Начните с доступа
Гайд про регистрацию и оплату Claude из России: текст со скриншотами, что делать, если не проходит карта.
- Старт с Claude 990 ₽
Схематично: вопрос про доступ и ответ из гайда
Когда предприниматель говорит «хочу AI в CRM», я в 9 случаях из 10 уточняю: «А CRM-то у тебя есть?». Если есть, встраиваем модель внутрь существующей системы за 2-4 недели и считаем экономику. Если нет, сначала ставим CRM (хоть Google Sheets), и только потом AI. Иначе выйдет дорогая игрушка вместо рабочего инструмента. Дальше — 5 точек, где AI правда меняет работу с заявками, как это сделано в моих кейсах и почему «AI вместо менеджера» остаётся маркетинговым мифом.
Обновлено 22/05/2026 · кейсы внутри: классификатор сообщений 200-500/день, AI-резюме разговоров в карточке клиента
Главное решение в начале Встраивать AI в CRM, а не строить CRM с нуля вокруг AI
Это первое, в чём стоит разобраться, прежде чем тратить деньги. На рынке сейчас две стратегии. Первая звучит так: «давайте сделаем CRM на GPT с нуля». Подрядчик предлагает писать всё под ключ, заявки летят к LLM (это и есть та самая нейросеть-«мозг», языковая модель), бизнес-логика тоже сидит в промптах. Футуристично, а на деле дорого, нестабильно и держится на честном слове OpenAI: не сменит цены, не выкатит breaking change.
Вторая стратегия: взять то, что уже работает (Битрикс, AmoCRM, своя на Postgres или Sheets) и точечно вшить AI в 3-5 мест, где он снимает рутину. Это дешевле в разы, проще в поддержке и не валится, когда LLM лежит. Я работаю только так. Когда мне говорят «давай вибким AI-CRM с нуля», я отказываюсь, если у клиента нет инженера, который потом будет это всё тащить.
Правило простое: CRM хранит данные и бизнес-процесс, AI обрабатывает текст и принимает решения по правилам, которые ты задаёшь промптом (это инструкция модели на обычном языке). Поменяете их местами — будет больно.
5 точек применения Где AI меняет CRM прямо сейчас
Никаких «возможностей будущего». Это функции, которые уже крутятся у моих клиентов в 2026 году. По каждой разберём: что делает, сколько стоит, где подвох.
Точка 1
Квалификация лидов на входе
Лид падает в CRM из формы, рекламы или мессенджера. AI читает текст обращения и проставляет 3 поля: горячий/тёплый/холодный, сегмент (B2B/B2C/мимо), готовность к покупке. Менеджер видит уже отсортированный список и не тратит первые 10 минут разговора на «а вы вообще про что». У клиента-поставщика так срезается ~30% разговоров, которые раньше шли до созвона. Подвох: на 5-10% лидов модель ошибается, нужен fallback по принципу «всё спорное отдаём человеку».
Точка 2
Классификация заявок и сообщений
Самая частая задача и заодно самая дешёвая. Входящее сообщение → промпт → категория (заказ / возврат / претензия / вопрос / спам / прочее) + приоритет 1-5. CRM создаёт сделку в нужной воронке автоматически. У одного клиента так разруливаются 200-500 сообщений в день, GPT-4o-mini обходится в ~$10-20 в месяц. Точность 92-95%, если хорошо собрать примеры для few-shot (это когда модели прямо в промпте показываешь несколько готовых образцов «вот так размечай»). Подвох: примеры собираются вручную, это 1-2 рабочих дня.
Точка 3
Автоответ на FAQ-вопросы
В нишевом B2C/B2B 90% обращений сводятся к 10-20 повторяющимся вопросам: цена, сроки, адрес, как оплатить, есть ли в наличии. AI отвечает по базе знаний (через RAG, когда модель сначала достаёт нужный факт из вашей базы, а потом отвечает, или прямо через системный промпт с фактами), карточку клиента в CRM создаёт автоматом, менеджеру в чат передаёт только нестандартное. Экономит 2-3 часа менеджера в день. Подвох: база знаний живёт в одном месте и обновляется регулярно, иначе AI начнёт галлюцинировать про вчерашние цены.
Точка 4
Скоринг и приоритизация сделок
Сделок в воронке 200+, и менеджер уже не помнит, кто из них правда готов покупать. AI раз в сутки проходит по карточкам, читает историю переписки, проставляет вероятность конверсии 0-100 и причину. Утром в отчёте менеджер видит топ-10 «сегодня дожимай этих». Никакой магии: обычная классификация по сигналам (давность последнего сообщения, упоминание цены, вопросы про оплату). Подвох: модель надо калибровать на исторических сделках, иначе скоринг пойдёт рандомный.
