AI-агенты в продажах: к 2028 их станет в 10 раз больше продавцов, но продуктивность вырастет не у всех

AI-агенты в продажах: к 2028 их станет в 10 раз больше продавцов, но продуктивность вырастет не у всех

Gartner в пресс-релизе от 28 июля 2026 года заявил, что к 2028 году AI-агентов в продажах станет в десять раз больше, чем живых менеджеров, — и при этом менее 40 процентов продавцов скажут, что эти агенты повысили их продуктивность. Прогноз фиксирует системный разрыв: количество автоматических «продавцов» вырастет на порядок, а отдача для большинства компаний останется прежней. Параллельное исследование Domino Data Lab по 639 корпоративным лидерам ИИ подтверждает ту же картину: 57 процентов предприятий второй год не окупают вложения в ИИ, хотя 93 процента рапортуют о росте производственных мощностей. Вывод один: инструменты работают, а польза до людей доходит плохо, и закрывают разрыв не числом агентов, а перестройкой данных и регламентов.

Что произошло: прогноз Gartner от 28 июля 2026

28 июля 2026 года Gartner опубликовал обновлённый прогноз по AI-агентам в продажах — развитие ноябрьской оценки 2025 года. Главный тезис звучит парадоксально для эпохи хайпа вокруг агентов: к 2028 году на одного человека-продавца будет приходиться десять AI-агентов, то есть соотношение 10 к 1 в пользу машин. При этом менее 40 процентов самих продавцов признают, что агенты улучшили их продуктивность. Рынок наводнится автоматическими «менеджерами» — от отбора аккаунтов и обогащения контактов до скоринга лидов и обновления CRM, — а измеримого роста выработки у людей это не даст.

Важно: Gartner не призывает отказываться от агентов. Аналитики прямо говорят, что задача коммерческих директоров — закрыть разрыв между объёмом автоматизации и отдачей. По прогнозу, руководители, которые полноценно перестроят три слоя — данные, автоматизацию и пользовательский опыт, — будут получать ROI от ИИ примерно в пять раз чаще тех, кто выбирает быстрые заплатки и точечные интеграции. Выигрыш достаётся не тем, кто быстрее накупил агентов, а тем, кто заранее подготовил инфраструктуру и регламенты.

Цифры, которые портят красивую картину

21 июля 2026 года Domino Data Lab выпустила пятый ежегодный отчёт Enterprise AI Report — исследование по 639 топ-менеджерам, отвечающим за ИИ в крупных компаниях. Доля предприятий, чей ROI не перекрывает вложения, второй год держится на уровне 57 процентов. Одновременно 93 процента респондентов сообщают об улучшении производственных мощностей ИИ в 2026 году против 88 процентов годом ранее.

Возникает парадокс, который и является нервом темы. Технологическая часть становится лучше почти у всех: модели умнеют, инфраструктура масштабируется, доля проектов, дошедших до production, растёт. Но финансовая отдача топчется на месте у большинства. Domino определяет это как «last-mile gap» — разрыв последней мили между моделями, уже работающими в production, и пользователями, которые должны превратить их выводы в решения и деньги. Модель способна предсказать отток клиента или подобрать оффер, но если менеджер не доверяет результату или не встроен в процесс — эффект аннулируется. Эту же закономерность независимо подтверждает исследование MIT NANDA: 95 процентов организаций, запускающих AI-пилоты, не видят влияния на прибыль, и лишь около 5 процентов интегрированных пилотов приносят значимый финансовый результат. Подробнее об этом развернуто в материале «ИИ в корпорациях упёрся в ROI-стену: 57% компаний второй год не окупают вложения».

Почему агентов много, а продуктивности мало

Если свести данные Gartner и Domino воедино, причина низкого ROI в продажах перестаёт быть загадкой. Разрыв последней мили проявляется в трёх типовых сбоях, которые повторяются от компании к компании.

Первый сбой — грязные и разрозненные данные. AI-агент по обогащению контактов или скорингу лидов настолько хорош, насколько чиста его входная информация. Если CRM засорена дубликатами, устаревшими записями и неполными полями, агент масштабирует не качество, а шум. Gartner именно поэтому ставит перестройку данных на первое место: без единого достоверного источника правды о клиенте любой агент работает с искажённой моделью реальности. О том, как превратить разрозненные документы и знания команды в живую базу, которую ИИ может использовать без галлюцинаций, рассказано в статье «База знаний компании: как ИИ делает её живой».

Второй сбой — процессы, не перестроенные под автоматизацию. Классическая ошибка — «навесить» агента поверх существующего хаоса, не убрав ручные дублирующие шаги. Менеджер по-прежнему заводит лид вручную, параллельно его заводит агент, потом кто-то сверяет — и вместо экономии времени получается двойная работа. Gartner недаром противопоставляет полноценную перестройку и быстрые заплатки: именно этот выбор даёт пятикратный разрыв в вероятности ROI. Подход к тому, как описать и регламентировать процесс, разобран в «Регламентация бизнес-процессов с помощью ИИ».

Третий сбой — доверие сотрудников и пользовательский опыт. Даже идеальный по данным и процессу агент бесполезен, если продавец его игнорирует, не открывает или боится ответственности за решения, принятые машиной. Gartner включает пользовательский опыт в тройку слоёв, которые надо перестроить, не случайно: продуктивность возникает только там, где человек и инструмент работают в одной петле обратной связи. Отсюда же растёт проблема онбординга — нового сотрфудника нужно учить работать в паре с агентом, что раскрыто в статье об онбординге с ИИ.

Рецепт Gartner: перестройка вместо заплаток

Главный практический вывод прогноза Gartner стоит сформулировать отдельно, потому что именно он определяет, попадёт компания в те 40 процентов с ростом продуктивности или в большинство без него. Коммерческие директора, которые проводят полную перестройку трех слоёв — данных, автоматизации и пользовательского опыта, — получают ROI от ИИ в пять раз чаще тех, кто ограничивается точечными интеграциями. Пятикратный разрыв — это не маркетинговая фраза, а оценка вероятности успеха, полученная на базе наблюдений за рынком.

Что это значит на языке конкретных действий для среднего и малого бизнеса, который не может позволить себе многомесячные трансформации уровня энтерпрайза? Практический чек-лист выглядит так. Сначала — инвентаризация данных: вычистить CRM от дублей, дополнить недостающие поля, выстроить единый источлdник правды по каждому клиенту. Затем — регламентация процесса: описать шаги от лидогенерации до закрытия сделки так, чтобы было видно, где заканчивается работа человека и начинается работа агента, и убрать дублирующие ручные операции. После этого — выбор юзкейсов под конкретные узкие места, а не «внедрить ИИ вообще»: скоринг лидов, подготовка к звонку, черновики писем, обновление карточки сделки.

Принципиально важно измерять стоимость готового бизнес-результата, а не отдельного токена. Индустрия уже осознала, что гонка за «самой умной» моделью сменилась гонкой за «самой дешёвой за задачу» — об этом системном сдвиге мы писали в материале «ИИ перестал соревноваться в „самом умном“ и начал соревноваться в „самом дешёвом за задачу“». В продажах тот же принцип работает дословно: ценность агента измеряется стоимостью квалифицированного лида или закрытой сделки, а не количеством сгенерированных касаний.

Как это применимо к малому и среднему бизнесу

Легко отмахнуться от прогноза Gartner словами «это про корпорации, у нас масштаб другой». Но именно в малом и среднем бизнесе разрыв последней мили ощущается острее всего, потому что там нет ресурса на отдельную команду data science и долгие внедрения. Владелец или коммерческий директор покупает «AI для продаж» в надежде на быстрый эффект, а получает ещё один инструмент, который надо кормить данными и обучать сотрудников — и часто откладывает его в сторону через пару месяцев. Именно такой сценарий и формирует те самые 60 процентов, у которых агенты не повышают продуктивность.

Выход в том, чтобы начинать не с агента, а с фундамента: чистых данных по клиентам, описанных процессов и одного-двух узких, но измеримых юзкейсов, где результат виден за недели, а не за кварталы. Например, автоматическая подготовка краткой досье по клиенту перед звонком на основе истории из CRM и переписки — это узкий, понятный сценарий, который сразу экономит время менеджера и повышает качество разговора. Или черновик follow-up письма после встречи, который менеджер правит за минуту вместо того, чтобы писать с нуля десять. На таких сценариях ИИ окупается предсказуемо, и именно они постепенно формируют доверие к автоматизации у команды. Подробнее о применимых сценариях для небольшого бизнеса — в руководстве «ИИ для малого и среднего бизнеса» и в разборе того, как ИИ снижает трудозатраты.

Отдельно стоит вопрос выбора инструмента. Большинство готовых «AI-агентов для продаж» на рынке — это по сути обёртка над языковой моделью без памяти о вашем бизнесе, без знания ваших регламентов и без доступа к вашей базе знаний. Они генерируют правдоподобный текст, но не принимают во внимание контекст конкретной сделки или принятых в компании правил. В результате их рекомендации звучат универсально правильно, но практически бесполезно. Разницу между таким «болтуном» и советником, который помнит контекст вашего бизнеса, мы разбираем в сравнении ChatGPT и ИИ-советника с памятью.

Что в итоге

Прогноз Gartner — это не паническая новость и не повод сворачивать AI-инициативы в продажах. Это жёсткая, но полезная констатация: сам по себе рост числа агентов не создаёт продуктивности, точно так же, как покупка станков не гарантирует роста выпуска, если не выстроена логистика и не обучены операторы. Компании, которые попадут в те 40 процентов с реальным ростом отдачи, — это те, кто вложится в перестройку данных, регламентацию процессов и грамотный онбординг сотрудников. Пятикратный разрыв в вероятности ROI между «перестроить» и «латать» — достаточно веский аргумент, чтобы выбрать первый путь даже при ограниченном бюджете.

Если вы хотите, чтобы ИИ работал не «вообще», а именно в контексте вашего бизнеса — с памятью о клиентах, знанием ваших регламентов и доступом к вашей базе знаний, — recall как раз и строится как такой советник. Он не плодит агентов в пустоту, а вписывается в уже существующие процессы и помогает превратить разрозненные данные в решения, на которых держится выручка.

Источники:

• Gartner, пресс-релиз от 28 июля 2026: «AI Agents Will Outnumber Sellers 10 to 1 by 2028, Yet Fewer Than 40% of Sellers Will Say Agents Improved Productivity»
• Domino Data Lab, пятый ежегодный Enterprise AI Report (21 июля 2026), пресс-релиз PR Newswire
• MIT NANDA — исследование доли AI-пилотов с измеримым финансовым эффектом