Использование чат-бота на основе генеративного искусственного интеллекта для создания ценностных предложений и аргументации в сфере B2B

Стремительное развитие искусственного интеллекта (ИИ), особенно его формы генеративного искусственного интеллекта (ГИИ), становится одним из ключевых вызовов в маркетинге, в научных исследованиях и маркетинговом образовании [1–5] (Sidorchuk, 2026; Sidorchuk, 2025; Sidorchuk et al., 2024; Sidorchuk, 2024; Sidorchuk et al., 2023). В литературе присутствуют два основных дискурса: этическо-правовые аспекты и будущая роль человека. Мы полагаем, что внедрение в указанные сферы ГИИ, несомненно, приведет к существенным изменениям. По нашему мнению, все большую роль будет приобретать критическое мышление и классическое маркетинговое образование – для преодоления галлюцинаций ГИИ и критической оценки релевантности результата, а также творчество человека при составлении и анализе промптов (запросов к ГИИ). Не останавливаясь подробно на этико-правовых вопросах, в этой статье мы рассмотрим влияние ГИИ на маркетинг в сфере В2В через использование локальных инструментов ГИИ, расширяющих возможности классического маркетинга. При проведении исследования мы использовали различные модели ГИИ в соответствии с ГОСТ Р 70949–2023, ГОСТ Р ИСО/МЭК 2024 и ГОСТ ИСО/МЭК 20546–2021.

Цель нашего исследования заключается в разработке чат-бота на основе ГИИ для создания ценностных предложений в сфере B2B. Для достижения поставленной цели были определены следующие задачи:

1. На основе анализа литературы выделить и обосновать актуальные направления использования ГИИ в сфере В2В.

2. Разработать методологию использования ГИИ в сфере В2В для создания ценностных предложений и аргументации.

3. Провести апробацию разработанной методологии на примере разработанного чат-бота.

Для решения первой задачи, включающей анализ литературы и обоснование значимости цели, мы применили комбинированную методику систематического поиска. Вначале были определены ключевые лексические единицы: «ГИИ», «GAI» (Generative Artificial Intelligence), «B2B» (Business-to-Business), «marketing». Сконструированы 7 синтаксических вариаций поисковых запросов для максимального охвата: на основе поиска публикаций на русском и английском языке по семи словосочетаниям: «"Искусственный интеллект" B2B», «ГИИ B2B», «GAI and b2b», «GAI and b2b marketing», «GAI and b2b and marketing», «GAI and «Business to Business» marketing», «GAI and b2b and «Business to Business» marketing». Начало анализа мы ограничили 30 ноября 2022 – моментом появления в общем доступе модели ГИИ. OpenAI. ChatGPT [6].

Мы разделили последовательность действий на две стадии: отбор источников и проведение совместного анализа выбранных источников. Учитывая особенности российских и зарубежных баз данных рецензируемой научной литературы, поиск по ним был разделен.

На первой стадии, на первом этапе, был проведен ручной поиск по российской платформе https://elibrary.ru/ по первым двум поисковым словосочетаниям. В результате был выведен общий список из 25 публикации. На основе экспертной фильтрации только 9 работ из него содержит значимые результаты (оригинальные модели, глубокий анализ практики, эмпирические данные) [7–12] (Folomeeva, 2024; Perfilova, 2022; Bystrova, 2025; Balakshin, 2025; Polyakov et al., 2023; Ladyzhets, 2022) Большинство других работ носят обзорно-постановочный характер.

На втором этапе был проведен ручной поиск по зарубежным платформам по словосочетаниям 2–7. Поиск осуществлялся путем последовательного ввода всех 5 поисковых запросов на каждой платформе. Использовались платформы https://www.sciencedirect.com/ (Science direct фокус на рецензируемых журналах, преимущественно в областях бизнеса, маркетинга, информационных систем) и https://scholar.google.ru/ (Google Schoolar, для максимально широкого охвата, включая препринты, диссертации, материалы конференций). На платформе Science direct по заданным ключевым словам получили 19 статей. После ручного анализа аннотаций было оставлено 7 статей [14–20] (Kshetri et al., 2024; Keegan et al., 2022; Bartelt et al., 2024; Reznikov, 2024; Sahoo et al., 2024) Анализ по ключевым словам на платформе Google Scholar вывел более 200 ссылок на статьи. Поэтому поиск был сужен до статей, концентрирующихся на использовании чатов, из которых по принципу экспертной фильтрации и доступности текстов было добавлено две статьи [21–22] (, 2025; Patil et al., 2024).

После ручного поиска был проведен автоматический поиск с использованием платформы https://scispace.com/ (Scispace, инструмент семантического поиска и анализа научных публикаций). В Scispace был проведен последовательный ввод всех 5 поисковых запросов. Контроль был основан на ручном просмотре результатов (заголовков, аннотаций, ключевых слов) для оценки релевантности. Автоматический поиск также вывел боле 100 ссылок на публикации, но визуальный анализ показал наличие большого количества не релевантных ссылок. В результате ручного экспертного отбора были исключены дубликаты, не релевантные ссылки и не доступные для анализа тексты. Таким образом для анализа были добавлены 3 статьи [23–25] (Chatterjee et al., 2023; Agnihotri et al., 2023;, 2024).

На второй стадии для анализа контекста статей был использован модель ГИИ Qwen 3-253В-А22В, т.к. при предварительной проверке остальные бесплатные модели: Grok, ChatGPT4o, Gemini 2.5pro DeepSeek (R1) не выдерживали контекст в чате или загрузку последовательно для обработки и совместного анализа 12 файлов статей [1].

Процедура анализа выполнялась в два этапа (из-за технического ограничения объема обработки документов в выбранной модели ГИИ): индивидуальный анализ каждой статьи и последующий сводный анализ статей.

Этап 1: Индивидуальный анализ статей

Характеристики первого этапа представлены в таблице 1.

Таблица 1 Индивидуальный анализ статей

Для модели ГИИ был задан регламент обработки:

· Анализ выполняется строго последовательно (статья за статьей).

· Для больших статей фокус на разделах: аннотация, введение, заключение, библиография.

· Язык вывода: русский, термины/имена – в оригинале.

· Если данные недоступны – указать «не указано / неприменимо».

Этап 2: Сводный анализ полученного массива статей

После обработки всех 12 статей выполняется сводный анализ всех статей (табл. 2).

Таблица 2 Сводный анализ статей

Формат статьи не позволяет в полном объеме представить полученные результаты, поэтому далее выделены ключевые итоги. Анализ российских значимых работ, указанных выше, показал, то что подавляющее число статей рассматривают ГИИ как локальный инструмент для оптимизации операционных задач. При этом важное значение отводится фокусировке на тактической эффективности и использованию чат-ботов, персонализации контента, прогнозированию спроса и качеству «лидогенерации». Анализ перекрестных ссылок не выявил значимых маркетинговых публикаций в данных работах, за исключением ссылки на книгу Маркетинг 4.0 [13] (Filip et al., 2022).

Аналогичные результаты были получены при анализе зарубежных работ. Единственным маркетинговым источником в них также выступила работа «Маркетинг 4.0». Остальные публикации лежали в смежных областях, а наиболее цитируемыми были работы Rane, J., связанные с «машинным обучением». Отсутствие значительного числа перекрестных ссылок в публикациях позволяет предположить, что данная тема крайне нова и еще не имеет устоявшегося круга авторитетных публикаций. Скорость изменений выше, чем возможность публикации даже препринтов. Работы в этом направлении пока и не объединены в общую теоретико-методологическую рамку, а научная дискуссия еще не консолидирована.

Важной отличительной чертой следует назвать описательный характер публикаций с недостатком эмпирических исследований. Основой публикаций выступают литературные обзоры, экспертные интервью и анализ кейсов. В этом смысле реализация и анализ результатов экспериментов, например, на основе использования чат-бота для создания ценностного предложения может имеет важную научную и практическую ценность. Следует отметить, что присутствие и частота упоминания в публикации ГИИ (32 раза) и B2B (40 раз) служат дополнительным критерием для подтверждения валидности отобранных публикаций.

Следует отметить, что для поставленной нами цели, можно обратить внимание на присутствующих в исследованиях пробелы, связанные с акцентом в B2B на рациональных решениях, анализе данных и решении проблем игнорирующие или недооценивающие ценностные и иррациональные аспекты [23, 25] (Chatterjee et al., 2023, 2024). В то же время подчеркиваете в проанализированных публикациях ускорение процесса закупок в B2B с дней до минут [21–23, 25] (2025; Patil et al., 2024; Chatterjee et al., 2023;, 2024). При этом автоматизация переговоров, частью которых может стать чат-бот, затрагивается только в части публикаций [20–25] (Sahoo et al., 2024, 2025; Patil et al., 2024; Chatterjee et al., 2023; Agnihotri et al., 2023, 2024). Таким образом, можно констатировать на основе сделанного обзора, что чат-боты как локальные инструменты с использованием ГИИ упоминаются в 7 статьях с общей частотой 34 раза.

Основными тематическими направлениями применения в текстах упоминаются:

· автоматизация B2B-переговоров;

· персонализация через NLP;

· экономия времени.

Указанные результаты позволяют нам выдвинуть гипотезу, что использование чат-бота на основе ГИИ для создания ценностных предложений в сфере B2B может способствовать систематизации и ускорению процесса подготовки аргументации, повысить ее персонализацию за счет более точного учета мотивации и ограничений участников закупочного центра, а также масштабировать лучшие практики формирования ценностных коммуникаций и аргументацию без существенного увеличения затрат времени и ресурсов. При этом для более глубокого понимания значимости данных результатов необходимо учитывать специфику самого B2B-сегмента, отличающегося сложной системой взаимодействий и принятием решений на нескольких уровнях.

Для подтверждения данной гипотезы вначале рассмотрим некоторые аспекты рынка B2B. B2B-рынок представляет собой сложную систему взаимодействия между компаниями, приобретающими товары и услуги для производственного или коммерческого использования [26, с. 89–90] (Pertsovskiy, 2018). При этом промышленные рынки B2B играют важную роль в экономике, поскольку в их структуру входят предприятия, производящие продукцию и оказывающие услуги для других организаций. Эти рынки характеризуются сложной структурой спроса, высокой концентрацией потребителей и многоуровневой системой принятия решений, в которой задействованы различные подразделения компаний.

Для обоснования необходимости преобразования сбытовой функции целесообразно проанализировать масштаб и специфику B2B-сегмента на макроэкономическом уровне [27] (Bek et al., 2024). На основе данных системы национальных счетов России можно наглядно проследить вклад B2B в экономику страны: расходы на промежуточное потребление и государственные закупки – ключевые компоненты B2B-сектора – в период с 2017 по 2022 год достигли 42%, что значительно превышает уровень конечного потребления со стороны частных домохозяйств [28] (Yusov, 2024).

Несмотря на значительный вклад маркетинга в развитие практик взаимодействия на потребительских рынках, область B2B-маркетинга на протяжении последних десятилетий демонстрировала ограниченную динамику в плане академического осмысления и концептуального обновления. Это особенно остро ощущается на фоне трансформаций бизнес-среды, обусловленных цифровизацией, усложнением закупочных структур и ростом роли данных в управленческих решениях. Лильен (Lilien) подчеркивает дисбаланс между интенсивностью B2B-практики и степенью ее научной проработки [29] (Lilien, 2016) и среди первоочередных вызовов называет нехватку эмпирических исследований поведения участников закупочного центра, слабую верификацию теоретических моделей в реальных условиях и недостаточная интеграция цифровых решений в аналитические модели. Он также выделяет потребность в разработке организационных компетенций, способствующих выстраиванию продуктивных клиентских отношений, и в более глубоком анализе групповой динамики в процессе принятия решений и закупок. Другие исследователи дополняют картину, указывая на методологический разрыв и отсутствие согласованных рамок в объединяющей теории B2B-маркетинга, а также на нехватку универсальных моделей или фреймворков для практического использования [30] (Hadjikhani et al., 2013). По их мнению, существующие модели разрозненны, лишены теоретической целостности и часто не адаптированы под реалии практики. Авторы акцентируют необходимость междисциплинарного подхода, роста доли полевых и экспериментальных исследований, а также интеграции накопленных данных в воспроизводимые концептуальные конструкции. Эту точку зрения усиливают и Кортес и Джонстон (Cortez, R. M. и Johnston, W. J.), утверждают, что скорость, с которой разрабатывается теория B2B, невелика по сравнению с быстрым развитием практики [31] (Cortez et al., 2017). Исследователи отмечают необходимость отказа от упрощенных моделей дуального взаимодействия «продавец – покупатель» в пользу сетевых и экосистемных подходов, включающих множество участников и уровней влияния. Они подчеркивают трансформацию роли B2B-покупателя, становящегося все более активным, технологически подкованным и стратегически ориентированным.

В этой связи возникает потребность в теоретических и практических решениях, способных отразить изменившуюся структуру восприятия ценности в цифровой среде и обеспечить релевантное коммуникационное сопровождение переговорного процесса, частью которых будет создание чат-бота на основе ГИИ для создания ценностных предложений.

Объединяя эти позиции, можно выделить три ключевых пробела, формирующих современную исследовательскую повестку в области B2B-коммуникаций:

· недостаточная теоретизация и верификация моделей принятия решений в закупочных центрах – существующие подходы редко учитывают сложность ролевых взаимодействий, скрытые барьеры и множественные критерии оценки;

· ограниченная интеграция ИИ и цифровых решений в исследовательские конструкции – несмотря на потенциал автоматизации анализа и генерации аргументации, академическая среда отстает от практики;

· слабое внимание к прикладным инструментам, способным повысить эффективность B2B-коммуникаций – отсутствуют воспроизводимые модели, которые могли бы быть реализованы в реальных переговорах и сопровождать продавца в процессе выстраивания аргументации для участников закупки.

В ответ на обозначенные пробелы нами предлагается подход для формирования гипотез аргументации в процессе B2B-переговоров, ориентированная на работу с закупочными центрами. Она сочетает принципы поведенческого и ролевого анализа с возможностями цифровых инструментов и ИИ, обеспечивая воспроизводимую структуру подготовки к коммуникациям с участниками закупочного центра компании партнера. Практическая реализация данной методологии осуществлена в формате чат-бота, сопровождающего продавца на всех этапах подготовки к переговорам. Он позволяет поэтапно и в интерактивной форме формировать гипотезы об участниках закупочного центра, строить их функционально-мотивационные профили, соотносить их с характеристиками продукта, формировать ценностные коммуникационные связки и автоматически генерировать гипотезы персонализированную аргументацию в переговорах.

1. Логика построения гипотезы аргументации (индивидуального ценностного предложения)

В ее основе лежит адаптация модели потребительской ценности (Модель Шета – Ньюмана – Гросса), предполагающей учет индивидуальных и групповых влияний внутри компании, особенностей закупочного центра и возможности предлагаемым продуктом или услугой решать процессные (произведенные и бизнес-задачи компании) и персональные задачи рассматриваемого участника закупочного центра.

Методологический каркас формирования гипотез персональной аргументации опирается на принцип индивидуализации ценностного сообщения через последовательную реконфигурацию:

· формирование закупочного центра и выбор объекта коммуникации;

· формирование функционально-мотивационного профиля объекта коммуникации (аватара участника закупочного центра);

· формирование трехуровневой модели восприятия продукта трех уровнях;

· формирование гипотез индивидуальных ценностных коммуникационных связок посредством синхронизации свойств и характеристик продукта, сопутствующих сервисов и атрибутов нематериального восприятия, с задачами объекта коммуникации с учетом механизма компенсации проблематики, лежащего в основе выбора;

· формирование персональной аргументации с использованием модели структурной аргументации С. Тулмина (Toulmin’s Argumentation Pattern (ТАP) – тезис, аргумент, подкрепление)

Аргументационная связка при этом формируется как соответствие между характеристиками предложения и мотивационно-ролевыми конструктами каждой позиции в закупочном центре.

В таблице 3 представлена систематизация этапов, используемых моделей и получаемых результатов, обеспечивающих структурированную и воспроизводимую логику подготовки аргументации для взаимодействия с участниками закупочного центра.

Таблица 3 Методологическая основа этапов формирования аргументации в B2B-коммуникации

2. Этапы реализации логики

Подход основан на сочетании двух когнитивных режимов: дивергентного – для генерации гипотез, и конвергентного – для их уточнения. Ключевая цель состояла в структурированной разработке речевой аргументации для переговоров с участниками закупочного центра. Для компании, являющейся целевой аудиторией для рассматриваемого B2B-продукта.

Этап 1. Формирование закупочного центра

Исходя из предпосылки релевантности задач, решаемых рассматриваемым продуктом или услугами в рамках производственных и бизнес-процессов компании, дальнейшее моделирование фокусировалось на выявлении ключевых участников закупочного центра внутри организации. Особое внимание уделялось анализу их профессиональных ролей, мотивационных установок, типовых задач и возможных барьеров в процессе принятия решения. Причем роли участников закупочного центра рассматриваются в рамках процесса жизненного цикла продукта или услуги внутри компании от момента осознания потребности и заказа, до утилизации или выхода товара за пределы бизнес-процессов компании (включая эксплуатацию, перепродажу и утилизацию).

Для решения поставленной задачи при формировании гипотезы с использованием ГИИ был разработан промпт [2] [1] (Sidorchuk, 2026), направленный на выявление ключевых ролей внутри закупочного центра с опорой на описание компании-партнера, характеристик предлагаемых товаров и услуг, а также специфику B2B-продаж. В ходе выполнения запроса модель формирует гипотезы типовых ролей, согласно модели Уэбстера-Уинда и выделяет возможные должности для каждой роли, включая: инициатора, влиятеля; покупателя (ЛПР); плательщика; пользователя; оценщика. Также отдельно выделяет должности и позиции, которые являются ограничителями потока информации – привратниками (gatekeeper)

Полученные гипотезы по составу закупочного центра и распределению ролевых функций далее проходили экспертную верификацию на соответствие специфике бизнеса анализируемой компании. Уточнение и корректировка состава ролей осуществлялись в рамках рабочей сессии с участием представителей заказчика.

Этап 2. Формирование функционально-мотивационной модели (ФММ) объекта

Данный этап был направлен на формирование функционально-мотивационной модели участника закупочного центра в выбранной роли, через призму функциональных, социальных и эмоциональных задач. На этом уровне логики помимо систематизации задач объекта, происходит формирование гипотез, соответствующих проблемы и выгоды, связанные с невыполнением или, наоборот, успешным решением этих задач. Формирование модели происходит в контексте и логике B2B-компании, где данный̆ специалист (объект) отвечает за принятие решений, влияющих на производственные и финансовые показатели соответствующих процессов организации.

Для запуска генерации использовался промпт, специально адаптированный под структуру B2B-продаж, где ключевым элементом стало требование к разделению задач на три уровня: функциональные, социальные и эмоциональные. Это позволило не только учесть должностные обязанности, но и сфокусироваться на социально- мотивационных драйверов и ролевых ожиданиях объекта.

Языковая модель ГИИ получала следующую вводную информацию: наименование компании, должность аватара, специфику предлагаемого продукта, а также ссылку на сайт клиента (если применимо). Затем в рамках диалога генерировалась аналитическая справка, в которую включались:

· три функциональные задачи – связанные с текущими KPI, управлением операционными процессами и достижением целевых показателей;

· три социальные задачи – отражающие ожидания вышестоящего руководства, уровень взаимодействия с коллегами и подчиненными, и стремление к профессиональному признанию;

· три эмоциональные задачи – включающие аспекты уверенности, удовлетворения и снижения стрессовых факторов.

Для каждой задачи с помощью ГИИ формируются гипотезы возможных проблем (негативные последствия невыполнения) и выгод (позитивные результаты реализации), строго следуя структуре нумерации: задача 1 – проблема 1 – выгода 1 и т.д. Такая форматная жесткость была заложена в промпт и позволила обеспечить логическую согласованность вывода.

Полученные гипотезы функционально мотивационной модели использовались как основа для экспертной верификации. В процессе сессий обсуждения они подвергались уточнению и доработке с учетом реалий индустрии, логики принятия решений в конкретных компаниях, а также языка, актуального для роли (например, акцент на PnL, ROI или OPEX для финансовых ролей).

Результатом этапа становилось формализованное описание модели объекта, включающее девятиуровневую систему задач и мотивационных индикаторов. Такая структура позволяла перейти от обобщенных характеристик к точечной индивидуальной аргументации с фокусом на персональные задачи, проблемы и выгоды объекта.

Этап 3. Построение трехуровневой модели восприятия продукта

Целью данного этапа является формирование целостного восприятия предлагаемого продукта или услуги с учетом функциональных характеристик, сопутствующих сервисов и элементов нематериального восприятия. Подобная структура позволяет выстроить многомерное описание предложения и подготовить основу для синхронизации с актуальными задачами зафиксированных в формализованной функционально-мотивационной модели объекта, для последующего создания релевантных ценностных связок и аргументационных модулей.

Используемый промпт был специально сфокусирован на необходимости перевода технически ориентированной информации о продукте в язык, релевантный для различных ролей внутри закупочного центра. Внутри промпта акцент делался на три уровня анализа:

Функциональный уровень – языковая модель ГИИ анализировала информацию о продукте и выделяла ключевые технические и эксплуатационные характеристики, сопоставимые с метриками эффективности, показателями надежности, экономической выгодой и соответствием отраслевым стандартам. Эти данные затем транслировались в язык бизнес-ценностей, актуальных для лиц, принимающих решения с фокусом на ключевые функциональные свойства, технологические характеристики и производственные стандарты, ссылаясь на измеримые критерии (KPI, соответствие нормам, показатели надежности или эффективности).

Сопутствующие услуги и сервисы – данная часть промпта направлялась на выявление дополнительных сервисов, сопутствующих основному предложению. ИИ предлагал опции в виде консультационного сопровождения, персонализированных условий поставки и сервиса, обучения команды заказчика, пост проектной поддержки и гибких форм расчета. Эти элементы воспринимались не как вспомогательные, а как критически важные, поясняя, как они повышают удобство применения продукта для решения бизнес и производственных задач, повышения эффективность процессов, в рамках которых происходит закупка или усиливают ценность основного продукта.

Атрибуты нематериального восприятия (имидж, бренд, репутация, статус) – особое внимание уделялось формулировкам, отражающим репутационную и эмоциональную ценность предложения. ГИИ помогал сформулировать тезисы, связанные с надежностью поставщика, опытом в отрасли, кейсами крупных клиентов и уровнем экспертизы. Эти элементы особенно значимы для ролевых фигур, ориентированных на стратегическое партнерство и минимизацию рисков.

Полученные прототипы трехуровневых описаний направлялись на экспертную сессию, где они уточнялись и согласовывались с учетом специфики отрасли, текущей стадии закупки и приоритетов каждой целевой роли. Итоговая модель воспринималась не как статичный набор характеристик, а как динамическая конструкция, адаптируемая под каждую коммуникационную ситуацию. Созданная модель выступила не только инструментом структурирования информации о продукте, но и ключевым звеном, обеспечивающим логическую связку между функционально-мотивационным профилем рассматриваемого объекта и возможностями предложения продуктов и услуг компании

Этап 4. Генерация ценностных коммуникационных связок (ЦКС)

На этом этапе происходит синхронизация функционально-мотивационного профиля объекта, его задачи, проблемы и ожидаемые выгоды с элементами трехуровневой модели восприятия продукта, что позволяет перейти к построению осмысленных и персонализированных ценностных коммуникационных конструкций.

Это происходит благодаря логическому сопоставлению двух верифицированных областей данных: область восприятия продукта или услуги (характеристики, сервисы и нематериальные атрибуты) и область функциональных, социальных и эмоциональных задач объекта и сопряженных с ними проблем и ожидаемых выгод.

Для генерации таких связок использовался специально разработанный промпт, в котором языковая модель ГИИ последовательно выполнял следующие действия:

· Сопоставление задач объекта и характеристик продукта. Для каждого элемента продуктового предложения (включая основную характеристику, сервис или нематериальный атрибут) проверялось, какую из девяти задач (по типологии «функциональные, социальные, эмоциональные») он потенциально может решить. Искались реалистичные соответствия – без искусственного приписывания значения там, где оно отсутствовало.

· Анализ механизма компенсации. Если находилось релевантное соответствие между задачей и характеристикой продукта, следующей задачей становилось выявление проблемы или барьера, на который влияет данный элемент. ГИИ должен был определить, каким способом, с использованием механизма компенсации, данный компонент минимизирует или устраняет проблему. Это обеспечивало логическую связность элементов анализируемых областей данных возможность ее дальнейшего использования для формирования ценностных коммуникационных связок. Механизм компенсации – это объяснение, как характеристика продукта или услуги или сопутствующий сервис или атрибут нематериального восприятия продукта минимизирует или устраняет проблему потребителя. При этом указывается процесс получения результата (физический; механический; химический; когнитивный; метальный или логический).

· Формирование связки. Конечная формулировка оформлялась по единой структуре, опирающейся на модель ценностного предложения, А. Остервальтера. Шаблон имел следующую форму: [Характеристика / Сервис / Атрибут продукта] помогает [роль/должность] решить [тип задачи], благодаря чему компенсирует [конкретную проблему или риск], что достигается через [механизм компенсации], тем самым усиливает [воспринимаемую полезность / снижает риск / увеличивает эффективность].

Важно отметить, что работа модели не сводилась к простой генерации утверждений. Каждая связка была логически выверена, проходила верификацию экспертной группой на предмет релевантности, когерентности и применимости в реальных переговорных сценариях. Это позволило обеспечить воспроизводимость аргументации и ее адаптацию под конкретные закупочные роли, делая коммуникацию персонализированной и стратегически выстроенной. Как мы видим языковая модель ГИИ в рамках формирования гипотез на данном этапе выполняет не только вспомогательную, но и эвристическую функцию – помогая выявлять неочевидные на первый взгляд связи между задачами объекта и воспринимаемыми атрибутами продукта, а также структурировать их в форме, пригодной для практического применения в B2B-продажах.

Этап 5. Формирование речевой аргументации по модели TAP

На заключительном этапе производилась трансформация ценностных коммуникационных связок в компактные, убедительные речевые формулы, предназначенные для непосредственного использования специалистом в переговорном процессе.

В качестве тезиса бралась ранее сформулированная ценностная коммуникационная связка, которая используется в качестве привлечения внимания и фокусировки объекта. На основе выбранного тезиса с помощью языковой модели ГИИ посредством подготовленного промпта три аргумента (А), соответствующие различным аспектам восприятия объектом:

· технический аргумент – объяснение принципа действия характеристики или механизма;

· логический аргумент – обоснование релевантности данной характеристики в контексте задач объекта;

· эмоциональный или финансовый аргумент – усиление ценности или снятие типичных сомнений у выбранного объекта.

Заключительным компонентом блока выступало эмпирическое подкрепление (П) – это мог быть кейс, ссылка на отраслевую практику или числовой результат, подтверждающий реалистичность и значимость аргументов. Такой подход позволял специалисту не просто транслировать свойства продукта, а выстраивать содержательную и убедительную коммуникацию, привязанную к реальным задачам, проблемам и ожидаемым выгодам объекта коммуникации.

Речевые аргументационные блоки, сгенерированные языковой моделью ГИИ, в обязательном порядке проходили экспертную верификацию и при необходимости корректировались. Это обеспечивало не только корректность формулировок, но и релевантность высказываний контексту переговоров.

Как мы видим при предложенном подходе вместо универсальных, единых шаблонов направленная на всю компанию, создается индивидуализированная аргументация, которая усиливает восприятие ценности и способствует принятию решений на уровне каждого участника закупочного центра. В результате в распоряжении специалиста оказывался полный набор тезисов и аргументов максимально адаптированном к B2B-переговорам – с фокусом на индивидуальные задачи, проблемы и барьеры, метрики эффективности и кейсы из практики. Именно такая адаптация позволяет использовать модель ТАP не как теоретическую конструкцию, а как инструмент реального влияния в диалоге с клиентом и демонстрирует потенциал для существенного повышения эффективности B2B-коммуникаций за счет интеграции генеративных языковых моделей на этапе построения гипотез.

Использование ГИИ позволяет не только повысить эффективность и качество дивергентного режима формирование гипотез в рамках промежуточных шагов (структура закупочного центра, фмм-модели восприятия, цкс и т.д), но и сократить время на подготовку индивидуальной аргументации при сохранении высокого уровня детализации и релевантности. Это особенно важно в условиях ограниченных временных ресурсов и необходимости оперативного реагирования в переговорах и высокой скорости внешних и внутренних изменений. Сравнительный анализ временных затрат, проведенных авторами, при управляемых групповых работах с применением методов фасилитации и применением языковых моделей ГИИ при формировании гипотез, представлен в таблице 4.

Таблица 4 Сравнение временных затрат формирования аргументации

Сравнительный анализ временных затрат на реализацию каждого этапа демонстрирует значительное сокращение времени подготовки при использовании генеративных языковых моделей (ГИИ) для формирования гипотез. Так, суммарная продолжительность всей последовательности этапов при традиционной фасилитационной работе составляет 660 минут (11 часов), тогда как при интеграции ГИИ – 235 минут (менее 4 часов). Экономия времени достигает более 60%, что делает применение ГИИ не только инструментом повышения качества персонализированной аргументации, но и значимым ресурсом повышения оперативности подготовки переговорной позиции.

3. Практическая реализация логики на примере чат-бота

Цифровизация процесса преследовала несколько целей. Во-первых, обеспечить масштабируемость – возможность параллельной проработки большого числа кейсов без вовлечения модераторов на каждом этапе. Во-вторых, сократить временные затраты, необходимые на подготовку гипотез и аргументационных блоков. В-третьих, получить оцифрованную обратную связь от пользователей по предложенной методологии, что позволяет оценить ее применимость, адаптировать и вносить необходимые корректировки.

Чат-бот разработан на языке Python с применением библиотеки aiogram и API OpenRouter.ai для подключения к генеративной языковой модели (в исследовании использовалась модель Gemma 3 27B). В качестве платформы для взаимодействия с пользователями был выбран мессенджер Telegram, что обеспечивает удобный интерфейс, доступный с любого устройства, что позволяет обрабатывать пользовательские запросы в диалоговом режиме, сохраняя всю историю шагов. Техническая архитектура чат-бота представлена в таблице 5.

Основная логика работы чат-бота отражена на рисунке 1 и построена на последовательном прохождении шагов методологии:

· запрос исходных данных от пользователя в формате диалога – компания партнера, сайт, продукт или услуга, которую нужно предложить (табл. 6);

Таблица 5 Техническая архитектура чат-бота

· формирование гипотезы закупочного центра – на основе модели Уэбстера-Уинда, выбор фокусного участника закупочного центра (объект, на который будет направлена аргументация);

· создание функционально-мотивационной модели для выбранного объекта – выделение задач (функциональных, социальных и эмоциональных), проблем и выгод по каждой роли;

· построение трехуровневой модели восприятия продукта – функциональные характеристики, дополнительные сервисы и атрибуты не материального восприятия;

· генерация ценностных коммуникационных связок – синхронизация задач и элементов восприятия продукта;

· формирование речевой аргументации по модели TAP – тезис, аргументы и подкрепления;

· запрос оценки результатов работы чат-бота пользователем по 10-ти бальной шкале и персональных комментариев;

· формирование и отправка итогового файла с результатами этапов и гипотезами аргументации в формате ТХТ.

Таблица 6 Данные, предоставляемые пользователем в процессе диалога с чат-ботом

Рисунок 1. Логика работы чат-бота

Источник: составлено авторами.

Итогом работы чат-бота является автоматически сгенерированный файл, содержащий структурированные результаты по всем этапам методологии. В документ включаются гипотезы о составе закупочного центра, детализированные профили ролей, трехуровневое описание продукта, сформированные ценностные коммуникационные связки и речевые блоки аргументации по модели ТАP. Такой формат позволяет пользователю сразу получить полный комплект материалов, пригодный для использования как в подготовке к переговорам, так и в образовательных целях. Файл имеет единую структуру и стандартизированное оформление, что упрощает его анализ и интеграцию в процессы компании. Пример итогового файла по запросу, представленного таблице 6.

Результаты апробации

Апробация предложенной методологии формирования гипотез аргументации с использованием чат-бота на базе языковой модели ГИИ проводилась в реальных условиях подготовки к B2B-переговорам. Пример итогового файла, генерируемого чат-ботом, использовался для анализа, но из-за объема не включен в статью.

Целевая аудитория – участники программ обучения «Продажи на уровне ценности. Усиление переговорной позиции через формирование потребительской ценности»; «Формирование ценностного восприятие продукта», участники программ обучениям МВА и ЕМВА, подписчики профильного телеграм канала «Лаборатория прикладных продаж и маркетинга». Сформированная выборка целевой аудитории апробации является репрезентативной и экспертной. В нее вошли специалисты с высоким уровнем компетенций в области переговоров и принятия решений на промышленных и корпоративных рынках. Таким образом, полученные оценки и комментарии можно рассматривать как достоверный индикатор применимости методологии в реальной практике B2B-продаж.

Целью апробации являлась проверка применимости на практике разработанного инструмента в формате сбора обратной связи от пользователей в формате оценки по шкале от 1 до 10 (где 1 – инструмент полностью непригоден, 10 – полностью применим на практике). В качестве источников данных использовались выгрузка из базы пользователей чат-бота (показатели сессий, активности и вовлеченности) и результаты опроса, встроенного в завершение каждой сессии работы с ботом. Период проведения апробации с 19.05.2025 года по 29.07.2025 года.

Количественные результаты апробации

В системе было зафиксировано 116 уникальных пользователей, которые в совокупности провели 166 сессий работы с чат-ботом (табл. 7). При этом:

· 40 сессий (24%) завершились полным прохождением всех этапов и получением итогового файла;

· 97 сессий (58%) были не завершены (пользователи прошли часть этапов, но не дошли до получения результата и не оставили обратную связь);

· 20 сессий (12%) прервались на самой ранней стадии (пользователи вошли в бот, но не ввели исходные данные);

· 9 сессий (5%) прервались по техническим причинам (сбои в API языковой модели).

За весь период работы было зафиксировано 324 запроса к языковой модели. Среднее количество запросов на одного пользователя составило 6,9, а среднее количество запросов в рамках одной сессии – 1,95. Эти данные показывают, что большая часть пользователей проходила хотя бы 2–3 этапа методологии, даже если не завершала процесс полностью.

Таблица 7 Результаты апробации предложенной методологии

Статистика по этапам методологии

Распределение количества запросов по ключевым этапам подтверждает строгую последовательность выполнения шагов (табл. 8):

· purchcenter_analysis (формирование закупочного центра) – 75 запросов;

· avatar_creation (создание аватаров ролей) – 70 запросов;

· product_model (трехуровневая модель продукта) – 61 запрос;

· value_links (ценностные коммуникационные связки) – 61 запрос;

· pitch (аргументация и итоговый блок) – 57 запросов.

Относительно близкие значения количества запросов на последовательных этапах показывают, что существенных массовых прерываний на середине методологии не наблюдалось. Тем не менее прерывания чаще происходили на этапах avatar_creation и product_model, что связано с необходимостью более детальной проработки исходных данных и возможными затруднениями у пользователей.

