ИИ и промышленный B2B: как до 2030 года изменится покупатель, продавец и рынок в целом

Попытка заглянуть за горизонт того, к чему нас ведет использование ИИ в бизнеса. Подготовлено ТГ-каналом о стратегии "Стрелка на карте". СТатья подготовлена на основе анализа открытых данных и размышлений автора, список приведет в конце статьи.

Технологии искусственного интеллекта часто порождают спор - это что-то новое и game-changer или просто эволюционное развитие ИТ-технологий? Мое мнение (применительно к бизнесу) - это смена логики, по которой бизнес принимает решения, взаимодействует, формирует спрос и конкурирует. Особенно отчётливо это видно в промышленном B2B-сегменте, где внедрение ИИ происходит не на уровне пользовательских фич, а в фундаменте бизнеса: в закупках, цепочках поставок, инженерной разработке, логистике, сервисе.

До 2030 года искусственный интеллект изменит не только инструменты бизнеса, но и поведение ключевых акторов:

покупатели станут ИИ-агентами;
продавцы — системами, доступными по API;
бренды — машиночитаемыми объектами доверия;
а бизнес-модели — структурами непрерывного потока данных и решений.

Это уже не фантастика. Уже сейчас (материал пишется 1 Июля 2025 года) — ИИ проникает в процессы среднего и крупного бизнеса, не требуя сверхкоманд разработки и внедрения или венчурных бюджетов. Но за этим кроется и вызов: не потерять управление, не поддаться иллюзии "волшебной автоматизации" и успеть перестроить собственную модель до того, как конкурент встроится в экосистему ИИ и обойдёт вас на скорости.

1. Трансформация покупателя: алгоритм вместо личности

1.1. Как компании начинают покупать иначе

Промышленный B2B-покупатель до недавнего времени выглядел как совокупность людей - закупочный комитет: инженер, снабженец, логист, согласователь, финдиректор (список можно изменить, в зависимости от специфики бизнеса). Решения принимались в режиме совещаний, анализа КП, политических игр, долгих тендеров. Это требовало личного доверия, бренда, объяснений, встреч и пр.

Но всё меняется. Уже сейчас в цепочках поставок начинают действовать ИИ-агенты — цифровые помощники, которые:

отслеживают остатки на складах;
предсказывают дефициты;
ранжируют предложения поставщиков;
запускают автоматические заказы по предустановленным условиям.

По прогнозу Gartner, к 2030 году до 50% транзакций в цепочках поставок будут инициироваться и закрываться ИИ-агентами без участия человека [1]. Как пример в подтверждение этого, могу привести пример Siemens, Schneider Electric, GE, Honeywell которые уже сейчас используют ИИ-модули для автономного планирования закупок, прогнозирования потребности и оценки поставщиков в реальном времени [2]. А, например, компания GE Aviation внедрила ИИ-модуль, который анализирует техсостояние авиационных компонентов и на его основе автоматически формирует заказы на MRO-запчасти. Результат:

время простоя самолётов сократилось на 30%;
общие затраты на закупки снизились на 12% [3].

Ключевой вывод для нас - заказ больше не проходит через снабженца. Он инициируется ИИ на основе данных. Решение принимает не человек, а модель.

1.2. Что это меняет

Если раньше продавец (человек) работал с человеком — со всеми его слабостями, симпатиями и историей отношений — то теперь ему нужно "убедить" алгоритм. А алгоритм оценивает по:

цене и условиям;
качеству и срокам;
прозрачности данных;
совместимости с внутренними системами (ERP, TMS, WMS);
предиктивной оценке рисков.

ИИ-покупатель — это не "менеджер с таблицей Excel", а функция минимизации затрат и риска, действующая по алгоритму. Конечно, есть люди, которые готовят правила и описывают алгоритмы для таких ИИ-покупателей. Но теперь мы получаем "увеличение" дистанции между продавцом и покупателем и критерии влияния меняются, а значит, ключевые сообщения, каналы коммуникаций и вся стратегия продаж и маркетинга - должны адаптироваться к таким сценариям.

1.3. В итоге, возникает новый тип конкуренции

Появляется новое стратегическое требование к продавцу: встраиваемость в логику ИИ-покупателя. Если ваша система не предоставляет API, не умеет отдавать структурированные данные, не имеет прозрачных SLA и документации — вы не просто не выигрываете тендер. Вы не попадаете в алгоритм выбора. Т.е. ваша бизнес-модель перестанет работать.

В этой модели исчезает классическая воронка продаж, и начинается конкуренция на уровне данных, их доступности, интеграции между системами (и людьми, но уже в новых ролях).

1.4. Рекомендации (?)

Стандартизировать коммерческие предложения — от PDF и email к структурам, читаемым машиной (JSON, API-каталоги, цифровые конфигурации).
Обогащать карточки товара данными: кроме технических характеристик, гарантии, кейсы, видеоинструкции — всё в машиночитаемом виде и с привязкой к продукту.
Настроить "алгоритмическую узнаваемость" бренда — репутация в рейтингах, цифровые аттестаты, отзывы и оценки, понятные ИИ-системам.
Сотрудничать с платформами, через которые ИИ-покупатели ищут и выбирают — от B2B-маркетплейсов до отраслевых конфигураторов.

2. Трансформация продавца: из носителя информации — в архитекторы решений

2.1. Продавать больше нечего. Осталось только помогать покупать

Роль продавца в B2B традиционно строилась на асимметрии информации: он знал больше, он объяснял, он убеждал. Но если покупатель теперь — это ИИ-модуль с прямым доступом к API, параметрам, ценам, срокам и рейтингам (если не хватило - то с доступом к огромным базам знаний), то информационная монополия исчезает.

ИИ-покупатель не нуждается в презентации и холодном звонке. Он не "выбирает", он рассчитывает. В этой логике традиционные продавцы, как класс, оказываются вне цепочки создания ценности. Вопрос, который должен задать себе бизнес:

Если я не объясняю продукт / решение и не убеждаю — какую функцию я выполняю в цепочке продаж?

2.2. Роль продавца превращается в роль "архитектора смысла"

ИИ умеет генерировать тексты, ранжировать списки, оптимизировать спецификации и прочие формальные процедуры. Но он не задаёт цель, не строит гипотезы, не понимает контекста клиента (пока, по крайней мере). Это остаётся задачей человека — но уже не продавца, как коммуникатора, а продавца как проектировщика решения, встроенного в систему клиента.

На основании вышесказанного, можно предположить появление новой роли - архитектор ценностного предложения, этот архитектор:

формирует гипотезу о проблеме клиента;
конфигурирует предложение под ИИ-логику покупателя;
обеспечивает встраиваемость в цифровую экосистему заказчика;
обучает ИИ-продавца, если таковой есть.

Это не "менеджер по продажам", а скорее product/solution architect в связке с AI/ML-командой.

Попробую проиллюстрировать на таком примере - буквально на днях, в июне 2025 года, HubSpot анонсировал интеграцию своей CRM с ChatGPT: теперь ИИ может анализировать базу клиентов, сегментировать её, находить перспективные сегменты, создавать тексты писем и даже запускать кампании напрямую через интерфейс GPT [6]. Чтобы оценить масштаб инициативы:

Более 75% из 250 000 клиентов HubSpot уже используют ChatGPT.
Решение ориентировано прежде всего на средний и малый бизнес, у которого нет ресурсов на аналитиков и сложные кампании.
ИИ делает то, что раньше делали продавцы: находит клиентов, анализирует, коммуницирует.

HubSpot имеет коннектор с ChatGPT

PS: интересно, когда AmoCRM, Creatio или "Мегаплан" заявят об аналогичном функционале в своих продуктах?

Таким образом, платформа превратит продавца в ИИ-сервис. Но критически важно то, как настроен этот сервис, кого (или, какую LLM) именно он считает "целевым клиентом", какие данные использует, как обучается. Это делает вопрос "кому и как продавать" — вопросом настройки ИИ, а не активности человека.

