Что такое interaction mining и почему это переломный момент для AI в продажах
Encore AI привлекла $30 млн на развитие платформы, которая извлекает успешные паттерны продаж из неструктурированных данных. Речь идет о звонках, переписке в мессенджерах и действиях менеджеров в CRM. Технология, названная interaction mining, выявляет конкретные реплики, интонации и даже шутки, которые коррелируют с закрытием сделки. Результат работы системы - «плейбуки»: готовые сценарии для AI-агентов, способных работать в режиме реального времени как ассистенты или полностью автономно.
Главное отличие от классической аналитики - фокус на контексте, а не на метриках. Система не просто считает количество звонков или их длительность. Она определяет, какая фраза на третьей минуте разговора повысила вероятность покупки на 22%, и делает эту фразу частью обучающей выборки для агента. Это переход от «анализа данных» к «пониманию контекста», где ценность извлекается из самой истории взаимодействия.
Практическая значимость подхода подтверждается рыночным контекстом. Пока гиганты вроде Salesforce и HubSpot концентрируются на предиктивной аналитике структурированных данных CRM, Encore AI решает более сложную задачу - автоматическое выявление и масштабирование неявных знаний лучших продавцов. Именно эти знания, включая удачные метафоры и ситуативные шутки, часто определяют исход сделки.
От разговора к плейбуку: как данные превращаются в сценарии для AI-агентов
Пайплайн interaction mining состоит из четырех этапов. Первый - сбор и транскрибация звонков с интеграцией данных из CRM. Система фиксирует не только текст, но и акустические характеристики: тон, темп речи, паузы. Второй этап - привязка каждого разговора к бизнес-результату. Здесь критически важно качество исторических данных: если в CRM не отмечено, какая сделка закрылась успешно, система не сможет выявить корреляции.
Третий этап - выявление паттернов. Модели анализируют последовательности реплик и действий, которые статистически значимо чаще встречаются в успешных кейсах. Например, система может обнаружить, что упоминание конкретного кейса из отрасли клиента на 4-й минуте разговора увеличивает конверсию в 1.7 раза. Четвертый этап - генерация плейбука: структурированного сценария с вариантами для разных этапов воронки и типажей клиентов.
Результат - не статичный скрипт, а динамический шаблон. Агент получает дерево решений: если клиент использует определенный маркер сомнения, предложить аргумент X, подкрепленный примером Y. При этом система учитывает индивидуальный стиль: шутки и метафоры из плейбука принадлежат конкретным успешным менеджерам, что сохраняет естественность коммуникации.
AI-агенты как ассистенты и автономные продавцы: два режима работы
Encore AI предусматривает два режима развертывания агентов. Первый - ассистент реального времени. Во время звонка или переписки агент анализирует диалог и выводит менеджеру подсказки: «клиент сомневается в цене, используй ROI-расчет из отрасли логистики» или «упомяни кейс внедрения за 2 недели». Менеджер принимает решение, какую подсказку использовать. Этот режим снижает когнитивную нагрузку и позволяет новичкам работать на уровне опытных коллег.
Второй режим - полностью автономный агент. Он самостоятельно ведет типовые диалоги в чатах и мессенджерах, квалифицирует лиды, назначает встречи. Автономность оправдана на ранних этапах воронки, где объем коммуникации высок, а сценарии относительно стандартны. При эскалации сложного запроса агент передает диалог человеку с полным контекстом.
Практическая применимость подтверждается аналогичными кейсами. Amazon Quick Sales AI решает смежную задачу - автоматизирует рутину, возвращая продавцам 60% времени. Encore AI идет дальше, автоматизируя само принятие решений о том, что именно сказать клиенту. Связка двух подходов - автоматизация действий и автоматизация коммуникации - формирует контур полного цикла AI-продаж.
Encore AI против Salesforce и HubSpot: почему наличие данных не гарантирует глубины анализа
Salesforce Einstein и HubSpot Breeze обрабатывают колоссальные объемы данных. Однако их AI-инструменты решают принципиально другую задачу - предиктивную аналитику на основе структурированных полей CRM: скоринг лидов, прогнозирование оттока, рекомендации по времени контакта. Это ценные функции, но они не затрагивают содержание самих разговоров.
Encore AI специализируется на неструктурированных данных - аудиозаписях, транскриптах, текстах сообщений. Техническая сложность здесь на порядок выше. Недостаточно расшифровать звонок через API распознавания речи. Нужно понять намерения, эмоциональную окраску, связь реплик с этапом сделки и итоговым результатом. Это требует специализированных моделей, обученных именно на последовательностях диалогов с бизнес-контекстом.
Конкуренты движутся в этом направлении. Salesforce приобрела платформу Conversation Intelligence, HubSpot развивает разговорный интеллект. Но их архитектура исторически заточена под анализ метрик, а не под извлечение паттернов коммуникации. Encore AI строит модели с нуля под задачу interaction mining, что дает преимущество в глубине анализа. Это не замена CRM-гигантам, а дополнение в узкой нише - извлечении и масштабировании лучших практик живого общения.
