Как разобрать воронку продаж с помощью ИИ за один вечер

Каждую неделю разбираю, где у бизнеса утекают деньги - в рекламе, в продажах, в отчётах. Если интересно на постоянной основе - подписывайтесь в Telegram.

В CRM есть отчёт «Воронка продаж». Вы открываете его раз в месяц, видите столбики и процент внизу - и всё равно не знаете, на каком этапе уходят деньги.

Анализ воронки продаж с помощью ИИ закрывает этот разрыв за вечер. Ни аналитик, ни внедрение для этого не нужны. Ниже весь путь: что выгрузить из вашей CRM, что убрать из файла до загрузки, какие четыре вопроса задать и как отличить посчитанное число от правдоподобно выдуманного.

Это первое конкретное упражнение из рамки, которую я разбирал в статье про то, с чего начинать внедрение ИИ. Данные у вас уже есть, задача повторяется, результат измерим, ошибка обратима.

Почему отчёт «Воронка продаж» в CRM не показывает, где вы теряете деньги?

Коротко: встроенный отчёт говорит, сколько сделок дошло до каждого этапа, и на этом останавливается. Он не разрезает воронку по менеджерам, источникам и сегментам. И считает её чаще всего по конверсионной модели - где сделка «проходит» даже те этапы, которые фактически перепрыгнула. Вы видите результат, причина остаётся за кадром.

Разница между двумя моделями подсчёта описана у вендора прямым текстом.

«Классическая воронка продаж учитывает только те этапы, которые лиды и сделки фактически прошли». И следом: «Если перевести лид или сделку сразу в успешную стадию, конверсионная воронка покажет все промежуточные этапы элемента CRM, даже если фактически он их пропускал».

• Официальная справка Битрикс24, «В чем разница между классической и конверсионной воронками продаж»

Отсюда растёт частая жалоба: в CRM конверсия одна, в вашей собственной таблице другая. Обе цифры честные, просто считают разное.

Но встроенный отчёт ломается раньше модели подсчёта: он отвечает на вопрос «сколько» и молчит про «где». Менеджер, который закрывает половину своих сделок, и менеджер, который закрывает восьмую часть, в общем столбике сливаются в одно среднее. Источник с потоком мусорных заявок растворяется в общем входе.

Считать это руками можно, порядок я показывал в разборе про то, как считать конверсию по этапам и какие есть ориентиры. На одну воронку за месяц уходит примерно час. Проблема начинается, когда воронок три, менеджеров восемь, а источников десяток: количество срезов растёт, а вечер у вас не резиновый.

Что выгрузить из CRM и какие поля оставить?

Коротко: нужна одна выгрузка сделок за один закрытый период - месяц или квартал, но не текущий незавершённый. Файл в формате CSV или Excel, одна строка - одна сделка. Главная ловушка срабатывает ещё до того, как вы открыли чат-бот: если в фильтре не выбраны закрытые этапы, проигранные сделки в экспорт не попадут.

Пути в интерфейсе у трёх систем отличаются.

amoCRM. Раздел «Сделки», кнопка «Ещё» в правом верхнем углу, пункт «Экспорт», выбор формата. В файл попадают название сделки, компания и контакт, ответственный менеджер, статус, бюджет, даты создания и изменения, теги, дата закрытия и пользовательские поля. События, звонки и аналитику вендор выгружать не даёт, из примечаний приезжают только последние пять, а сам файл доступен для скачивания три дня.

Битрикс24. Экспорт работает только из режима просмотра «Список». Дальше: настройки списка, отметить нужные поля, затем «Настройки» и «Экспорт в CSV» или «в Excel». Вендор сам советует Excel для анализа. Права на экспорт настраиваются отдельно для каждого элемента CRM - если кнопки нет, дело в правах.

RetailCRM. В списке заказов внизу ссылка «Выгрузить таблицу», форматы csv, xls, xml, json. Здесь своя ловушка, о которой предупреждает документация.

«При выборе любого из полей из группы "Товар" заказы будут выгружаться построчно: по одной строке на каждую позицию товара».

• Официальная документация RetailCRM, «Выгрузка данных из списка заказов»

Добавили товарные поля - и один заказ из пяти позиций превратился в пять строк. ИИ послушно посчитает пять сделок.

По Мегаплану и 1С:CRM внятной публичной справки по экспорту сделок я не нашёл, поэтому шаги описывать не буду - уточните в справке своей версии.

Полный экспорт тянет десятки колонок, и половина из них разбору мешает.

И два правила, которые решают больше, чем выбор модели.

Первое: берите закрытый период. Текущий незавершённый месяц искажает картину недозревшими сделками - они ещё не проиграны, но и не выиграны, и любая конверсия по ним занижена.

Второе: снимите фильтры до экспорта. В amoCRM перед выгрузкой откройте «Поиск и фильтр» и убедитесь, что выбраны все этапы, включая «Успешно реализовано» и «Закрыто и не реализовано». Иначе в файл уйдут одни активные сделки, а конверсия получится завышенной в разы. Ошибка дорогая, и совершается она до того, как вы вообще открыли чат-бот.

Как обезличить выгрузку за десять минут?

Коротко: из файла надо убрать всё, по чему можно опознать конкретного человека, - ФИО, телефоны, почту, реквизиты и текстовые комментарии. Останутся ID, этапы, даты, суммы, источники и обезличенный ответственный. Этого достаточно для полного разбора воронки, а вот отправка исходного файла в зарубежный сервис уже подпадает под закон.

Закон формулирует запрет коротко.

«Операторы и иные лица, получившие доступ к персональным данным, обязаны не раскрывать третьим лицам и не распространять персональные данные без согласия субъекта персональных данных, если иное не предусмотрено федеральным законом».

• Статья 7 Федерального закона от 27.07.2006 № 152-ФЗ «О персональных данных»

Загрузка файла с именами и телефонами клиентов в чужой сервис - это раскрытие третьему лицу. Если сервис зарубежный, добавляется вторая норма: статья 12 требует уведомить Роскомнадзор до начала трансграничной передачи. Перечень стран с адекватной защитой данных утверждён приказом Роскомнадзора № 128 от 05.08.2022, в нём 89 государств, и США в него не входят. Серверы OpenAI и Anthropic стоят именно там.

Порядок действий на десять минут:

1. Удалите колонки с ФИО, названием компании-клиента, телефоном, почтой, мессенджерами, ИНН и адресами.
2. Удалите колонку с комментариями менеджеров целиком. Разбирать её отдельно имеет смысл, но тогда прогоните по ней поиск и замену имён и номеров.
3. Замените ответственных на М1, М2, М3. Заодно уберёте предвзятость: цифры про «Свету, которая старается» читаются иначе, чем цифры про М4.
4. Названия клиентов, если они нужны для срезов, замените на Клиент_001, Клиент_002.
5. Файл соответствия «ID - клиент» сохраните отдельно и рядом с выгрузкой не держите. Это прямое требование приказа Роскомнадзора № 140, который действует с 1 сентября 2025 года.

Замена имени на код не всегда превращает данные в обезличенные: если связь между кодом и человеком легко восстановить, данные остаются персональными. Поэтому проще удалять.

Цена вопроса выросла с 30 мая 2025 года. Штраф за повторную утечку персональных данных теперь считается от оборота: 1-3% годовой выручки, но не менее 20 млн рублей. Скидка 50% за быструю уплату к этой статье КоАП не применяется. Подробнее про данные и закон я писал в разборе про внедрение ИИ, здесь достаточно правила: в модель уходит только то, что не опознаёт человека.

Обезличенная выгрузка за месяц - первый шаг, и она показывает картину по одной воронке. Дальше обычно хочется увидеть всю цепочку: от рекламного клика до денег на счёте, где сходятся данные рекламных кабинетов, CRM и учёта. Для этого есть диагностический разбор бизнеса за 30 минут - 5 000 ₽, без продаж: где теряется выручка и что делать.

В каком ИИ это вообще можно посчитать?

Коротко: годятся только те сервисы, которые исполняют код и реально считают по вашему файлу. ChatGPT и Claude это делают и документируют. GigaChat и Алиса исполнение кода для расчётов не документируют, и CSV они вообще не принимают. Разница определяет, можно ли доверять числу в ответе.

Дальше всё зависит от одной вещи: считает сервис по вашему файлу или пересказывает его своими словами.

Когда модель исполняет код, она пишет программу на Python, запускает её на вашем файле, видит результат и ошибки. Число в ответе получено вычислением. Официальная документация OpenAI описывает механику прямо: Code Interpreter позволяет ассистентам писать и запускать код на Python в изолированной среде исполнения.

Anthropic про свой инструмент говорит то же самое, но с акцентом на результат.