2.3. Что это меняет в бизнесе

Если продлить эти тренды в недалекое будущее, то можно предположить, что продавать "руками" становится неэффективно. Но продавать "без людей" — пока ещё рискованно. Поэтому, ближайшие несколько лет (2025–2028) можно считать переходным периодом, это будет временем коэволюции продавцов и ИИ:

рутинные действия — за ИИ;
гипотезы, смыслы, навигация в неопределённости — за людьми;
обучение ИИ-продавцов — совместная задача команд продаж и данных.

Особенно важно это в инженерном B2B, где каждый заказ — это кастомная спецификация, требующая инженерной сборки и проектирования. Здесь ИИ ускоряет, но не заменяет.

2.4. Возникает новая конкуренция, за встраиваемость

Если ИИ становится покупателем, то "покупает" он не только цену, но и оценивает совместимость, стандарты, прозрачность сделки (качество работы с продавцом). А значит, выиграет тот, кто:

умеет отдавать предложения в цифровом виде (структура, API);
имеет чёткие SLA и машиночитаемую документацию;
поддерживает интеграцию с учетными системами клиента (1C, Bitrix, другими CRM/ERP), нужны будут "интеграционные шины";
строит платформу взаимодействия, а не просто витрину (в формате сайта, каталогов, презентаций и сейл-представителей).

В качестве примера и иллюстрации: Salesforce Einstein GPT, запущенный в 2023 году, это не просто чат-бот, а комплекс ИИ-сервисов, встроенный в CRM. Он:

предсказывает, какие сделки "закроются" и когда;
предлагает лучшие шаги по каждому клиенту;
пишет письма, генерирует презентации и сценарии звонков.

Но эффективность Einstein GPT зависит от качества входных данных, настройки логики оценки, и того, насколько правильно команда определила параметры "успеха" сделки. То есть ИИ-инструмент помогает тем, у кого хорошо выстроен процесс, и проваливается у тех, кто просто "включил AI" без соответствующей архитектуры.

2.5. Итого, продавец - это команда ИИ-специалистов + ИИ-система

Будущее продаж видится не как человек с планом продаж, телефоном и каталогом (хотя конечно же, такой вариант сохранится, но уйдет в нишу). Думается, что это система (связка) из:

архитекторов решений;
продуктологов;
специалистов по интеграции;
и AI-инструментов,

и объединённых в единую систему создания ценности для алгоритмического покупателя.

3. Трансформация бизнес-моделей, брендов и людей

3.1. От продукта - к потоку

По своей практике использования ИИ в работе (в основном это анализ данных - по рынку, конкурентам, клиентам, бизнес-процессов и пр.), могу сказать, что ИИ - это не ускоритель процессов (хотя, конечно же ускоряет их тоже, если им правильно пользоваться), а больше замечаю, что он трансформирует саму логику создания стоимости. Это становится заметным с некоторой практикой - замечаешь, что начинаешь думать иначе и появляются идеи и новое понимание процессов. Например, когда ИИ-помощник покупателя ищет решение, он не интересуется упаковкой (а мы традиционно в нашем бизнесе уделяем ей огромное внимание), "историей компании" или миссией (а мы в это инвестируем много). Он ищет:

API, через который можно быстро получить данные или запустить заказ;
предсказуемые и выгодные ему SLA;
прозрачную стоимость и интеграцию с ЕГО системами и процессами.

А значит, сам товар или услуга становится вторичен. На первый план выходит упаковка другого типа - упаковка из данных, доступности, сервиса, предсказуемости. Это означает, что в B2B растёт давление на переход от "товарной логики" к модели XaaS (всё как сервис).

Пример в подтверждение гипотезы - Siemens и "Predictive Maintenance as a Service", Siemens больше не стремится продавать именно оборудование. Он предлагает диагностическую аналитику по подписке, где клиент платит не за станок, а за его "здоровье" (кто в теме, оплата происходит за доступный OEE). На базе данных с датчиков Siemens прогнозирует сбои и предлагает сервис до поломки [10].

