Как AI обрабатывает возражения в Telegram: от «дорого» до оплаты

Менеджер слышит «дорого» — и паникует. AI слышит «дорого» — и строит аргументацию

«Дорого.» Одно слово, из-за которого теряются сделки.

Типичный менеджер реагирует одним из двух способов: даёт скидку (теряет маржу) или отвечает заученной фразой «а с чем сравниваете?» (теряет клиента, который слышал это уже от 10 продавцов).

AI-агент Sell_Agent реагирует иначе. Он анализирует весь контекст диалога — о чём говорили, что клиенту важно, какие вопросы задавал — и строит аргументацию из вашей базы знаний. Не шаблон, а ситуативный ответ.

Разберём, как это работает под капотом.

7 типов intent: AI понимает не слова, а намерение

Когда лид отвечает на сообщение, AI не просто читает текст — он классифицирует намерение:

Intent	Что это	Reward
interested	Явный интерес, готовность обсуждать	+1.0
question	Вопросы — признак вовлечённости	+0.5
neutral	Нейтральная реакция, без ярких сигналов	+0.3
busy	«Не сейчас», «Перезвоните позже»	0
not_interested	Мягкий отказ	–0.5
negative	Жёсткий негатив	–1.0
spam_report	Пожаловался — критический сигнал	–2.0

Система reward нужна для ML-оптимизации: Thompson Sampling использует эти оценки, чтобы выбирать лучшие стратегии для каждого сегмента.

Ключевой нюанс: «дорого» — это не negative. Это question или interested с price objection. Человек, который говорит «дорого», уже рассматривает покупку. Ему нужна аргументация, а не игнорирование.

Трёхуровневая система анализа

AI анализирует ответ лида через три уровня, от быстрого к глубокому:

Уровень 1: Выученные паттерны (приоритетный)

Система учится на исправлениях операторов. Если менеджер исправил классификацию AI — паттерн сохраняется и используется в будущем.

Типы паттернов:

Exact — точное совпадение фразы
Keywords — ключевые слова для нечёткого поиска
Regex — регулярные выражения для сложных паттернов

Каждый паттерн имеет strength (силу) — чем чаще подтверждается, тем выше приоритет. Использование каждого паттерна отслеживается для контроля качества.

Уровень 2: Быстрый анализ правилами

Для очевидных случаев (confidence ≥ 0.9) — мгновенная классификация без вызова LLM. «Спасибо, не интересно» → not_interested. «Сколько стоит?» → interested. «Идите нахер» → negative.

Работает через наборы позитивных и негативных ключевых слов. Русский NLP со стеммингом: «хорошо», «отлично», «супер», «спасибо», «согласен», «готов», «нравится» → позитивные. «Нет», «плохо», «спам», «отстань», «мошенники» → негативные.

Учитывает отрицания: «не интересно» — инвертирует sentiment.

Уровень 3: LLM-анализ (для сложных случаев)

Когда правила не дают высокой уверенности — подключается языковая модель. Она анализирует:

Полный контекст диалога (не только последнее сообщение)
Тон и эмоциональную окраску
Скрытые сигналы (иронию, скептицизм, интерес за возражением)
Рекомендованное действие: close_deal, send_offer, continue, stop

Как AI строит аргументацию

Получив возражение, AI не отвечает шаблоном. Он делает три вещи:

1. Определяет тип возражения

Не просто «дорого», а конкретный контекст:

Price objection: «дорого» → аргументация через ROI и ценность
Trust issue: «а это не развод?» → социальное доказательство, кейсы
Timing: «не сейчас» → FOMO или предложение вернуться
Competitor: «уже используем X» → сравнение, миграция
Need: «нам это не нужно» → переформулирование потребности

2. Обращается к базе знаний

RAG-память (pgvector, семантический поиск) содержит всю информацию о вашем продукте: описания, цены, кейсы, FAQ, сравнения с конкурентами. AI находит релевантные фрагменты за миллисекунды.

Пример: лид сказал «мы уже пробовали автоматизацию, не сработало». AI ищет в базе знаний кейсы с клиентами, которые перешли с других решений. Находит: «Компания X перешла с Competitor и получила +150% конверсии за 2 месяца». Использует это в ответе.