«Вместо того чтобы полагаться только на абстрактный анализ, модель может систематически обрабатывать ваши данные - очищая, исследуя и анализируя их шаг за шагом, пока не придёт к верному результату», и такие ответы «математически точны и воспроизводимы».

• Anthropic, анонс инструмента анализа данных

Тут и доказательство: если бы модель считала точно без исполнения кода, отдельный инструмент был бы не нужен.

Когда кода нет, модель предсказывает правдоподобный текст. Сумма по колонке из 400 строк для неё такой же кусочек текста, как слово в предложении.

Про Claude вендор пишет прямо: исполнение кода и создание файлов доступны всем пользователям, включая бесплатный тариф.

С российскими сервисами разговор короче, и он честный. Справка Яндекса про Алису формулирует ограничение однозначно.

«В одном сообщении можно прикрепить один файл в формате DOC, DOCX, PDF и TXT».

• Официальная справка Яндекса, «Работа с файлами в чате с Алисой AI»

Таблиц в списке нет. У GigaChat в документации для разработчиков есть XLSX для API, но нет CSV, а веб-версия принимает только TXT до 1 МБ и PDF. Исполнение кода для расчётов официальная документация не описывает ни там, ни там, так что число в ответе стоит считать предсказанием.

Практический вывод: выгрузку разбирают в ChatGPT или Claude. Что из них выбрать и как за это платить из России, я разбирал в сравнении двух сервисов.

Промпт 1: где именно отваливаются сделки?

Коротко: первый вопрос к файлу - сколько сделок вошло на каждый этап, сколько ушло дальше и сколько дней они там стояли. Главное требование к промпту: считать переходы между соседними этапами, а не долю от общего входа. Иначе получится набор процентов, которые ни во что не складываются и узкое место не показывают.

Конверсия этапа - доля перешедших на следующий этап от пришедших на текущий, а сквозная конверсия равна произведению всех этапных. Считаете каждый этап от общего входа - цифры перестают перемножаться, и горлышко не находится.

Ты - аналитик отдела продаж. Ниже таблица сделок из CRM за один закрытый период.
Одна строка - одна сделка.

Посчитай, исполняя код, а не оценивая на глаз:
1. Сколько сделок вошло в воронку и сколько дошло до каждого этапа.
2. Конверсию перехода между соседними этапами: какая доля сделок с этапа N
   перешла на этап N+1. Считай именно переходы, не долю от общего входа.
3. Сквозную конверсию от первого этапа до выигранной сделки.
4. Медианное и среднее число дней, которое сделка проводит на каждом этапе.

Верни одну таблицу: этап, сколько вошло, сколько ушло дальше, конверсия перехода
в процентах, медиана дней на этапе.
Под таблицей три строки: на каком переходе теряется больше всего сделок в штуках,
на каком больше всего в деньгах, на каком сделки стоят дольше всего.

Правила:
- Если для какого-то пункта не хватает колонки, напиши "данных не хватает"
  и назови нужную колонку. Не додумывай.
- Покажи код и промежуточные числа, чтобы я мог проверить расчёт.
- Никаких предположений о причинах: только то, что видно в данных.

Таблица сделок:
"""
[приложите файл к сообщению или вставьте таблицу сюда]
"""

Пара крупных долгих проектов вытягивает среднее вверх и прячет картину. Медиана в четвёртом пункте показывает, сколько на этапе стоит типичная сделка.

Полученные проценты не с чем сравнивать, пока у вас нет своей истории. Чужие отраслевые бенчмарки разбросаны так широко, что ориентиром не работают: у одного и того же перехода в разных нишах разница бывает двукратной. Единственный корректный ориентир - вы сами месяц назад. Какие бывают ориентиры и как их читать, разбирал в статье про конверсию отдела продаж.

Промпт 2: почему сделки срываются?

Коротко: колонка «причина отказа» - самая недооценённая в выгрузке. Менеджеры заполняют её разными словами, поэтому руками она не читается. Машина группирует формулировки по смыслу за минуту. Обязательное условие: потребовать примеры дословных фраз из файла, чтобы проверить, что группы не притянуты за уши.

Ты - аналитик отдела продаж. Ниже проигранные сделки из CRM за один закрытый период,
с колонкой причины отказа и суммой сделки.

Задача:
1. Сгруппируй причины отказа по смыслу: формулировки "дорого", "не устроила цена"
   и "нашли дешевле" должны попасть в одну группу.
2. Для каждой группы посчитай, сколько сделок, какая это доля от всех проигранных
   и на какую сумму.
3. Группу "причина не указана" вынеси отдельной строкой. Не растаскивай её по остальным.
4. Для каждой группы приведи две-три дословные формулировки из файла.