Точка 5
Дашборд и саммари для собственника
Здесь AI ничего не решает за тебя. Он пересказывает, что произошло. Раз в день в Telegram падает 5-строчный отчёт: сколько лидов, какие проблемные, кто из менеджеров отстаёт, какие тренды в обращениях. AI смотрит на сырые данные CRM и формулирует их человеческим языком. Так устроен мой утренний дайджест по школе Кайтек: пересказ за вечер вместо ручного ковыряния в таблицах. Подвох: собственник сначала должен сказать, что считать «проблемой», иначе AI напишет складно звучащую воду.
Точка 6 (бонус)
AI-резюме разговора в карточке клиента
Менеджер закрывает диалог, и AI пишет в карточку клиента 3-5 строк: о чём говорили, какие возражения, что обещали, когда созвон. Через месяц открываешь карточку и за 10 секунд вспоминаешь контекст. В CRM Кайтек это работает на всех клиентских разговорах. Раньше менеджеры писали комментарии вручную (или не писали вовсе), теперь резюме генерится из истории переписки автоматом.
Живой кейс Бот «Диспетчер»: как 200-500 сообщений в день уходят в нужные задачи без менеджера
Клиент — поставщик электроники, продаёт через Telegram, принимает заказы в трёх разных группах. До нашей работы менеджер ловил все сообщения вручную, копировал в Excel, через час уже забывал, кто что заказывал. К концу дня в среднем терялось 5-10 заявок, а это конкретные деньги мимо кассы. Решение собрали за 3 недели, и стоило оно 150 000 ₽ против 600к и 3 месяцев у конкурентов.
Стек намеренно простой: Python 3.11 + python-telegram-bot 21 + Google Sheets как БД + GPT-4o-mini как мозг. Никакого Битрикса, SaaS и подписок, кроме OpenAI на копейки. Бот сидит в группах поставщика, читает каждое сообщение, отправляет в GPT-4o-mini с промптом «определи тип сообщения и извлеки структурированные поля». На выходе получаем JSON: тип (заказ / уточнение / претензия / спам), товар, количество, контакт клиента, срочность.
Дальше всё классически: бот создаёт строку в Google Sheets (это и есть CRM для этого клиента), уведомляет менеджера в личку только по приоритетным заявкам, остальное копит в дайджест. В конце дня приходит Telegram-отчёт: 247 сообщений, из них 89 заказов, 12 претензий, 146 вопросов и спам. За день менеджер руками не открывает ничего, кроме претензий и сложных заказов.
Цифры стека: ~52 файла Python, 45 unit-тестов (пишет AI, ревьюю я), маскирование персональных данных по 152-ФЗ ДО отправки в OpenAI (телефоны и адреса заменяются плейсхолдерами). Инфра живёт на VPS за $5/мес плюс OpenAI ~$15-20/мес. Точность классификации на проде составила 93% по случайной выборке 200 сообщений.
Главный вывод: чтобы вкорячить AI, переписывать CRM клиента не нужно. Достаточно собрать тонкий слой между мессенджером и существующей таблицей, а LLM подключать точечно там, где регулярки и if-else не справляются. Это не «AI-first архитектура». Это AI в одном месте, а всё остальное скучное и предсказуемое, как кирпичи.
Полный разбор проекта «Диспетчер»: 3 недели, 150 000 ₽, что входило, как делили этапы, какие fail'ы были на проде.
Стек интеграций Куда вшивать AI в зависимости от вашей CRM
Три самых частых сценария в малом бизнесе РФ. У каждого свои подводные.
Битрикс24
Если уже сидите на Битриксе, AI вешается через webhooks и REST API. При создании лида триггер → ваш Python-сервис → GPT-4o-mini → обратно в карточку проставляются теги/скоринг/категория. Можно обойтись встроенным «роботом» в воронке без отдельного сервера, но через свой сервис гибче. Подводный камень: облачный Битрикс ограничивает количество вызовов API в минуту, и на больших объёмах понадобится очередь.
AmoCRM
Похожая история, через AmoCRM Digital Pipeline + вебхуки. Триггер на изменение сделки → ваш endpoint → AI обрабатывает → дёргает API AmoCRM назад. Удобно для квалификации лидов и автоответов во встроенном чате. Подвох: AmoCRM любит «свои» виджеты-маркетплейс, в них AI делать неудобно. Лучше держать всю интеграционную логику снаружи, в своём микросервисе.
Своя CRM на Google Sheets
Самый простой и самый недооценённый вариант для бизнеса до 50-100 сделок в день. Sheets как БД через gspread, бот на Python вместо UI, AI вшит в один файл-обработчик. Так сделан «Диспетчер» и десятки подобных систем. Подвох: Sheets не выдержит 1000+ строк/день и не даст роли пользователей. Но в малом B2B этого почти никогда и не надо.
Своя CRM на FastAPI + Postgres
Когда переросли Sheets и не хотите Битрикс. Своё API, своя БД, а AI становится просто ещё одним сервисом, который слушает события из CRM. Дороже в сборке (~3-6 недель vs 1-2), зато полный контроль. Так устроена CRM Кайтек: 2000+ клиентов, 13 лет данных, AI делает резюме переписки и шлёт финансовые алерты собственнику.
RetailCRM / МойСклад
Если уже сидите на отраслевой CRM, обычно есть webhooks и API. Принцип такой же: триггер → ваш Python-сервис → AI → обратно. Главное правило: встроенные функции системы не трогаем, добавляем то, чего там нет. Классификация неструктурированного текста, саммари, скоринг по контенту.
Стек LLM
По умолчанию OpenAI GPT-4o-mini (~$0.15/$0.60 за миллион токенов). Где нужен высокий ризонинг (то есть сложные рассуждения, а не простая разметка), беру Claude Sonnet/Opus через API. Российские альтернативы YandexGPT и GigaChat имеют смысл при жёстких требованиях к российскому периметру данных. Архитектурно слой LLM держу отделённым одним файлом, чтобы сменить провайдера за 10 минут.
Где AI не помогает «AI заменит менеджера по продажам» — миф
- AI не закрывает сделку. Он классифицирует, скорит, отвечает на FAQ. Но когда нужно дожать клиента, отработать возражение «дорого», предложить альтернативу, тут нужен человек. Любые скрипты типа «AI-агент сам продаёт» в B2B и среднем чеке B2C оказываются либо демо-видео, либо лидгенератором для дорогого SaaS.
- AI не строит отношения. В малом бизнесе люди возвращаются к менеджеру, потому что он помнит детали и держит слово. AI этого не заменит: у него нет ни репутации, ни личной ответственности. Годится как ассистент менеджера, не как его замена.
- AI не работает «из коробки» без данных. Дайте классификатору меньше 50-100 размеченных примеров, и он будет ошибаться в 30-40% случаев, а автоответчик без базы знаний начнёт галлюцинировать. Если вам продают «решение под ключ за 3 дня без обучения модели», там либо очень узкая задача, либо обман.
- AI не отменяет 152-ФЗ. Любые персональные данные (телефон, ФИО, адрес) должны маскироваться ДО отправки в OpenAI/Claude. Это требование закона, а не паранойя. В «Диспетчере» оно закрыто отдельным слоем-маскером перед каждым вызовом LLM.
- AI не оправдан, если у вас 5 заявок в день. На малых объёмах человек справляется быстрее. AI начинает окупаться от 50-100 сообщений в день и выше. Ниже этого порога обычные триггеры и шаблоны в CRM выходят дешевле и стабильнее.
FAQ Что обычно спрашивают предприниматели
Сколько стоит внедрить AI в существующую CRM?
От 80 000 до 300 000 ₽ в зависимости от точек интеграции и сложности. Простой классификатор лидов в Битрикс или AmoCRM обойдётся в 80-120к и займёт 2-3 недели. Полноценный бот с классификацией, дайджестом и AI-резюме (как «Диспетчер») стоит 150-200к и собирается за 3-4 недели. Если нужна ещё и сама CRM с нуля, это уже /products/custom/ от 150к плюс разработка под задачу.
Сколько стоит OpenAI/Claude на проде каждый месяц?
На GPT-4o-mini для классификации и автоответов уходит $10-30 в месяц при объёме до 500 сообщений в день. AI-резюме разговоров обойдётся в $20-50. Дайджест собственнику стоит копейки, $1-2. У одного клиента на проде сейчас выходит ~$25 в месяц при ~400 сообщений в день, и это меньше, чем подписка на Битрикс.
Можно ли использовать российские LLM вместо OpenAI?
Да, и по требованиям 152-ФЗ иногда это даже обязательно. YandexGPT и GigaChat подходят для классификации и саммари, по качеству уступают GPT-4o, но не критично. На моих проектах YandexGPT тестировали для AI-резюме в CRM Кайтек: результат приемлемый, цена сопоставимая. Архитектурно держу слой LLM отделённым, чтобы переключиться можно было за 10 минут.