Другой пример - Bosch Rexroth и его "Гидравлика как услуга", Bosch продаёт не насосы, а наработку моточасов с гарантией, где система сама сообщает, когда и какой сервис нужен [11].

Как видим, в этих кейсах бизнес-модель выстраивается не вокруг продукта (традиционный для B2B подход - продуктовый), а вокруг потока данных и действия ИИ-сервисов поверх этих данным.

3.2. Продавцы превращаются в платформы

Если принять то, что мы выше обсудили про покупателя - его трансформацию в ИИ-покупателя, то чтобы быть замеченным, продавец должен быть не "витриной с продуктом", а платформой с доступом к данным, конфигураторам, интеграциям, SLA и поддержке. Похоже, что это уже происходит:

SAP и Oracle запускают маркетплейсы поставщиков с AI-ранжированием;
Autodesk предлагает подписку на расчёты, а не лицензии;
Schneider Electric продаёт не контроллеры, а "энергоменеджмент" как сервис через EcoStruxure.

Продуктовое предложение как бы продвигается ближе к центрам формирования прибыли клиентов, занимает место "выше по потоку", поглощая или меняя функции по пути - маркетинг, каналы продаж и пр.

3.3. Что происходит с брендом

Раньше бренд в B2B был формой снижения риска: "мы знаем этого вендора, они не подведут". Это работало в логике, где решение принимал человек и где эмоциональные маркеры (узнаваемость, доверие, опыт, связи) имели вес.

В нашей логике рассуждения, ИИ не чувствует бренда (это не нужно, так как меняются критерии выбора). Он оперирует (не все параметры, но достаточные для понимания сути):

рейтингами;
количеством негативных инцидентов;
скоростью и полнотой ответа;
количеством успешных кейсов в open data;
юридической прозрачностью.

Бренд в ИИ-экономике - это структурированный (!) профиль доверия, вшитый в алгоритм выбора. То есть бренд становится машинно-распознаваемым сигналом надёжности, этичности и совместимости со сценариями работы клиента.

Так, Microsoft внедрила алгоритмическую фильтрацию поставщиков по признаку ESG (экологичность, социальные критерии, управление). Решения, не соответствующие порогам — просто не показываются заказчику [8]. Это не "злой модератор", это алгоритмическая дискриминация на основе профиля (бренда), читаемого ИИ.

3.4. Лояльность: кому лоялен ИИ?

ИИ не "лоялен", в традиционном смысле этого слова (эмоциональная или поведенческая приверженность). Он действует по сценарию. И если вы не встроены в него - он вас скорее всего игнорирует (не проходите фильтр отбора). Но если вы:

встроены в workflow клиента;
совместимы с его системами;
даёте предсказуемые условия и обратную связь,

то вы становитесь выбором по умолчанию. Это и будет, по видимому, новая лояльность: не эмоциональная, а функционально-алгоритмическая. Кто на протяжении нескольких итераций поддерживал нужный уровень требований, "вес" того поставщика растет и при прочих равных сценарий будет отдавать приоритет ему.

В B2B-маркетплейсе Amazon Business многие заказчики используют авто-перезаказ (reorder by logic). Если вы попали туда с правильной ценой, оценкой надёжности и параметрами продукта, то вы остаетесь в цикле. Если нет — вас
"отключает" не человек, а система.

3.5. Люди в цепочке - выбытие или трансформация?

Если ИИ забирает рутину (работа со счёт-фактурами, подбор продукта, подготовка презентации, работа с текстами / письмами, анализ кейсов, расчёты и подготовка к тендерам...), то что остается? Полагаю, остается то, что над этим:

постановка задачи (business framing);
построение и проверка кросс-функциональных гипотез;
конфигурация сложных решений;
фасилитация между системами и культурами;
управление доверием и изменениями в сценариях работы.

