Відповіді на заперечення про конкурентів

Grow2.ai будує AI-агента, який відстежує згадки конкурентів у сейлз-комунікаціях і миттєво підказує менеджеру релевантну відповідь. Агент підключається до каналів спілкування з клієнтом — email-треди в CRM, Slack Connect, публічні чати та розшифровки дзвінків — і шукає імена заздалегідь заданих конкурентів. Коли конкурент з'являється в розмові, агент тягне порівняльні дані з внутрішньої бази знань і формує чернетку відповіді, яку менеджер використовує як опору.

1. Агент моніторить вхідні повідомлення в Slack Connect, email-треди в CRM та розшифровки дзвінків у режимі, наближеному до реального часу. Затримка від згадки до підказки — кілька секунд для чатів і до пари хвилин для email.
2. Детектор конкурентів розпізнає згадки за заздалегідь заданим словником брендів, включаючи синоніми, скорочення та типові помилки. Словник веде команда продакт-маркетингу.
3. RAG-модуль звертається до внутрішньої бази battlecards, win/loss-розборів, публічних порівнянь і маркетингових матриць. Знаходить релевантні фрагменти і повертає цитати з джерелом.
4. LLM збирає чернетку відповіді з опорою на контекст діалогу, стадію угоди, тон компанії та ключові відмінності продукту. Промпт жорстко задає рамки — без оціночних формулювань, тільки факти та посилання.
5. Чернетка повертається менеджеру через Slack-бота або розширення CRM як підказка, не автовідповідь. В інтерфейсі видно цитати з першоджерел.
6. Менеджер коригує текст і відправляє клієнту; правки повертаються в логи і використовуються для донавчання промптів.
7. Системний логгер фіксує, які конкуренти згадувались, в яких угодах, з якою частотою і за якими темами — дані доступні маркетингу і продуктовій команді.

Що автоматизація не робить

• Не відправляє відповіді клієнту автоматично — менеджер завжди залишається в контурі і приймає фінальне рішення щодо формулювання.
• Не замінює battlecards і порівняльні матриці, які пишуть продакт-маркетологи. Агент тільки витягує з них потрібний фрагмент у потрібний момент.
• Не працює по конкурентах, яких немає в базі знань. Для нових гравців на ринку потрібен апдейт довідника та короткого опису позиціонування.

Технічне ядро — зв'язка ingest-пайплайна з каналів комунікації, vector store з battlecards і LLM-оркестратора, який збирає підказку за тригером згадки конкурента.

Дані надходять через три джерела: Slack-події, webhook CRM на нові email і транскрипти дзвінків із платформи запису. Нормалізатор приводить репліки до єдиного формату та маскує персональні дані. Детектор конкурентів — окремий легкий шар на регулярних виразах і ML-класифікаторі, навченому на історії діалогів. Якщо конкурента знайдено, тригериться retrieval по базі знань.

База знань збирається у vector store. Battlecards, win/loss-інтерв'ю, публічні порівняння та демо-скрипти чанкуються на фрагменти, індексуються ембедингами, версіонуються. Кожен фрагмент зберігає метадані: дата, джерело, автор, продукт, конкурент. Retrieval піднімає кандидатів, reranker відбирає найбільш релевантні. LLM отримує промпт із системною інструкцією, контекстом діалогу, знайденими фрагментами та форматом відповіді. Чернетка надходить в UI — у Slack як ефемерне повідомлення для менеджера або у спливаюче вікно всередині CRM.

Компоненти рішення

Кроки впровадження

1. Аудит поточних battlecards, порівнянь і win/loss-інтерв'ю; збір в одне сховище.
2. Розмітка словника конкурентів із синонімами та контекстами згадки.
3. Підключення каналів комунікації: Slack OAuth, CRM-webhook, пайплайн транскриптів.
4. Налаштування vector store, чанкінг і індексація матеріалів.
5. Написання системного промпту та правил tone-of-voice спільно з продакт-маркетологом.
6. Запуск у sandbox-режимі — підказки бачать лише два-три senior-менеджери, логується кожна генерація.
7. Калібрування: аналіз хибних спрацьовувань, уточнення словника, доопрацювання промптів.
8. Розгортання на всю сейлз-команду з навчанням — як читати цитати, коли ігнорувати підказку.
9. Увімкнення зворотного зв'язку: кнопки «корисно / не корисно» у UI підказки.
10. Щотижневе ретро з продакт-маркетингом для оновлення бази знань.

Безпека та compliance

Персональні дані клієнтів маскуються до потрапляння в промпт. Логи підказок зберігаються окремо від логів LLM-провайдера. Якщо регіон вимагає обмежень на трансфер даних, LLM розгортається всередині VPC або через enterprise-угоду з провайдером моделі. Доступ до бази battlecards обмежений роллю в CRM.

Можливі підводні камені

Якщо battlecards застаріли, агент впевнено цитує хибні факти — тому регламент оновлення матеріалів критичний. Якщо словник конкурентів вузький, агент пропускає нестандартні згадки. Якщо менеджери не бачать цінності в чернетці, підказки перетворюються на шум — у цьому випадку допомагає обмеження за стадією угоди або сегментом клієнтів.

Для запуску потрібен мінімальний набір знань про конкурентів у структурованій формі. Якщо battlecards живуть лише в головах senior-менеджерів, перший спринт іде на їх оцифрування.

Дані та доступи

• Battlecards або порівняльні матриці за ключовими конкурентами у текстовому вигляді.
• Win/loss-інтерв'ю або нотатки з CRM за останні півроку-рік — опціонально, але помітно покращує якість відповідей.
• OAuth-доступ до Slack, email-провайдера або CRM (Salesforce, HubSpot, Pipedrive) за тими каналами, де ведуться клієнтські діалоги.
• Платформа запису та транскрипції дзвінків, якщо пайплайн включає голос.
• API-ключ до LLM-провайдера (AI-модель, OpenAI) або інфраструктура для self-hosted моделі.

Команда та ролі

• Власник з боку продукту або продакт-маркетингу — відповідає за актуальність battlecards.
• Sales enablement lead — налаштовує навчання команди та збирає зворотний зв'язок.
• Технічний інтегратор (inhouse-інженер або команда Grow2.ai) для підключення API та підтримки.
• Compliance-офіцер або юрист — погоджує обробку клієнтських діалогів, якщо в базі є PII.

Орієнтовний таймлайн

Підключення рівня MVP займає 2–4 тижні: перший тиждень — аудит і збір матеріалів, другий — індексація і написання промптів, третій — sandbox і калібрування, четвертий — розгортання і навчання команди. Терміни зростають, якщо battlecards доводиться створювати з нуля або якщо потрібне on-prem розгортання LLM всередині корпоративного периметра.