TL; DR: Искусственный интеллект помогает выявлять потребности клиентов благодаря трем взаимосвязанным возможностям: сортировке и анализу настроений больших объемов отзывов на основе обработки естественного языка (NLP), точно настроенным большим языковым моделям, которые определяют основные и второстепенные потребности точнее, чем эксперты-аналитики (исследование MIT Sloan 2025 года показало, что точно настроенные модели выявили 100% основных потребностей клиентов по сравнению с 87.5% у аналитиков-людей), и генерации с расширением поиска (Retrieval-Augmented Generation, RAG), которая предоставляет ИИ доступ к дополнительным документам, когда обучающих данных недостаточно. Интерес начинается на следующем уровне: сочетание агентного ИИ и ИИ-аватаров открывает возможности для маркетологов и продавцов, использующих ИИ и специально обученных анализу потребностей. В этой статье рассматривается, что ИИ может и чего не может делать в анализе потребностей клиентов, и где по-прежнему место человека в этом процессе.
Разговоры о том, как современные инструменты искусственного интеллекта призваны освободить людей от рутинной работы, давно стали клише. В качестве примеров обычно приводят сортировку электронных писем и сообщений, выделение ключевых фрагментов текста, персонализацию стандартных сообщений, построение «пирамид поставщиков», мониторинг производительности в реальном времени и так далее. Давайте будем честны — всё это стало банальным.
Гораздо интереснее рассмотреть задачи, относящиеся к условной категории «творческой рутины». Название может звучать парадоксально, но оно идеально описывает ситуацию. Анализ того, чего действительно хотят клиенты, — это как раз одна из таких задач. Это одна из самых ценных задач в бизнесе, требующая понимания человеческой природы, опыта, интуиции и реальных навыков общения с людьми. Это также огромный объем трудоемкой, изнурительной и утомительной аналитической работы, включающей изучение тысяч (или даже десятков тысяч) интервью с клиентами, переговоров о продажах, отзывов, мнений, комментариев и запросов. Ясно, насколько успех продукта или услуги зависит от качества этой работы: попадет ли он в цель или просто будет пылиться на полке.
Кто что сказал и как это было сказано?
На первый взгляд, что же может предложить искусственный интеллект в таком глубоко человеческом вопросе? К счастью, довольно многое. Например, невероятно точную сортировку. Современные технологии. Инструменты аналитики ИИ Технологии, использующие обработку естественного языка (NLP), могут классифицировать и систематизировать тысячи отзывов, комментариев, заявок в службу поддержки и другой обратной связи от клиентов по темам.
Результат: данные, отсортированные по категориям с именно тем уровнем детализации, который необходим маркетологу: от простых «70% клиентов в целом довольны услугой, 30% — в целом недовольны» до «клиенты, жалующиеся на сложную настройку — 21%», «клиенты, желающие приобрести продукт в красном цвете — 17%», «руководители предприятий, заинтересованные в услуге — 6%», «мужчины, отказавшиеся от дополнительной гарантии — 55%» и так далее.
В выполнении этой сложной классификации ИИ помогает, в частности, анализ настроений. Инструмент определяет эмоциональную окраску текста и может делить сообщения на «позитивные» и «негативные» группы или использовать более тонкие категории: «восторг», «раздражение», «радость», «гнев», «разочарование», «удовлетворение», «безразличие» и другие.
Нужно ли вообще упоминать, что ИИ может делать все это, отслеживая поступление новой информации в режиме реального времени? Вероятно, нет, но мы уточнили на всякий случай.
Что скрывается за словами?
Даже самая умная система сортировки, которая «считывает» эмоции, не отвечает на главный вопрос: «Чего на самом деле хочет клиент?» Проблема в том, что слова клиента часто не отражают его истинных желаний. Не потому, что он пытается кого-то обмануть, а просто потому, что так устроена человеческая природа.
Вот самый простой пример: запрос «Купить удочку». Искусственный интеллект поместит его в папку «Покупатели, которые хотят купить удочку». Но на самом деле человеку нужна не сама удочка. Он хочет ловить рыбу! Или, если говорить шире, ходить на рыбалку. Или, может быть, он хочет сделать кому-то подарок. В любом случае, вероятность того, что ему действительно нужна удочка как таковая, крайне низка.
Задача маркетолога — понять, рассчитать и прочувствовать истинные мотивы, скрытые за словами клиента. И эти мотивы, как правило, гораздо сложнее, чем в приведенном выше примере.
Если работать по старинке, приходится вручную читать и анализировать сообщения клиентов – даже если они уже тщательно отсортированы искусственным интеллектом. И это снова рутина. Было бы здорово, если бы искусственный интеллект мог выйти за рамки сортировки и действительно понять, что скрывается за желаниями клиента. И (мечты сбываются!) он уже научился делать именно это.
Речь идёт о решениях на основе искусственного интеллекта, основанных на большие языковые модели (LLM), которые прошли тонкую настройку, или, другими словами, контролируемую тонкую настройку. Кроме того, они были обучены на примерах интервью с клиентами, отзывов и комментариев, которые уже были проанализированы специалистами.