3. Учитывает контекст диалога

AI помнит весь диалог. Если лид ранее упоминал, что у него команда из 3 человек — ответ на «дорого» будет другим, чем для enterprise с 50 сотрудниками:

Для маленькой команды: «При 3 менеджерах подписка обходится в 2 660 ₽ на человека — дешевле часа работы стажёра»
Для enterprise: «При вашем масштабе ROI окупается за первую неделю — вот расчёт для компаний похожего размера»

Примеры реальных отработок

Возражение: «Дорого»

Лид: «7 990 в месяц это дорого для нас»

AI: «Понимаю. Давайте посчитаем: один SDR стоит ~120 000 ₽/мес. Sell_Agent обрабатывает столько же контактов, сколько 3 SDR — за 7 990 ₽. Стоимость квалифицированного лида: ~30 ₽ вместо 3 000–5 000 ₽ при ручном outreach. Вот кейс компании из вашей ниши: payback на подписку за 8 дней.»

Возражение: «Уже пробовали, не работает»

Лид: «Мы пробовали бота для рассылки, аккаунт заблокировали через 2 дня»

AI: «Классическая проблема массовых рассылок. Sell_Agent работает иначе: 4-фазный прогрев аккаунтов (13 дней), мутация каждого сообщения (никогда два одинаковых), консервативные лимиты (15 диалогов/час). За всё время работы: 0 заблокированных аккаунтов у клиентов, которые следовали рекомендациям. Это не рассылка — это имитация живого продавца.»

Возражение: «Нет времени разбираться»

Лид: «Звучит интересно, но сейчас совсем нет времени на новый инструмент»

AI: «Как раз для этого и нужна автоматизация. Запуск занимает 2 часа: загрузить базу знаний, настроить кампанию, подключить аккаунт. Дальше AI работает автономно — вы подключаетесь только к горячим лидам. Один из наших клиентов тратит 15 минут в день на проверку результатов. Могу показать, как выглядит процесс?»

Обучение системы: каждый диалог делает AI умнее

Три механизма обучения:

1. Паттерны от операторов. Менеджер видит, что AI неправильно классифицировал ответ. Исправляет. Система сохраняет паттерн и использует его в будущем. Через месяц — 90%+ точных классификаций без вмешательства.

2. Thompson Sampling. Какая стратегия отработки лучше для какого сегмента? Алгоритм автоматически тестирует варианты и выделяет бюджет на лучшие. Отработка через ROI работает для SaaS-фаундеров, через social proof — для скептиков из enterprise.

3. Sentiment tracking. Каждый ответ лида оценивается по sentiment (от –1 до +1). Если после отработки возражения sentiment вырос — стратегия работает. Упал — нужно менять подход.

Интенсивность возражений: не все «дорого» одинаковы

Система отслеживает интенсивность возражения по шкале 0–10:

«Дорого» (вскользь) → интенсивность 2–3. Мягкая отработка
«Это слишком дорого для нашего бюджета» → интенсивность 5–6. Серьёзная аргументация
«Мы никогда не заплатим столько» → интенсивность 8–9. Переключение стратегии или deescalation

Интенсивность влияет на lead scoring: штраф до –30 баллов при высокой интенсивности. Но сам факт возражения не обнуляет лида — «дорого» с интенсивностью 3 даёт +40 баллов intent (показывает интерес к покупке).

Почему шаблонные скрипты не работают

Скрипт: «Дорого? А с чем сравниваете?»

Проблемы:

Каждый продавец говорит это. Клиент слышал 100 раз
Не учитывает контекст: маленькая команда vs enterprise
Не обращается к реальным данным: кейсам, цифрам
Одинаковый для всех — не персонализирован

AI-агент: «При вашей команде из 5 человек подписка стоит 1 600 ₽ на менеджера. Вот что получила аналогичная компания за первый месяц: +480 контактов, 34 квалифицированных лида, 2 сделки. Payback — 8 дней.»

Конкретика. Контекст. Персонализация. Цифры из реальных кейсов.

Хотите AI, который закрывает возражения за вас? Попробуйте Sell_Agent →