Если так, то роль человека смещается из операционного слоя в стратегический "мета-контур". Тогда, должен сформироваться новый набор ролей (названия ролей условные):

AI-фасилитатор — человек, обучающий и корректирующий ИИ в связке с бизнес-задачами;
Доверенный архитектор — не знакомый нам "аккаунт-менеджер", а специалист, которому доверяют собрать и интегрировать решение из разных модулей и ИИ-сервисов + сценариев работы;
Куратор данных — тот, кто знает, какие данные влияют на выбор ИИ, и как ими управлять (собирать, обрабатывать / размечать, предоставлять);
Методолог продаж / Маркетинга — выстраивает не скрипты, а логику работы ИИ-агентов.

Так McKinsey видит влияние ИИ на бизнес-функции

4. Риски и ограничения: не всякий ИИ ведёт к прорыву

4.1. Иллюзия автоматизации или почему ИИ-проекты в B2B часто проваливаются

ИИ-проекты в промышленном B2B, особенно в среднем и среднем+ бизнесе, редко проваливаются из-за плохих технологий. Чаще это происходит из-за неправильно понятых задач, хаоса в данных и отсутствия зрелости организации (!).

По данным BCG, до 70% AI-проектов в индустриальном B2B не достигают бизнес-эффекта в течение первых 18 месяцев после запуска [12] по причинам:

автоматизация "не той части" процесса;
неготовность пользователей (сопротивление, непонимание, страх нарушения "статус-кво");
хаос и фрагментация в источниках данных;
отсутствие бизнес-задачи или метрик;
"волшебное мышление" собственника, а-ля - "внедрите нам AI" (в надежде, что вот с ним-то все полетит и завертится).

Пример - достаточно российская крупная компания, работающая в сфере дистрибуции инженерного оборудования, запустила рекомендательную систему на основе поведения клиентов. Но:

данные о покупках хранились в 4 разных типах хранилищ (1C, Excel, Power BI, CRM);
отсутствовала нормальная структура по номенклатуре ("НСИ? - не, не слышали");
менеджеры игнорировали подсказки ИИ, потому что "не верили" ("это вам надо было - вы и пользуйтесь, а я не зря на этом рынке 15 лет уже работаю...");
в итоге система предлагала не то, что можно предложить рынку, что можно предложить - не было на складе (решение принято "лудитами" и нет новых вводных для ИИ или продукт снят с продаж, но в базах числится...).

Итог - через 9 месяцев проект заморозили; зафиксировали потери более 18 млн ₽ (разработка, интеграция, потери от ошибок), и сильный отскок назад по доверию к цифровизации.

4.2. ИИ требует зрелости, а не только денег

ИИ может автоматизировать процесс. Но если этот процесс не регламентирован, конфликтен, построен "по понятиям" / "по чуйке" - он не поддерживается и не масштабируется ИИ. Это важный парадокс:

чем более у вас "человеческий", неформализованный и неописанный бизнес — тем сложнее внедрить ИИ без разрушения текущей конфигурации бизнеса.

4.3. Скрытые риски - доверие, интерпретация, ответственность

ИИ может "советовать" сделки, подбирать клиентов, выстраивать рейтинг поставщиков. Но:

кто будет нести ответственность, если он ошибётся?
на основании чего был дан совет?
как выявить причину ошибки (она в модели, в данных, в людях.. или все сразу)?

ИИ часто — "чёрный ящик", особенно если используется внешняя модель (ChatGPT, Copilot и др.).

По оценке Deloitte, до 18% контента, сгенерированного ИИ-системами в CRM и ERP, содержит фактологические или логические ошибки [13]. Эти ошибки незаметны для пользователя, если нет процесса верификации.

4.4. Ещё один риск - это "пассивная автоматизация"

Иногда компании внедряют ИИ, но не меняют ни структуру ролей, ни KPI, ни модели принятия решений. В результате:

появляется инструмент, но нет мотивации его использовать;
ИИ "подсказывает", а люди продолжают делать по-своему;
ИИ обучается на плохих данных и становится бесполезным.