Как правило, для этого не требуется огромного количества данных. В Исследование Слоуна, проведенное в MIT в 2025 годуПримерно тысячи примеров оказалось достаточно. Модель проанализировала отзывы покупателей морилки для дерева и выявила 100% как основных потребностей клиентов (всего восемь), так и 30 второстепенных потребностей. Профессиональные аналитики выявили 87.5% основных потребностей, пропустив одну из восьми.
Модель продемонстрировала столь же высокое качество анализа и в других категориях товаров и услуг.
Классический пример: когда покупатель пожаловался на заряд батареи своего смартфона, искусственный интеллект правильно определил, что реальная потребность заключается в «длительном непрерывном использовании вне дома». Это понимание немедленно расширяет возможности продавца — он может порекомендовать портативный внешний аккумулятор и аналогичные устройства.
Если модели не хватает данных, на помощь приходит генерация с расширенным поиском (Retrieval-Augmented Generation, RAG) – генерация с расширенным поиском. Искусственный интеллект получает доступ к дополнительным источникам (вашим документам, веб-сайтам, базам знаний) и использует их в процессе анализа.
ИИ-маркетологи и ИИ-продавцы
Казалось бы, тема закрыта. Но мы решили пойти дальше и спросить: как на самом деле будет использоваться информация о потребностях клиентов, полученная с помощью ИИ?
Сегодня ответ уже не так очевиден, как даже пять лет назад. Две быстро развивающиеся технологии (причем только сегмент аватаров с искусственным интеллектом, по прогнозам, достигнет...) до 5.93 млрд долларов США к 2032 годуПоявились данные, непосредственно связанные с нашей темой:
- Агентический ИИ – что позволяет создавать автономных агентов искусственного интеллекта, способных планировать и выполнять сложные последовательные действия.
- ИИ-аватары – реалистичные «цифровые люди» которые используют мимику, жесты, интонацию и смотрят людям в глаза, не вызывая при этом негативной реакции. эффект зловещей долины.
Сочетание этих двух технологий открывает удивительные возможности. Например, Scoot AirlinesКомпания, дочернее предприятие Singapore Airlines, уже использует XR и генеративный искусственный интеллект в симуляторе для обучения своих бортпроводников. Цифровые пассажиры изображают капризных детей, людей, меняющих места без разрешения, пьяных пассажиров и других «трудных» клиентов.
Еще один поразительный случай — Исследовательское партнерство, которая создает аватары на основе искусственного интеллекта, созданные на основе реальных историй пациентов. Эти «цифровые пациенты» рассказывают врачам и исследователям о своих проблемах и опыте, когда прямой контакт по какой-либо причине невозможен.
Можете ли вы представить, какие возможности открывает для бизнеса сочетание агентного ИИ и ИИ-аватаров? Искусственный интеллект в человеческом обличье вызывает гораздо более сильный ответ Чем больше внимания уделяется потребностям клиентов, тем лучше — с помощью безликого чат-бота. Почему бы не использовать точные данные о потребностях для создания продавцов на основе искусственного интеллекта?
Те же технологии позволяют обучать маркетологов с использованием ИИ, которые будут опрашивать клиентов и собирать еще больше данных для анализа.
Креативный анализ и экспертная подготовка
Итак, что же в конечном итоге дают нам современные технологии искусственного интеллекта?
Искусственный интеллект способен тщательно сортировать отзывы клиентов по десяткам параметров и выявлять реальные желания и потребности. На основе этих данных можно обучить агентов ИИ с человекоподобным интерфейсом (аватары ИИ), которые смогут как продавать товары и услуги, так и общаться с клиентами для сбора новых данных.
Возникает логичный вопрос: какое место занимает человек в этой системе? Как это согласуется с принципом участия человека в процессе? Будут ли это делать продавцы и маркетологи? потерять работу Под давлением агентов искусственного интеллекта, обученных ими и одетых в привлекательные аватары ИИ?
Не волнуйтесь – они этого не сделают.
Маркетологам остается самая интересная часть: креативный анализ данных после обработки искусственным интеллектом. Независимо от того, насколько точен и быстр искусственный интеллект, по-настоящему... глубокое понимание людей Достичь уровня опытных маркетологов пока еще невозможно. Уровень формирования маркетинговой тактики и стратегии еще не сформирован. Слишком многое в этом процессе зависит от явлений, которые сложно алгоритмизировать.
Маркетологи — это эксперты, которые должны отбирать качественные данные для тонкой настройки и контролируемого обучения. Учитывая, как быстро все меняется, эти системы искусственного интеллекта необходимо регулярно переобучать и обновлять.
Что касается продавцов – у них тоже все хорошо. Всегда будут клиенты со сложными и интересными потребностями, которые по-настоящему сможет понять только живой, опытный продавец, обладающий биологическим интеллектом.
Поэтому, как бы сильно ИИ нам ни помогал, всегда будет много работы, основанной на принципе «люди для людей».
И здесь, пожалуй, мы положим этому конец.