Технический барьер: почему расшифровать звонок мало
Транскрибация звонка - commodity-задача, решаемая API за доли цента. Но текст разговора без контекста бесполезен. Фраза «это дорого» может означать и возражение, и признание ценности - разница в интонации и моменте диалога. Система должна сегментировать разговор на этапы, классифицировать намерения сторон, оценивать эмоциональную динамику.
Encore решает это через архитектуру, заточенную на последовательности. Модели учитывают не отдельные реплики, а их порядок и взаимосвязь с действиями в CRM. Например, если после отправки коммерческого предложения клиент задал три уточняющих вопроса, а менеджер ответил за 4 минуты, вероятность сделки - 68%. Если ответил через 3 часа - 12%. Такие паттерны невозможно выявить без интеграции временных рядов из CRM и диалоговых данных.
Этот подход перекликается с тем, как Synthesia измеряет эффективность навыков через анализ взаимодействий с AI-аватарами. Оба продукта превращают неструктурированную коммуникацию в измеримые метрики и готовые сценарии.
$30 млн на переосмысление продаж: что дальше?
Раунд финансирования в $30 млн направлен на расширение R&D-команды и масштабирование платформы. Компания планирует углублять специализацию моделей под отраслевые вертикали - продажи в SaaS, финансовых услугах, здравоохранении. Каждая вертикаль имеет свою специфику коммуникации, и универсальные модели здесь проигрывают специализированным.
Инвестиция отражает более широкий тренд - коммодитизацию LLM и смещение ценности в сторону прикладных решений. Когда базовая языковая модель становится дешевым commodity, конкурентное преимущество создается на уровне данных и доменной экспертизы. Пересборка бизнес-моделей AI в 2026 году подтверждает этот сдвиг: ценность мигрирует от моделей к продуктам, решающим конкретные задачи с измеримым ROI.
Для рынка AI-агентов в продажах это сигнал: следующий этап конкуренции - не чья модель лучше генерирует текст, а чья система точнее выявляет и масштабирует успешные паттерны реальных продавцов. Данные звонков и CRM становятся стратегическим активом, а не побочным продуктом операционной деятельности.
Ограничения и вызовы: что нужно знать перед внедрением
Критическая зависимость от качества исторических данных - главный риск. Если компания не записывала звонки, не вела CRM системно или не размечала успешные сделки, interaction mining не даст результата. Модели обучаются на паттернах, и при отсутствии качественной разметки «успех/неудача» выявленные корреляции будут статистически незначимы.
Вопросы конфиденциальности и комплаенса - второй барьер. Запись и анализ разговоров требуют согласия всех участников, что регулируется локальным законодательством. В ряде юрисдикций автономные агенты обязаны идентифицировать себя как AI. Эти ограничения не блокируют технологию, но увеличивают сроки внедрения и требуют юридической проработки.
Сложность оценки ROI на ранних этапах - третий фактор. Платформа требует накопления данных за несколько месяцев, прежде чем плейбуки станут статистически обоснованными. Компании, ожидающие немедленного эффекта, могут разочароваться. Практический подход - запускать пилот на одном сегменте с четкими метриками до/после, аналогично тому, как Amazon Quick Sales AI измеряет возврат времени продавцов.
Технология новая, и под специфику конкретного бизнеса может потребоваться доработка. Отраслевые особенности коммуникации, уникальные этапы воронки, нетипичные паттерны принятия решений - все это требует адаптации моделей. Encore AI не предлагает «коробочное» решение, а платформу, требующую интеграции и калибровки.
Практический вывод: как подготовиться к эпохе AI-агентов в продажах
Четыре конкретных шага для компаний, которые планируют использовать системы класса interaction mining.
Первый - начать системно записывать и хранить звонки с согласия клиентов. Без этого актива любая аналитика разговоров невозможна. Второй - структурировать CRM: каждое взаимодействие должно быть привязано к сделке с четким статусом успеха или неудачи. Качество разметки напрямую определяет качество будущих плейбуков.
Третий - определить метрики успешного диалога. Конверсия в сделку - финальная, но не единственная метрика. Промежуточные индикаторы: назначение следующей встречи, согласие на пилот, отправка технического задания. Четкие критерии успеха на каждом этапе воронки позволяют моделям выявлять более тонкие паттерны.
Четвертый - следить за развитием Encore AI и аналогов. Рынок AI-агентов для продаж формируется прямо сейчас. Сдвиг в бизнес-моделях AI ускоряет появление специализированных решений, и ранние последователи получат конкурентное преимущество. Даже без готового решения эти четыре шага повысят прозрачность и эффективность отдела продаж за счет систематизации данных, которые уже есть в компании.