Sales AI-агент ломается не на генерации писем, а на 7-м касании без памяти

Sales AI-агент ломается не на генерации писем, а на 7-м касании без памяти

У типового sales AI есть три зоны отказа: он путает контекст аккаунта, не держит статус сделки между каналами и слишком рано закрывает цикл. Если агент пишет follow-up после демо, а потом через 3 шага снова предлагает «созвониться», значит у него нет нормального state store, только чат-лог.

Рабочая схема для CRM-агента:
— отдельный слой фактов: компания, роль, стадия, last touch, objections;
— инструмент записи в CRM только после валидации полей;
— retrieval по карточке сделки, а не по всей переписке;
— лимит на автодрафты: человек подтверждает first-touch и late-stage replies.

Если агент должен квалифицировать лидов, не давайте ему сразу «решать». Пусть он сначала собирает сигналы: размер компании, ответственный, use case, таймлайн, источник входа. На этом этапе ошибка дешевле, чем в генерации next-best-action. Для multi-step пайплайна полезно разделять planner и writer: первый выбирает шаг, второй пишет текст. Так проще ловить галлюцинации и откатывать цепочку.

Еще один частый баг — попытка оптимизировать конверсию без дедупликации контактов. Один и тот же лидер приходит из формы, чата и ответа на email, а агент видит три независимых сущности. Без entity resolution вы обучаете не sales-агента, а генератор шума.

Держите простое правило: если агент не может объяснить, почему он выбрал следующий шаг, ему рано писать клиенту.