання cold email.
Я оцінюю не тільки компанію, а й момент
Наступний етап після пошуку — пріоритезація.
Навіть якщо система знаходить 50 потенційно цікавих компаній, я фізично не можу однаково якісно працювати з усіма.
Тому я оцінюю не просто розмір або відомість компанії, а наскільки правильний зараз момент для контакту.
Наприклад:
+20 — компанія оголосила про нове будівництво;
+15 — є згадка про розширення виробництва;
+15 — шукає генерального підрядника;
+10 — отримала фінансування;
+10 — купила або орендувала земельну ділянку;
+5 — відкриває новий регіон;
-15 — об'єкт уже побудований.
LLM тут потрібна мені не стільки для самої математики.
Її головне завдання — взяти сотні неструктурованих текстів і перетворити їх на зрозумілі sales-сигнали.
У результаті я дивлюся не на великий список компаній, а на список можливостей, відсортованих за тим, наскільки вони актуальні саме зараз.
McKinsey описує схожий підхід як next-best opportunity, коли AI об'єднує різні джерела даних і допомагає sales-команді визначити, якими можливостями займатися першими.
В одному з кейсів промислова компанія об'єднала понад десять внутрішніх і зовнішніх джерел даних для пошуку та пріоритезації потенційних клієнтів. Після цього команда отримала вищу конверсію та швидше опрацьовувала ліди.
Мені близький саме цей підхід: у sales важливо знайти не просто правильну компанію, а правильну компанію в правильний момент.
Перед дзвінком AI робить research замість мене
Коли система знаходить цікаву компанію, у мене виникає наступне практичне питання:
А що я взагалі маю їм сказати?
Раніше перед таким дзвінком я відкривав сайт компанії, Google, LinkedIn і новини. За кілька хвилин намагався зрозуміти, чим займається компанія, що в неї зараз відбувається і чому саме їй варто телефонувати.
Зараз цю частину роботи AI робить за мене.
Перед дзвінком я отримую короткий briefing:
- Що робить компанія: виробник заморожених продуктів.
- Що змінилося: оголосила про збільшення виробничих потужностей.
- Що потенційно будує: холодильний склад.
- Кого шукати: owner / CEO / head of construction / procurement.
- Що я можу запропонувати: рішення для холодильних приміщень.
З чого почати розмову: згадати розширення виробництва, а не починати зі стандартного «хочу запропонувати нашу продукцію».
Для мене це суттєво змінює сам cold call. Я вже не телефоную випадковій компанії зі списку.
Я знаю, чому телефоную саме зараз. У мене є конкретний reason to call.
AI може слухати cold calls і знаходити закономірності
Ще один цікавий напрям — conversation intelligence.
Якщо компанія робить сотні дзвінків, це фактично величезна база даних, яку часто ніхто не аналізує.
Сучасний pipeline виглядає приблизно так:
Call recording → speech-to-text → LLM analysis → CRM → dashboard.
Після дзвінка AI може автоматично визначити:
- про що говорили;
- чи є будівельний проєкт;
- на якій він стадії;
- які були заперечення;
- хто приймає рішення;
- коли варто передзвонити;
- який наступний крок домовилися зробити.
А на рівні сотень дзвінків уже можна ставити значно цікавіші питання.
- Які opening lines найчастіше приводять до продовження розмови?
- На якому запереченні менеджери найчастіше втрачають клієнта?
- Чи відрізняється конверсія дзвінків забудовникам, виробникам та агрокомпаніям?
- Які слова клієнта найчастіше з’являються за кілька місяців до угоди?
Gong побудував фактично цілий продукт навколо такого підходу. Компанія аналізує sales conversations за допомогою speech-to-text, NLP та machine learning і пов’язує поведінку під час дзвінків із результатами угод.
Тобто sales manager отримує не просто транскрипцію дзвінка, а feedback loop:
розмова → дані → закономірність → зміна sales script → нові розмови → нові дані.
Найцікавіше — об’єднати все в одного sales copilot
Саме тут окремі AI-функції перетворюються на систему.
Для прикладу візьмемо компанію RUTS, в якій я працюю (працює із сендвіч-панелями для промислових, складських, холодильних, аграрних та інших об’єктів).
У такому бізнесі AI sales copilot теоретично міг би працювати так. О 7:00 система перевіряє нові публікації та інші доступні джерела. Знаходить 120 нових згадок компаній. LLM відкидає нерелевантні новини та залишає 12 потенційних будівельних сигналів. Lead-scoring модель визначає три найцікавіші.
До початку робочого дня sales отримує:
Lead #1
- Агрокомпанія планує збільшити потужності зберігання продукції.
- Ймовірний проєкт: холодильний/складський комплекс.
- Стадія: рання.
- Fit score: 87/100.
- Recommended action: знайти директора з розвитку та зателефонувати протягом 2–3 днів.
Далі AI знаходить доступну інформацію про компанію та готує briefing. Sales телефонує сам.
Після дзвінка система робить транскрипцію, витягує next step і оновлює CRM:
- Проєкт попередньо планується на Q2.
- Площу ще визначають.
- Потрібно повернутися через три тижні.
Через три тижні CRM автоматично повертає opportunity менеджеру.
Тут AI не замінює продавця. Він прибирає значну частину роботи навколо продажу.
А чи варто автоматизувати самі холодні дзвінки?
Технічно — уже можна.
Voice AI здатний говорити з клієнтом, працювати з CRM, ставити qualification questions і бронювати зустріч.
Але для складних B2B-продажів я б не починав саме з цього.
Якщо продається не підписка за $20, а матеріали або рішення для об’єкта на сотні чи тисячі квадратних метрів, довіра, експертиза та здатність менеджера зрозуміти нестандартний контекст залишаються критичними.
Тому логічніша модель: AI шукає → AI аналізує → AI пріоритезує → людина телефонує → AI аналізує результат.
Людина залишається в найціннішій частині процесу — розмові та побудові відносин.
З чого почати без великого AI-проєкту
Для першого MVP я б узагалі не будував складну ML-модель.
Достатньо взяти одну область або один тип клієнтів, наприклад виробничі підприємства, і протягом місяця автоматично збирати сигнали про розширення та будівництво.
Архітектура може бути дуже простою: public data → automation → LLM → Google Sheets/CRM → sales manager.
Головний KPI теж простий: не кількість згенерованих AI текстів, а скільки знайдених AI opportunities перетворилися на реальні розмови, проєкти та угоди.
Якщо сигналів багато, але менеджери кажуть, що вони нерелевантні, потрібно змінювати scoring.
Якщо сигнали релевантні, але компанії знаходяться надто пізно — джерела.
Якщо правильні компанії знайдені вчасно, але дзвінки не працюють — аналізувати conversation data.
Саме тому мені здається, що найцікавіше застосування AI у традиційних продажах — не створення «AI-продавця».
Це створення системи, яка дає хорошому продавцю набагато кращу відповідь на три питання: кому зателефонувати, чому саме зараз і про що з ним говорити.
І для будівельного B2B, де одна вчасно знайдена можливість може коштувати значно більше за сотні звичайних лідів, це може бути набагато цінніше, ніж автоматизація ще одного email follow-up.