Верни таблицу: группа причин, число сделок, доля в процентах, сумма, примеры формулировок.
Сортировка - по сумме.

Правила:
- Не придумывай причины, которых нет в файле.
- Формулировки, которые не поддаются классификации, положи в группу "неясно".
  Не подгоняй их под остальные группы.

Проигранные сделки:
"""
[приложите файл к сообщению или вставьте таблицу сюда]
"""

Сортировка по сумме меняет выводы чаще, чем кажется. Двадцать мелких отказов «дорого» и три сорванные крупные сделки с причиной «долго готовили документы» в списке по количеству выглядят несопоставимо. В деньгах картина часто переворачивается.

Коротко эту задачу я уже называл в каталоге задач для ИИ - здесь она разобрана целиком и на другом входе: там группировались текстовые комментарии, здесь работает вся таблица сделок.

Промпт 3: кто и какой канал тянет воронку вниз?

Коротко: общая конверсия - это средняя температура по больнице. Разрез по менеджерам и источникам показывает, кто и что именно её формирует, и обычно здесь и находится ответ на вопрос «почему план не выполнен». Одно условие обязательно: отсекать строки, где сделок слишком мало, иначе случайный разброс на пяти сделках выглядит как двукратное превосходство.

Ты - аналитик отдела продаж. Ниже сделки из CRM за один закрытый период.
Колонка ответственного обезличена: М1, М2, М3.

Посчитай, исполняя код, отдельно по каждому менеджеру и отдельно по каждому источнику:
1. Сколько сделок пришло, сколько выиграно, конверсия в выигрыш.
2. Средний и медианный чек выигранной сделки.
3. Медианную длину сделки в днях от создания до закрытия.
4. Конверсию на переходе, который я считаю узким: [впишите этап].

Верни две таблицы: по менеджерам и по источникам.
В каждой добавь колонку "отклонение от общего показателя компании" в процентных пунктах.

Правила:
- Строки, где меньше 15 сделок за период, помечай "мало данных" и выводов по ним
  не делай. Разброс на малых числах ничего не значит.
- Покажи код и промежуточные числа.
- Причины различий не объясняй: покажи цифры, объяснения проверю сам.

Сделки:
"""
[приложите файл к сообщению или вставьте таблицу сюда]
"""

Последнее правило важнее остальных. Модель охотно объясняет любые различия правдоподобными историями про мотивацию и качество лидов, и звучат они убедительно ровно до момента, когда вы открываете исходные сделки.

К самому выбору метрики у меня есть личный счёт. В своей кровельной компании я полгода оценивал менеджеров по числу звонков: тот, кто делал 80 в день, выглядел лучшим. Потом выяснилось, что коллега с 30 звонками закрывал втрое больше сделок. Первый имитировал работу, второй продавал. Любой срез, который вы получите от ИИ, стоит проверять тем же вопросом: активность в нём измеряется или результат.

Промпт 4: сколько денег стоит в зависших сделках?

Коротко: часть открытой воронки на самом деле мертва - сделки формально не проиграны, но не двигаются месяцами. Они раздувают прогноз выручки и отвлекают менеджеров. Найти их можно сравнением: сколько дней сделка висит на этапе - и сколько на нём обычно держались сделки, которые потом пошли дальше.

Ты - аналитик отдела продаж. Ниже открытые сделки из CRM: ID, этап, сумма,
дата создания, дата последнего изменения этапа. Отдельно приложены закрытые сделки
за тот же период с теми же колонками.

Считай сделку зависшей, если она стоит на этапе дольше, чем 90% закрытых сделок
стояли на этом же этапе перед тем, как уйти дальше.

Посчитай, исполняя код:
1. По закрытым сделкам - типичный срок на каждом этапе: медиану и 90-й процентиль.
2. Список открытых сделок, которые этот срок превысили: ID, этап, сумма,
   сколько дней стоят, во сколько раз дольше типичного.
3. Итог: сколько таких сделок, на какую сумму, какая это доля от суммы всей
   открытой воронки.

Список отсортируй по сумме. Верни таблицу и три числа итога.

Правила:
- Если для расчёта не хватает дат, скажи прямо, какой колонки нет.
- Что делать со сделками, не предлагай: покажи, какие из них стоят.

