Как AI-lead scoring удвоил Win Rate в B2B SaaS (18% → 36%) и принёс +$3,2M ARR за 6 месяцев
AI в продажах B2B — это уже не «про будущее», а про деньги здесь и сейчас. Один SaaS-бизнес удвоил Win Rate (18% → 36%), сократил цикл сделки и добавил +$3,2M ARR за 6 месяцев — без увеличения маркетингового бюджета и найма. Разбираю, за счёт чего это сработало и как повторить.
- CAC в B2B SaaS растёт.
- Воронки раздуты: 60–80% SQL никогда не закрываются.
- Сейлзы приоритизируют сделки «по ощущениям».
- Маркетинг льёт больше, а выручка растёт медленнее.
Проблема часто не в трафике. Проблема — в приоритизации лидов и управлении воронкой продаж.
Что сделали: AI-lead scoring вместо интуиции
Компания внедрила модель AI-lead scoring — алгоритм, который рассчитывает вероятность закрытия сделки на основе:
- поведенческих данных (product usage, depth, frequency),
- firmographics (размер компании, индустрия, стек),
- истории win/loss за 18–24 месяца,
- скорости реакции и touchpoints.
Важно: модель сначала работала в advisory-режиме — не «заменяла» сейлзов, а давала приоритеты.
Цифры: было → стало
До внедрения:
- Win Rate: 18%
- Средний цикл сделки: 74 дня
- Перегруженная воронка
- Рост CAC из-за низкой конверсии
После 6 месяцев:
- Win Rate: 36% (+100% относительный рост)
- Цикл сделки: –22% (до ~58 дней)
- +$3,2M ARR
- Снижение CAC за счёт перераспределения усилий
Это не «AI повысил эффективность». Это изменение юнит-экономики.
Экономика эффекта (почему +$3,2M — это логично)
Допустим:
- 100 SQL в месяц
- Средний чек = $25k ARR
Раньше: 100 SQL → 18 сделок → $450k ARR
После AI: 100 SQL → 36 сделок → $900k ARR
Разница — +$450k ARR на каждые 100 SQL.
Если поток 150 SQL в месяц, эффект масштабируется очень быстро. Отсюда и +$3,2M за полгода.
AI не создаёт спрос. Он перестаёт сжигать сильные лиды.
Где был реальный конфликт
1. Сопротивление отдела продаж
«Я 8 лет закрываю сделки, мне модель не нужна».
AI бьёт по статусу. Решение: A/B-тест между командами. Цифры убили спор.
2. Страх прозрачности
Модель показывает:
- кто игнорирует горячие лиды,
- кто тратит время на «мёртвые»,
- где реально теряются сделки.
AI — это рентген воронки.
3. Грязная CRM
Без 18–24 месяцев чистой истории модель будет мусором. Данные — это топливо.
Почему это сработало (3 ключевых фактора)
1. Не меняли маркетинг — меняли фокус
Тот же поток лидов. Больше внимания тем, у кого высокая вероятность закрытия.
2. Запустили A/B-тест
- Группа А — приоритизация по AI.
- Группа B — старая логика.
Через 2–3 месяца разница стала статистически значимой.
3. Привязали бонусы к использованию scoring
Мотивация решает. Если бонус не зависит от приоритета AI — внедрение умрёт.
Частые ошибки при внедрении AI в продажах
- Сразу автоматизировать всё. Сначала advisory-режим, потом частичная автоматизация.
- Игнорировать data hygiene. Грязная CRM = плохая модель.
- Оценивать только рост выручки. Нужно смотреть: Win Rate CAC Sales cycle LTV/CAC Forecast accuracy
Практические шаги: как внедрить AI-lead scoring
- Очистить CRM (минимум 18 месяцев истории).
- Чётко определить, что считается «Win».
- Собрать признаки: поведенческие + фирмографика.
- Запустить A/B-тест на 2–3 месяца.
- Считать unit-экономику до и после.
- Обучить команду работать с приоритетами.
- Пересмотреть систему бонусов.
Инструменты, которые используют в подобных кейсах
- ML-скоринг в CRM (HubSpot, Salesforce, кастомные модели)
- Predictive analytics для pipeline forecasting
- AI-ассистенты для квалификации лидов
- BI-дашборды для контроля Win Rate и CAC
Важно: инструмент — вторичен. Первично — структура данных и дисциплина воронки.
Выводы
- AI в B2B SaaS — это про экономику, а не про хайп.
- Удвоение Win Rate меняет всю юнит-экономику.
- Главный барьер — не технология, а люди.
- Без A/B-теста и чистых данных внедрение провалится.
- Если у вас 15–20% Win Rate, потенциал почти всегда есть.
AI не делает сейлзов гениальными. Он перестаёт давать им стрелять вслепую.
У вас воронка управляется данными — или до сих пор «чутьё старшего менеджера»?
Кто уже тестировал AI-lead scoring в B2B — какой реальный прирост Win Rate получили? Интересны конкретные цифры.
Источник: