← Каталог

· AI Engineer World's Fair 2026

Создание GTM AI-агентов: уроки внедрения для 6 000 пользователей

Building GTM AI Agents: Lessons from Deploying to 6,000 Users — Sait Izmit, Snowflake

Внутренний GTM-ассистент Snowflake на 6000 пользователей, по словам автора, держится на качестве ответов, поэтапном запуске и разборе логов, а не на охвате.

  • Качество важнее охвата — команда проверяла ассистента на 150 вопросах из процесса продаж и на старте получила около 50% точности. По словам спикера, лучше ответить на 50 вопросов с точностью 95%, чем на 100 с точностью 70%.
  • Внедрение отдельная работа — на бете из 600 человек, по словам спикера, больше 70% недельно активных пользователей возвращались. Через пару недель после общего запуска продукт попробовала лишь около 20% сотрудников, поэтому 60–70% времени ушло на демо и работу с руководителями продаж.
  • Логи как источник фич — LLM классифицирует более 1,2 млн вопросов, и по логам видно, где ассистент не отвечает и каких документов для продаж не хватает. Вместо интервью со 100 продавцами в неделю пробелы находятся за минуты.
  • Архитектура меняется постоянно — ассистент начинался с девятистраничных инструкций в Google Doc, потом появились CI/CD, evals, skills и MCP. По словам спикера, 30–40% спринтов уходит на перестройку архитектуры, и это нормально.

Кому полезно: тем, кто выводит внутреннего AI-ассистента для нетехнических команд и хочет удержать пользователей после запуска.

Статья по теме

На какие вопросы отвечает доклад

  • Что важнее для внутреннего AI-агента: широкий охват вопросов или высокая точность?

    Команда начала с 150 вопросов из процесса продаж, при первом тесте точность была около 50%. Выбрали 50 вопросов с точностью 95% вместо 100 с 70%, а около 60% источников данных добавили уже после запуска.

    ▶ 3:16Доверие: качество важнее покрытия
  • Как поэтапно раскатить внутреннего AI-агента на несколько тысяч пользователей?

    Сначала пилот с AI-native сотрудниками, затем бета на 600 человек, где проверяли MVP и удержание. Выход в GA делали, когда еженедельная активность вернула более 70% пользователей.

    ▶ 5:33Этапы запуска: пилот, beta, GA
  • Почему после запуска AI-инструмента для команды продаж мало людей им пользуются?

    По словам спикера, за первые две недели попробовала лишь около 20% организации. Он тратил 60–70% времени на встречи с командами, демо, дашборды и на поддержку лидеров продаж, чтобы поднять adoption.

    ▶ 7:13Управление изменениями и adoption
  • Почему пользователи перестают восхищаться AI-агентом через несколько месяцев после запуска?

    Эффект новизны превращается в привычку, и люди начинают требовать большего. Команда последовательно добавляла интеграции через MCP, автоматизацию рабочих процессов, навыки, которые создают сами команды, и персонализацию.

    ▶ 8:52Угасание wow-эффекта
  • Как менять архитектуру агента, если технологии меняются каждые несколько месяцев?

    Агент запустили с инструкциями на девять страниц в Google Docs, а потом добавили CI/CD, eval-инфраструктуру, skills, MCP, progressive disclosure и память. По словам спикера, 30–40% спринтов уходит на переработку архитектуры.

    ▶ 11:45Стройте быстро, перепланируйте постоянно
  • Как использовать логи диалогов с AI-агентом, чтобы находить пробелы в продукте и знаниях для продавцов?

    LLM классифицирует логи по темам и показывает провалы ответов и запросы, которых нет в продукте. По словам спикера, по этим данным за минуты генерируют battle cards и документы для продавцов из Confluence, Jira и Slack.

    ▶ 14:08Циклы обратной связи на логах

Главы

Похожие доклады