عرضت Sinimex مدرب AI للمبيعات المؤسسية مع التحقق بالرجوع إلى المستندات

كشفت شينيمكس عن نموذج أولي لمدرب ذكاء اصطناعي لمبيعات B2B يعلم المديرين إجراء المفاوضات والتعامل مع الاعتراضات وتجنب المبالغة في خصائص المنتج. يخضع النظام بالفعل للاختبار: بعد تغيير في البنية المعمارية، أصبح مستقراً بشكل ملحوظ، وتتوقع الفريق أن يؤدي التدريب المنتظم إلى زيادة طلبات العروض التجارية بما لا يقل عن 15%.

من الفشل إلى المحاكي

نشأت الفكرة من مشكلة نموذجية في مبيعات B2B. قد يتمكن المبتدئ من إجراء الجزء الأول من الاجتماع بثقة، لكنه يضيع عندما يبدأ العميل في طرح أسئلة محرجة حول المنتج والتوثيق وفوائد الانتقال. في مبيعات المستهلكين، لا يزال يمكن تجاوز مثل هذا الخطأ، لكن في القطاع المؤسسي، كل اجتماع فاشل يمثل عميلاً محتملاً مفقوداً ووقتاً مهدراً وأموالاً.

بالنسبة للشركات ذات دورات المبيعات الطويلة، يكون مثل هذا الفشل مؤلماً وباهظ التكاليف بشكل خاص. لهذا السبب قررت شينيمكس بناء ليس مجرد روبوت محادثة، بل محاكي مفاوضات. يجب أن يرشد المدرب المدير خلال كامل دورة المحادثة من التحية إلى تأكيد الخطوات التالية، ويقدم اعتراضات واقعية، ويوفر ملاحظات بعد المحادثة.

للتدريب، استخدموا نوعين رئيسيين من البيانات: سيناريوهات الزيارات مع الأهداف والاعتراضات النموذجية، بالإضافة إلى توثيق المنتج بصيغة PDF، بحيث يمكن للوكيل أن يستند إلى الحقائق بدلاً من "الأحاسيس".

البنية المعمارية تحت السيطرة

جربت الفريق ثلاث نهج. رفضوا نظام وكيل واحد بسبب تجاوز السياق: في محادثة طويلة، بدأ النموذج يفقد الخيط واتباع التعليمات بشكل أسوأ. النهج المتعدد الوكلاء الكلاسيكي لم ينجح أيضاً: فهو مرن، لكنه يشبه كثيراً صندوق أسود، حيث يصعب فهم سبب تسليم وكيل واحد المهمة إلى آخر وفي أي مرحلة حدث الخطأ. في النهاية، اختاروا الصياغة المتسلسلة — سلسلة من الخطوات الضيقة مع مخرجات JSON محكومة وصيغ منفصلة لكل مرحلة من مراحل المحادثة.

• اختيار الصيغة حسب مرحلة المحادثة
• توليد عدة متغيرات للرد
• اختيار أفضل إجابة بواسطة وكيل منفصل
• إرسال الرد النهائي إلى المدير

فشلت النسخة الأولى من النظام: تم اعتبار 2 فقط من أصل 8 حوارات ناجحة. بعد ذلك، أضافوا وكيل "محرر" ثانياً إلى النظام، يختار أفضل خيار رد من عدة خيارات تم توليدها. قلل خط الأنابيب ذو المرحلتين هذا الضغط على الصيغة الرئيسية وأعطى النموذج تنوعاً أكبر دون فقدان السيطرة. في التكرار الثاني، ارتفعت النتيجة إلى 7 حوارات ناجحة من أصل 8، وأصبحت الإجابات نفسها تبدو أكثر طبيعية. كان هذا هو نقطة التحول في المشروع.

التحقق من الاختلاقات

كانت الخطوة التالية تعقيد المحاكاة. يحتوي المدرب الآن على مستويات صعوبة: على المستوى السهل، يكون العميل الافتراضي أكثر تساهلاً، وعلى المستوى المتوسط يتطلب حجج، وعلى المستوى الصعب يبدأ في التحقق بعناية من كل بيان للمدير. هنا تمت إضافة RAG إلى النظام بحيث يمكن للوكيل التحقق من التوثيق والتقاط الوعود غير المدعومة.

وإلا، سيصدق المدرب أي وعد يقطعه المدير أو يجادل بدون الاستناد إلى الحقائق. يبدو السيناريو كالتالي: يدلي المدير بتصريح حول المنتج، يقوم النظام بتسليط الضوء على الأطروحة المحددة، ومن خلال البحث المتجه يجد جزءاً ذا صلة من التوثيق، ثم ينقل البيان والنص الموجود إلى النموذج للحكم. إذا قال المدير، على سبيل المثال، أن النسخة السحابية من المنتج يمكنها التعامل مع 500 مستخدم متزامن، لكن التوثيق يحتوي فقط على بيانات من اختبار بمستخدمين اثنين، فإن الوكيل لا يوافق تلقائياً ويشير بلطف إلى عدم التطابق.

وفقاً للفريق، تمت إعادة كتابة كل صيغة في المتوسط حوالي 12 مرة لتحقيق هذا السلوك.

ما يعني هذا

يوضح مشروع شينيمكس أن وكلاء الذكاء الاصطناعي المؤسسيين يتحولون بشكل متزايد من "روبوتات محادثة ذكية" إلى مدربين تطبيقيين بمنطق قابل للتحقق. إذا أكد مثل هذا التنسيق التنبؤات بالنمو في العروض والتحويل إلى تجارب برنامجية، يمكن للذكاء الاصطناعي أن يلعب دور مدرب دائم في مبيعات B2B، متاحاً في أي وقت ويعتمد على المستندات بدلاً من الارتجال. بالنسبة لأقسام المبيعات الداخلية، هذا لم يعد تجربة من أجل التجربة، بل أداة محتملة لتوسيع نطاق التدريب.