Открытые сделки:
"""
[приложите файл к сообщению или вставьте таблицу сюда]
"""

Доля от суммы открытой воронки в третьем пункте отвечает на главный вопрос: насколько вообще можно верить вашему прогнозу продаж. Что делать с найденным списком дальше и как не копить его снова, разбирал в статье про то, как вовремя заметить, что сделка умирает. Разница в подходе простая: еженедельный контроль живых сделок против разового глубокого разбора закрытого периода.

Как проверить, что ИИ не выдумал цифры?

Коротко: языковая модель устроена так, что предсказывает правдоподобное продолжение, и число для неё ничем не отличается от слова. Даже с исполнением кода ошибка возможна: модель могла взять не ту колонку или посчитать среднее там, где нужна медиана. Пять проверок занимают пять минут и снимают почти весь риск.

Природу проблемы разобрали исследователи OpenAI и Georgia Tech.

«Языковые модели галлюцинируют, потому что процедуры обучения и оценки поощряют угадывание, а не признание неуверенности».

• Адам Калаи, Офир Нахум, Сантош Вемпала, Эдвин Чжан, «Why Language Models Hallucinate», 4 сентября 2025

В той же работе есть эксперимент, который объясняет суть лучше любой теории. На вопрос, сколько букв D в слове DEEPSEEK, модель DeepSeek-V3 в десяти независимых попытках отвечала «2» или «3». Meta AI и Claude 3.7 Sonnet выдавали варианты вплоть до 6 и 7. Правильный ответ - 1, и его не назвал никто. Модель предсказывает подходящее продолжение текста, и то же самое происходит с суммой по колонке.

Насколько велик разброс, показала отдельная академическая работа. На тридцати задачах пятизначного умножения GPT-4o дала 2 верных ответа из 30, а модель o1 - все 30. Разброс от 2 до 30 означает простую вещь: «ИИ считает» - характеристика конкретного режима работы. Сама по себе технология такой гарантии не даёт.

Пять проверок, которые стоит делать каждый раз:

1. Убедитесь, что код исполнялся. В ответе должен быть виден блок с кодом. Нет блока - числа не посчитаны, а предсказаны.
2. Сверьте одно число руками. Общее количество сделок в ответе должно совпасть с числом строк в файле минус заголовок. Не совпало - дальше можно не читать.
3. Проверьте, что части складываются в целое. Сделки по этапам дают общее число, конверсии этапов при перемножении дают сквозную.
4. Задайте тот же вопрос второй раз в новом чате. Если ответы разойдутся, модель угадывает.
5. Откройте три исходные строки. Для любой группы или вывода попросите указать конкретные ID и посмотрите их в файле глазами.

Опыт тех, кто пробовал сделать из нейросети аналитика, укладывается в ту же логику.

«Постоянно путалась с колонками, считала средние там, где нужно было медиану».

• Дмитрий Слепов, «Как я пытался сделать нейросеть аналитиком: провалы и уроки», Хабр, 4 октября 2025

Отсюда рабочее правило: арифметику проверяйте, интерпретацию спрашивайте. На вопрос «что это может значить и куда смотреть дальше» модель отвечает хорошо.

Почему ваши числа не сойдутся с первого раза?

Коротко: первая попытка почти всегда упирается в файл. Кириллица превращается в мусор, вся таблица встаёт одной колонкой, даты читаются наоборот, дубли задваивают сделки, а половина строк уходит в категорию «источник не указан». Чинить всё это нужно до загрузки, своими руками и в обычном редакторе таблиц.

Масштаб проблемы дублей измеряли публично: в разборе на vc.ru при чистке одной базы amoCRM нашлось 73 тысячи дублей из 318 тысяч контактов - около 23% базы.

Пустые поля я недооценивал сам. В компании оптовой торговли стройматериалами с двенадцатью менеджерами источник лида заполнялся примерно в 40% случаев. Бюджет перераспределяли по данным меньше чем о половине трафика, и никто этого не замечал: отчёт строился и выглядел убедительно. ИИ на таком файле не спасает, он выдаёт тот же перекос, только быстрее и увереннее.

«Если автоматизировать бардак, получится автоматизированный бардак».

• Axelus, «CRM в компании - от хаоса к системе, или почему AI в одиночку не справится», Хабр, 1 июня 2026

Что делать с результатом на следующее утро?

Коротко: анализ воронки продаж с помощью ИИ даёт список мест, где она проседает, и на этом его работа заканчивается. Дальше нужен управленческий шаг: выбрать один переход с худшей конверсией, сформулировать одну гипотезу причины, проверить её на десяти конкретных сделках и назначить одно действие с датой и ответственным.

Соблазн после первого разбора - починить всё сразу. Так не работает: пять параллельных изменений в отделе продаж не дают понять, какое из них сработало.

Порядок, который доводит до результата:

1. Возьмите один переход - тот, где теряется больше всего денег.
2. Сформулируйте гипотезу причины. Готовый список типовых мест утечки я собирал в разборе про то, куда пропадают заявки: заявка не долетела до CRM, медленный ответ, пропущенные звонки, нет квалификации, нет следующего шага. ИИ проверит ваши гипотезы на данных, а составить их - ваша работа.
3. Проверьте гипотезу на десяти сделках руками. Откройте карточки и посмотрите, что там происходило. Подтвердилась на семи из десяти - гипотеза рабочая.
4. Оцифруйте разрыв в деньгах. Если переход «КП - сделка» даёт 20% там, где раньше давал 30%, на каждые 100 отправленных КП это минус 10 сделок. Умножьте на свой средний чек. Это иллюстрация экономики: ваши цифры будут другими, и никакого результата такой расчёт не обещает.
5. Назначьте одно действие с ответственным и датой проверки. Через месяц повторите выгрузку и сравните переход с самим собой.

Последний пункт превращает разовое упражнение в управленческий цикл. Одна цифра без второй точки замера не значит ничего.

Чего эта выгрузка не покажет?

Коротко: таблица сделок показывает, где на переходе от КП к сделке теряется половина, и молчит о том, что именно менеджер говорит в этот момент. Причина живёт в разговорах и переписке - это другой тип данных и другой разбор. Требовать её от выгрузки бесполезно, сколько промптов к ней ни пиши.

Выгрузка не видит качества разговора, не знает, дозвонился ли менеджер вообще, не показывает, что он обещал клиенту и выполнил ли обещание. Всё это лежит в записях звонков и переписке. Как оттуда вытаскиваются причины, я разбирал в статье про разбор записей звонков.

Второе ограничение честнее назвать сразу: это разовое упражнение. Оно даёт срез за один период, и через месяц вам придётся повторить его руками. Регулярная картина устроена иначе: там цифры из рекламных кабинетов, CRM и учёта сходятся сами и обновляются без вашего участия. Про эту модель я собрал отдельную страницу - ИИ как операционный слой.

Но начинать стоит именно с вечера и одной выгрузки. Она стоит ноль рублей, ничего не ломает в компании и отвечает на вопрос, который у вас обычно висит месяцами.

Источники

• Битрикс24: в чём разница между классической и конверсионной воронками продаж
• Битрикс24: как экспортировать данные из CRM
• amoCRM: экспорт сделок
• RetailCRM: выгрузка данных из списка заказов
• OpenAI: Code Interpreter, документация для разработчиков
• Anthropic: создание и редактирование файлов в Claude
• Anthropic: анонс инструмента анализа данных
• GigaChat: работа с файлами, документация для разработчиков
• GigaChat: ответы на частые вопросы про форматы и лимиты веб-версии
• amoCRM: ограничения экспорта и срок хранения файла
• Яндекс: работа с файлами в чате с Алисой AI
• Федеральный закон № 152-ФЗ «О персональных данных», статья 7
• Приказ Роскомнадзора № 128 от 05.08.2022: перечень стран с адекватной защитой персональных данных
• Приказ Роскомнадзора № 140 от 19.06.2025: требования и методы обезличивания
• КонсультантПлюс: новые штрафы за нарушения с персональными данными с 30.05.2025
• Kalai A., Nachum O., Vempala S., Zhang E. «Why Language Models Hallucinate», arXiv, 04.09.2025
• Zhang L., Graf E. «Mathematical Computation and Reasoning Errors by Large Language Models», arXiv, 2025
• Дмитрий Слепов: «Как я пытался сделать нейросеть аналитиком», Хабр, 04.10.2025
• Axelus: «CRM в компании - от хаоса к системе», Хабр, 01.06.2026
• Как мы нашли 73 тысячи дублей из 318 тысяч контактов в amoCRM, vc.ru

Анализ воронки продаж с помощью ИИ по своей выгрузке можно сделать самому за один вечер - для этого и написана инструкция. Если хочется увидеть всю цепочку от клика до денег на счёте и понять, где она рвётся системно, приходите на диагностический разбор.