Anticipa ускорила outbound-продажи в 3.4 раза AI-агентом. И потеряла 6% ретеншена. Вот как устроена эта ловушка

Anticipa - B2B SaaS. Продают инфраструктурный продукт другим SaaS-компаниям. Series B, привлекли $24M, штат 180 человек. На старте кейса: 12 SDR (sales development representatives), каждый обрабатывал около 15 лидов в день. Персонализация одного сообщения: 8 минут чистой работы.

Цель внедрения AI-агента: ускорить outbound, разгрузить SDR на booking звонков.

Агент на Claude Opus 4.6 плюс кастомный пайплайн. Функция: заходит на сайт клиента, собирает контекст (что делают, какие новости, свежие релизы), пишет персонализированный cold email, отправляет.

SDR перестали тратить время на ресёрч. Они теперь работали только с теми, кто ответил: звонки, квалификация, closing.

Агент покрыл 40% всего workflow команды. По времени - больше, потому что ресёрч был самой медленной частью.

По первому кварталу цифры держались. Команда рапортовала успех, совет директоров аплодировал, HBR писал кейс-стади.

Retention клиентов, подписавших контракт в первый месяц работы с агентом, начал падать. К концу третьего месяца:

Шесть процентов ретеншена на первый взгляд не трагедия. Но в SaaS-модели это: -40% к LTV за три месяца, -27% к 12-месячной выручке когорты. При сохранении темпа - минус $2.4M ARR к концу года от одной когорты.

Pipeline +62% обернулся -27% к выручке через три месяца. Чистый результат внедрения оказался в минус.

Команда Anticipa провела разбор. Выводы опубликованы в HBR.

Причина 1. Агента оптимизировали на conversion, а не на fit.

Метрика обучения агента: «лид ответил → звонок → контракт». Агент учился, какие сообщения дают ответ. Какие аргументы работают. Какие триггеры цепляют.

Но он не учился, какой клиент останется. Потому что эту метрику ему не показывали: её невозможно замерить мгновенно, retention виден только через месяцы.

Агент добросовестно оптимизировал на то, что ему показали. Начал писать сообщения, которые цепляют даже тех, кому продукт не нужен. «Решим вашу проблему X», а проблемы X у компании на самом деле нет, но предложение звучит интересно.

Причина 2. SDR убрали из цепочки «read the vibe».

Раньше SDR, делая персонализацию, успевал понять, подходит ли клиент. Читал сайт, видел размер компании, смотрел, какие у них реальные pain points. Если клиент «не наш», SDR не слал или писал по-другому.

Агент этого не делал. Он писал всем, с кем мог написать что-то релевантное. «Релевантно» ≠ «нужно».

Причина 3. Система метрик не была готова к ускорению.

При 12 SDR × 15 лидов в день падение retention на 6% проявилось бы быстро: легко отследить когорту. При 12 SDR × 51 лидов в день (после ускорения ×3.4) когорты стали большими, эффекты разведены, проблема проявилась с задержкой в 2.5 месяца.

Anticipa не откатила агента. Вместо этого переделали обучение.

Действие 1. Добавили fit-score как параллельную метрику. Вторая модель (Sonnet) смотрит на клиента перед тем как агент пишет. Оценивает по шкале 0-10, «насколько это наш клиент». Если <5, агент не пишет, SDR смотрит вручную.

Действие 2. Обучение агента дополнили retention-сигналом. С задержкой в 3 месяца агент получает фидбэк, что клиент, которому он писал, остался или отвалился. Вес retention-сигнала в функции потерь: 0.5 (conversion: 0.5).

Действие 3. Еженедельный audit когорты. Руководитель sales раз в неделю проверяет 10 случайных сообщений агента и 5 случайных подписанных клиентов. Ищет расхождения «сообщение / клиент / реальность».

Через два месяца ретеншен вернулся к 92%, conversion упал до 6.5%, но pipeline-value сохранился за счёт качества лидов.

Три инсайта, которые работают за пределами sales.

Первый. AI-агент усиливает метрику, на которую его оптимизировали. Ровно её. Ни строчкой больше.

Оптимизируете агента на «количество статей»: он напишет много плохих статей. Оптимизируете на «качество кода по линтеру»: он напишет код, который линтер любит, а люди ненавидят. Оптимизируете на conversion: конверсии будут, а остальное на ваш страх и риск.

Второй. Лаговые метрики не видны агенту. Их нужно вручную встроить в обучение.

Retention виден через месяцы. Satisfaction - через опросы. Product-market-fit - через поведение пользователей. Всё это лаговые сигналы, которые агент не может замерить сам в real-time.

Либо встраиваешь их в loss function с задержкой, либо ставишь руками человеческую валидацию, либо получаешь то, что получила Anticipa.

Третий. Ускорение обнажает слабости системы метрик.

Ваша система мониторинга, сделанная для скорости «12 SDR × 15 лидов», не выдерживает скорости «12 SDR × 51 лидов». При ускорении проблемы появляются быстрее, а сигналы о них - не быстрее. Нужно перестраивать систему замеров до, а не после внедрения.

Anticipa не «обожглась на AI». Она обожглась на метрике. AI просто делал то, на что его попросили, эффективнее в 3.4 раза, чем люди.

Если бы Anticipa замеряла retention параллельно с первой недели, проблему заметили бы в первый месяц, а не в третий. Потерю можно было остановить на $200K, а не на $2.4M.

Внедряете AI в продажи, поддержку или маркетинг - начните с метрики. Правильная метрика → правильная оптимизация. Неправильная метрика × AI → быстрый спуск в яму, которой раньше не было.

Источник: HBR, 17 апреля 2026.

Больше разборов AI для бизнеса - в Telegram: Telegram