Суммарный объем использованных токенов за время апробации составил 1 296 139, а общая стоимость взаимодействия с языковой моделью – 2,59 USD, что подтверждает экономичность инструмента при массовом использовании.

Таблица 8 Данные по запросам к языковой модели ГИИ

Обратная связь и оценка пользователей

В завершении сессии пользователи, дошедшие до формирования итогового файла, оценивали применимость инструмента и качество сформированных гипотез (табл. 9). Всего было получено 40 валидных оценок.

Распределение ответов выглядело следующим образом:

· оценка 10–21 пользователей;

· оценка 9–9 пользователей;

· оценка 8–3 пользователей;

· оценка 7–2 пользователей;

· оценка 6 и ниже – 5 пользователей.

Средняя оценка инструмента составила 8,8 из 10 возможных, что является высоким показателем для этапа опытной эксплуатации.

Индекс удовлетворенности (NPS) составил +62,5. При этом доля промоутеров (оценки 9–10) достигла 75% (30 пользователей), а критиков (оценки 0–6) – лишь 12,5% (5 пользователей).

Анализ комментариев пользователей показал следующие сильные стороны инструмента:

· Сокращение времени подготовки аргументации: пользователи отмечали, что формирование итогового файла занимает менее 4 минут, что в разы быстрее, чем работа в традиционном фасилитационном формате.

· Прозрачность и структурность: пошаговый алгоритм делает процесс формирования гипотез и аргументов понятным даже для менее опытных специалистов.

· Масштабируемость: инструмент позволяет параллельно работать с десятками кейсов без необходимости вовлечения модераторов на каждом этапе.

К зонам для улучшения относятся:

· углубление аналитики на этапах построения аватаров и ценностных связок, возможность предоставления обратной связи и внесение экспертных корректировок

· оптимизация стабильности API и оптимизация работы при параллельных запросах для снижения числа технических прерываний;

· расширение числа уточняющих вопросов, чтобы минимизировать риск формирования слишком общих гипотез,

· снижение температуры языковой модели ГИИ для уменьшения креатива при формировании гипотез.

Таблица 9 Оценка пользователей

Результаты апробации подтвердили высокую практическую ценность и применимость разработанной методологии.

Инструмент позволил:

· сократить время на подготовку персонализированной аргументации более чем на 60%;

· повысить масштабируемость процесса и сократить нагрузку на экспертов и модераторов;

· получить высокую пользовательскую оценку (средний балл 8,8 и NPS +62,5), что свидетельствует о готовности инструмента к масштабированию в рамках B2B-продаж.

Заключение

Целью исследования являлась разработка и практическая апробация чат-бота на основе языковых моделей генеративного искусственного интеллекта для формирования ценностных предложений и аргументации в сфере B2B. Для достижения этой цели были решены три задачи: анализ актуальных направлений использования ГИИ в B2B-коммуникациях, разработка методологии формирования аргументации и ее тестирование на практике.

Анализ отечественной и зарубежной литературы показал, что использование ГИИ в B2B-коммуникациях находится на этапе становления. Существующие публикации в основном носят обзорный характер и сосредоточены на тактических аспектах (персонализация контента, прогнозирование спроса, оптимизация лидогенерации). Недостаточно исследованными остаются вопросы интеграции ГИИ в практические процессы подготовки к переговорам и формирования ценностной аргументации, что подтверждает актуальность выбранного направления.

Разработанная методология опирается на пять этапов: 1) формирование закупочного центра, 2) построение функционально-мотивационного профиля участников, 3) построение трехуровневой модели восприятия продукта, 4) генерация ценностных коммуникационных связок и 5) построение аргументации по модели ТАP. Для каждого этапа была подготовлена система промптов для языковых моделей ГИИ и встроена экспертная верификация результатов.

Практическая реализация методологии была выполнена в виде чат-бота, интегрированного с мессенджером Telegram. Апробация проводилась с 19 мая по 29 июля 2025 года в реальных условиях подготовки к B2B-переговорам среди целевой аудитории. Выборка является репрезентативной и экспертной, что подтверждает достоверность полученных данных.

Результаты апробации показали высокую практическую значимость методологии и сократить время подготовки аргументации более чем на 60%. Оценка инструмента пользователями составила в среднем 8,8 из 10 возможных, индекс удовлетворенности (NPS) достиг +62,5. Комментарии респондентов подтвердили ключевые преимущества чат-бота: сокращение времени подготовки, структурированность процесса и масштабируемость использования без значительных дополнительных затрат ресурсов.

Поставленные в исследовании цели достигнуты. Чат-бот на основе языковой модели ГИИ подтвердил свою применимость как инструмент систематизации и персонализации подготовки к B2B-переговорам. Полученные результаты демонстрируют его потенциал для масштабирования и интеграции в практику B2B-компаний как средствавт повышения эффективности формирования ценностных коммуникаций и аргументации.

[1] Существуют решения через усложнение промпта и использования нескольких чатов или платные версии.

[2] Промпт – это запрос, инструкция или задание, которое формулируется пользователем для взаимодействия с системой искусственного интеллекта, например, с ГИИ.