· 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 покрытияКак 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, GAПочему 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 adoptionПочему 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-эффектаКак 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 постоянноКак 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
Создайте AI-агента для GTM, который знает покупателя ещё до первого сообщения
AI Engineer World's Fair 2026
Близко по содержанию
Новый подход к построению команды: как стартап из 30 человек обслуживает 50 миллионов пользователей
AI Engineer World's Fair 2025
Близко по содержанию
Как AI-агенты помогают GTM-командам масштабироваться
AI Engineer World's Fair 2026
Близко по содержанию
AI в GTM в Notion
AI Engineer World's Fair 2026
Близко по содержанию