У меня нет CRM вообще, только Excel. С чего начать?
Сначала CRM, потом AI. Реалистичный вариант для бизнеса до 50 сделок/день: Google Sheets + Telegram-бот для приёма заявок. Это уже CRM, просто не выглядит как «настоящая». На неё легко вшить AI-классификатор и автоответы за 2-3 недели. При большем объёме придётся выбирать между Битриксом (готово, но дорого) и FastAPI+Postgres (дешевле в эксплуатации, зато 4-6 недель сборки).
Что лучше: GPT-4o-mini или GPT-4o?
Для CRM-задач в 95% случаев хватает GPT-4o-mini. Он в 15-20 раз дешевле и для классификации с извлечением сущностей точнее, чем нужно. GPT-4o имеет смысл, когда задача требует ризонинга (например, AI-резюме сложной B2B-переписки на 30 сообщений) или когда mini ошибается на ваших примерах больше чем в 10% случаев. Начинайте всегда с mini и апгрейдите точечно.
А если AI ответит клиенту что-то не то?
Это главный риск автоответчика. Решается двумя слоями: системный промпт с жёстким «не знаешь, передай менеджеру», и список запрещённых тем (никаких цен, скидок, обещаний сроков, только то, что есть в базе знаний). На «Диспетчере» AI на проде клиентам напрямую не пишет, он только сортирует и подсказывает менеджеру. Сделано так намеренно: один скандал из-за галлюцинации стоит дороже, чем вся экономия от автоответов.
Сколько времени занимает внедрение, если у меня уже есть CRM?
От 2 до 6 недель в зависимости от сложности и качества данных в CRM. Если в системе бардак, сначала уйдёт неделя на чистку и разметку 100-200 исторических примеров (это и есть «обучение» модели через few-shot). Потом 1-2 недели на интеграцию и 1-2 недели на доводку на проде. Без чистки данных можно собрать и за неделю, но точность будет 60-70%, что бесполезно.
Это всё работает только на Python? Можно на чём-то другом?
OpenAI и Claude SDK есть для всех языков (Python, Node.js, Go, PHP). Я работаю на Python, потому что там у меня вся остальная инфраструктура и AI на нём проще писать. Если у вас есть разработчик на Node.js, пишите на Node, разницы по результату не будет. Главное правило одно: слой LLM держать отделённым.
Если хотите внедрить Что делаю я и сколько это стоит
Беру задачу под ключ: разбор существующего процесса, выбор 2-3 точек применения AI, сборка интеграции, тестирование на проде, передача в эксплуатацию. Стек такой: Python + ваш CRM (Битрикс / AmoCRM / своя) + OpenAI или Claude. На выходе вы получаете рабочую систему, документацию, доступы и инструкцию для менеджеров. Такие связки относятся к услуге чат-боты и ИИ-агенты.
Сроки: 3-4 недели от первой встречи до прода. Цена: от 150 000 ₽ за классическую связку «классификатор + автоответ + дайджест». Если нужна и сама CRM, считаем отдельно, обычно +150-300к и +4-6 недель. Скрытых платежей нет: вы платите за работу, а за OpenAI/Claude — напрямую со своей карты на своём аккаунте.
Подробнее про кастомную разработку · Заполнить бриф (5 минут) · Написать мне в Telegram
Куда дальше Связанные статьи и проекты
- Кейс «Диспетчер»: бот за 3 недели и 150 000 ₽
- CRM Кайтек: 2000+ клиентов, 13 лет данных, AI-резюме
- Кастомная разработка под ключ, от 150 000 ₽
- Vibe coding: что это и почему я перевёл на него весь бизнес
- Funnel-bot в Telegram с UTM, пошагово
- Сколько стоит Telegram-бот в 2026: реальные цифры
- AI без программистов: что реально может непрограммист
- MCP-серверы: как они меняют интеграции с CRM
- Бесплатный аудит проекта, 30 минут
Дисклеймер. Все цифры и сроки в статье взяты из реальных проектов на 22/05/2026. Точность моделей и цены OpenAI с Claude меняются, так что проверяйте их на момент чтения. Никаких гарантий результата или возврата средств в статье не предлагается: каждый случай разбирается индивидуально, экономика считается под ваш объём и стек. Бренды Битрикс24, AmoCRM, RetailCRM, МойСклад, OpenAI, Anthropic, Yandex, Сбер упомянуты в информационных целях.