Как Cursor построил собственную AI-платформу для продаж
Семь вкладок перед первым письмом
Рабочий день специалиста по поиску и квалификации клиентов (SDR — Sales Development Representative) в технологической компании часто начинается со сбора информации. Чтобы подготовить одно качественное, персонализированное письмо, менеджер открывает до десятка вкладок: проверяет историю сделок в CRM-системе (Salesforce), слушает звонки в платформе речевой аналитики Gong, изучает профили на LinkedIn, анализирует активность использования продукта на внутренних панелях и сверяется с Slack.
В среднем сбор контекста для одного контакта занимала у продавцов около 45 минут. Менеджер сопоставлял поведение пользователя с идеальным портретом клиента (ICP — Ideal Customer Profile) и вручную формулировал предложение. Из-за этого большая часть времени уходила на копирование данных между вкладками, а не на реальные продажи.
Понимая проблему, стартап Cursor создал внутреннюю ИИ-экосистему ChatGTM (Go-To-Market). Она объединяет разрозненные системы по API (Application Programming Interface), предоставляя менеджерам единую точку доступа к знаниям о клиентах. В результате время подготовки сократилось в разы, а продавцы получили интеллектуального ассистента в ежедневных задачах.
Что видит ChatGTM, чего не видит обычный ассистент
Стандартный текстовый помощник бесполезен, когда ему нужно составить письмо реальному клиенту. Он не знает правил ценообразования компании, не видит стадию сделки в CRM, не помнит возражений с последней встречи и не понимает, относится ли лид к целевому сегменту на территории.
Главная сила ChatGTM заключается в контекстной оркестрации — способности собирать актуальные данные из множества источников в реальном времени. Система работает поверх существующих платформ и не заменяет основные базы данных. Интеграция реализована через API и протокол MCP (Model Context Protocol, позволяющий ИИ-агентам безопасно взаимодействовать с инструментами и базами).
Развитие платформы шло от простого к сложному. Сначала инженеры написали SQL-запросы, собиравшие ключевые данные в одну таблицу. Затем внедрили систему автоматического скоринга: алгоритмы оценивали активность пользователей и ранжировали компании по вероятности сделки. Только после создания надежной инфраструктуры данных подключили языковые модели для генерации писем и запустили автономных агентов. Теперь ассистент видит полную картину: от логов использования продукта разработчиками клиента до деталей биографии лица, принимающего решения.
Один день продавца в окружении агентов
С внедрением ChatGTM рабочий день менеджера в Cursor изменился и состоит из следующих шагов:
- Дайджест в Slack. В начале дня агент присылает менеджеру персонализированную сводку: новости по аккаунтам, изменения статусов сделок и регистрации крупных клиентов.
- Письма по сигналам. Продавец получает список из 25 готовых черновиков писем. Каждый черновик привязан к конкретному триггеру (например, превышение лимитов бесплатного использования). ИИ автоматически адаптирует стиль письма под получателя.
- Персональные лендинги. Для ключевых клиентов генерируются уникальные страницы с ответами на частые вопросы и демонстрацией актуальных функций.
- Бриф к встрече. Перед звонком менеджер получает краткую справку: резюме прошлых разговоров из Gong, текущие проблемы клиента и особенности его общения.
- Подсказки в реальном времени (Live Answer). Во время звонка агент слушает разговор и выводит ответы на сложные технические вопросы, избавляя продавца от пауз на поиск информации.
- Автоматический follow-up. Сразу после встречи система формирует резюме звонка, фиксирует договоренности и готовит текст следующего письма.
- Прогноз (Forecast). На основе анализа разговора агент автоматически обновляет вероятность закрытия сделки в Salesforce.
Вся цепочка действий разворачивается внутри Slack, который служит основным интерфейсом взаимодействия с ИИ.
Почему менеджеры стали разработчиками
Обычно внедрение ИИ-инструментов спускается сверху и наталкивается на сопротивление сотрудников из-за неудобных шаблонов. В ChatGTM создатели позволили продавцам самостоятельно создавать новые навыки (Skills) для ИИ-агентов на естественном языке.
Менеджер без навыков программирования может написать инструкцию: «Если клиент из финансового сектора спрашивает о безопасности данных, найди в базе документы о соответствии стандарту SOC2, выпиши три главных тезиса и подготовь ответ в деловом стиле». Система переведет описание в исполняемый сценарий автоматизации.
Это превратило продавцов из пассивных пользователей в активных создателей. Силами отделов продаж создано более 500 навыков и запущено более 1000 автоматизаций. Это позволило адаптировать ChatGTM под особенности работы каждого ведущего менеджера (AE — Account Executive, отвечающего за ведение переговоров и закрытие сделок).
Цифры и границы их применимости
Согласно отчету компании, опубликованному клубом The Signal, внедрение ChatGTM принесло значительные результаты. Команда SDR стала назначать в 3 раза больше качественных встреч, а лучшие сотрудники улучшили показатели в 4 раза. Время адаптации новых менеджеров (AE ramp time) сократилось более чем на 50%. Лучшие продавцы бронировали более 60 целевых встреч в месяц и экономили свыше 100 часов рабочего времени, избавившись от рутинного поиска информации.
Тем не менее к этим показателям стоит относиться критически. Описанный кейс — это внутренний отчет технологической компании, а не независимый аудит. Cursor обладает сильной командой инженеров и изначально строит бизнес вокруг ИИ. Для компании без подобной технической культуры попытка скопировать ChatGTM в лоб может закончиться провалом.
Масштабная автоматизация несет скрытые расходы. Запуск сотен агентов, непрерывно анализирующих профили и генерирующих контент, требует вычислительных мощностей и оплаты API языковых моделей. Без контроля за расходом токенов (базовых единиц учета текста в нейросетях) стоимость работы системы может превысить выгоду от сэкономленного времени.
Строить, покупать или начать с одного процесса
Для компаний, желающих оптимизировать продажи с помощью ИИ, опыт Cursor предлагает практический алгоритм:
- Выявите ключевое узкое место. Найдите одну метрику, которая сдерживает рост (например, низкая конверсия из регистрации в звонок).
- Опишите реальный процесс. Проведите день с продавцом. Зафиксируйте, какие действия он совершает вручную и откуда копирует данные.
- Подготовьте инфраструктуру данных. Прежде чем подключать агентов, объедините данные из CRM, аналитики и логов звонков.
- Начните с простых сценариев. Первым шагом должна стать автоматизация сбора информации (например, утренний Slack-дайджест), а не прямая генерация писем.
- Обеспечьте контроль качества. На первых порах все сгенерированные агентом письма должны проходить обязательную проверку человеком.
- Оцените целесообразность разработки. Собственная разработка уровня ChatGTM оправдана только для зрелых компаний с сильной командой дата-инженеров. Большинству выгоднее использовать готовые решения или внедрять сценарии автоматизации на платформах вроде n8n.
Главный вывод из кейса Cursor: стратегическое преимущество получают не те, кто использует самые передовые модели, а те, кто смог связать эти модели со своими уникальными внутренними данными и встроить их в реальный рабочий процесс сотрудников.