Такой сценарий особенно типичен для среднего бизнеса с "харизматичным" стилем управления и слабой дисциплиной процесса. Так же он часто проявляется при наличии в компании "силосов" (silos) - когда отделы (департаменты) работают почти независимо и "сами не лезут" в чужие дела, и к себе никого не пускают - эдакие вотчины, наличие которых прикрывают зонами ответственности.

5. Что же бизнесу делать именно сейчас

5.1. Пройти стратегический фильтр - зачем вам ИИ?

Прежде чем запускать ИИ-инструмент, компания должна задать 3 вопроса:

В чём напряжение или узкое место в моей бизнес-модели?
Может ли ИИ усилить решение этого узкого места, а не просто "автоматизировать"?
Какая у меня структура данных и процессов для этого?

Это не про "куда воткнуть AI", а про "что мешает масштабироваться" и как это точечно снять через ИИ-инструмент. На практике, компании чаще всего начинают работу с ИИ не с того, что "стратегически важно", а с того, что реально внедрить быстро. Это разумно, так снижается барьер входа, команда получает опыт, появляется вера в эффект.

Поэтому, приоритетность рекомендовал бы строить на основании сочетания: [простоты запуска] × [эффекта при умеренных усилиях]:

1. Инструменты, не требующие структурированных внутренних данных

генерация контента (письма, коммерческие предложения, инструкции, презентации);
улучшение коммуникаций (email-помощники, генераторы ответов, чат-агенты);
автоматизация текста: сводки, протоколы, объявления, шаблоны.

Даёт быстрый win: 3–4 дня на запуск, эффект - экономия времени и повышение качества.

2. Инструменты, опирающиеся на базовые данные и процессы

генерация резюме сделок, автоматическое заполнение карточек CRM;
сверка договоров, шаблонных форм, счётов и актов;
генерация типового техконтента (технические описания, ТЗ, инструкции).

Вы получите устойчивый эффект и хорошую подготовку к переходу в более глубокие сценарии.

3. ИИ-инструменты, работающие на поведенческих и транзакционных данных

приоритезация лидов (scoring);
сегментация клиентов на основе активности;
рекомендации по апселлу и ретаргету.

Эффект более существенный, результат возможен уже через 1–2 месяца, при наличии CRM и CDP.

4. Предиктивные модели и аналитика

прогнозирование спроса, сроков поставки, текучести персонала;
моделирование загрузки производства;
предиктивное ценообразование и закупки.

Эффект масштабный, но сложность внедрения повышается. Нужно на базе предыдущих достижений обосновать инвестиции для выполнения условий: нужны нормализованные данные, компетенции, согласованная бизнес цель высокого уровня (за пределами одного департамента).

5. Генеративный ИИ в стратегических и R&D-процессах

генерация идей по продуктам, упаковке, позиционированию;
формирование стратегий, сценариев, проверка бизнес-моделей.

Высокий потенциал, но результаты зависят от зрелости команды и способности интерпретировать. Составил для вас такую табличку:

Рекомендуемая этапность внедрения ИИ в компаниях

5.2. Как понять, что ваш бизнес готов

У вас есть описанные процессы и регламенты.
У вас есть база данных (пусть не идеальная, но доступная).
У вас есть проблема/возможность, где можно быстро замерить эффект.
У вас есть внутренняя роль (или подрядчик), который будет "обучать" ИИ и оценивать результат

Если хотя бы 3 из 4 — можно начинать :)

ИИ — это не решение, а среда, в которой выигрывает тот, кто умеет ставить вопросы, проектировать системы и управлять доверием. Он ускоряет, обостряет и усиливает то, что у вас есть. Но не заменяет смыслов.

Именно в B2B, где решения сложные, а ошибки дорогие, ИИ становится не автоматом, а партнёром. И успех зависит не от бюджета, а от зрелости и готовности к переменам: наличия и готовности собирать данные, процессов, команд и способности мыслить смело и системно.

На этом все. Если возможно, прошу оставить комментарий под статьей (любого характера, главное - конструктивный) - это поможет готовить для вас более интересный и полезный контент.

Список источников: