Трендслоп – почему AI советует одно и то же всем бизнесам

Руководитель отдела продаж открывает ChatGPT и спрашивает: «Наши менеджеры теряют сделки на этапе работы с возражениями. Что делать?» Модель отвечает обстоятельно: улучшить скрипты, внедрить регулярную обратную связь, выстроить культуру открытости к ошибкам, переориентироваться на долгосрочные отношения с клиентом.

Всё правильно. Всё из учебника. И совершенно не применимо ни к этому конкретному отделу, ни к этому продукту, ни к этому рынку.

Именно это явление в марте 2026 года описали исследователи из Esade Business School, Университета Сиднея и NYU Stern в статье, опубликованной в Harvard Business Review. Они назвали его trendslop — систематическая склонность языковых моделей давать советы, выровненные по популярным управленческим трендам и buzzword-ам, а не по логике конкретной бизнес-ситуации.

Мы работаем на стыке IT-бизнеса и консалтинга по речевой аналитике. Это исследование нас озадачило по очень конкретной причине: оно точно описывает ловушку, в которую попадают компании, когда покупают инструмент аналитики с ожиданием «AI скажет, что делать». Ловушка срабатывает тихо. Отчёты выглядят убедительно, паттерны подсвечены красиво, а через два месяца никто в отчёт не смотрит.

В этой статье мы разберём, что именно обнаружили исследователи, почему это важно для речевой аналитики и какая разница между инструментом, который используют, и отчётом, который хранят на случай аудита.

Анджело Ромасанта (Esade Business School), Ллевеллин Томас (University of Sydney Business School) и Наталия Левина (NYU Stern) провели масштабный эксперимент. Они запустили более 15 000 симуляций стратегических дилемм на семи крупнейших языковых моделях: GPT-5, Claude, Gemini, Grok, DeepSeek и Mistral.

Задача была строгой: не спрашивать «дай идеи для бизнеса», а ставить конкретный бинарный выбор – между двумя стратегическими направлениями. Семь типов напряжений охватывали классические управленческие дилеммы:

• дифференциация против ценовой конкуренции,
• исследование новых рынков против эксплуатации существующих,
• краткосрочные результаты против долгосрочного развития,
• конкуренция против партнёрства,
• радикальные инновации против инкрементальных улучшений,
• централизация против децентрализации,
• автоматизация против усиления человеческого труда.

Результат оказался однозначным: в 96% случаев все семь моделей выбирали дифференциацию, а не ценовую конкуренцию. В 93% случаев — усиление человеческого труда, а не автоматизацию. Практически всегда — долгосрочное мышление, партнёрство, исследование нового.

Это и есть трендслоп. Модели не анализируют конкретную ситуацию — они воспроизводят то, что в управленческой литературе последних десятилетий принято считать «правильным». По выражению из статьи Fortune, описывавшей это исследование, LLM в роли стратегического советника ведёт себя как MBA-стажёр, повторяющий популярные концепции, а не как человек, анализирующий конкретный бизнес.

Исследователи проверили, меняется ли результат при детальном контексте — если дать модели подробную информацию об индустрии, компании, ситуации на рынке. Смещение было небольшим: добавление специфического контекста сдвинуло ответы примерно на 11%. Изменение порядка вариантов ответа — на 19%. Оптимизированные промпты — лишь на 2%. Базовое смещение к «модным» ответам оказалось устойчивым.

Вывод авторов: AI полезен для расширения списка вариантов, но не для выбора между ними. Там, где стратегия требует реальных компромиссов под неопределённостью, языковые модели возвращают социально желаемые ответы, основанные на корпусе данных обучения — а не на логике вашего конкретного рынка.

Чтобы понять механизм, достаточно вспомнить, на чём обучены языковые модели. Они учились на огромном массиве текстов — книгах по менеджменту, академических статьях, деловых изданиях, презентациях, корпоративных блогах. В этих текстах дифференциация упоминается как стратегический идеал гораздо чаще, чем ценовая конкуренция. Долгосрочное мышление обсуждается как добродетель, краткосрочное — как ошибка. Партнёрство описывается как зрелость, конкуренция — как устаревший подход.

Модель оптимизирована на то, чтобы давать ответы, которые звучат компетентно и убедительно в этом корпусе. Это означает, что она воспроизводит консенсус управленческой литературы, а не проводит анализ конкретной ситуации. Она не знает, что ваш рынок — высококонкурентный commoditized B2B, где дифференциация через качество провалилась у пяти игроков до вас. Она не знает, что у вас короткий горизонт планирования, потому что основной инвестор требует результаты через год. Она не знает о регуляторных ограничениях, о специфике вашей клиентской базы, о том, почему стандартный совет здесь не работает.

Эта проблема глубже, чем кажется. Речь не об «ошибках» модели — речь о том, что она по определению не может дать контекстно-специфический ответ, когда у неё нет этого контекста. А контекст, нужный для бизнес-решения, почти никогда не помещается в промпт.

Это хорошо описано в академической литературе по управлению знаниями. Значительная часть ценных бизнес-решений строится на том, что Майкл Полани ещё в 1950-х назвал tacit knowledge — неявном знании, которое существует в головах людей, а не в документах. Систематический обзор в ScienceDirect, изучавший ограничения AI в бизнес-решениях, фиксирует именно это: «значительная часть экономически ценного знания является контекстно-специфичной и трудно поддаётся кодификации в форму, пригодную для обработки AI».

Рынок, конкуренты, финансовая модель, ценовая политика, регуляторика, история конкретных сделок — это не «дополнительный контекст», который модно давать в промпт. Это основа, без которой стратегический совет превращается в трендслоп.

Исследование HBR описывает общую проблему языковых моделей. Но у неё есть прямое следствие для речевой аналитики — именно там, где ожидания и реальность расходятся сильнее всего.

Речевая аналитика — это конкретный инструмент с конкретной зоной применения. Понять, где она работает и где нет, важнее, чем понять, умная ли модель внутри неё.

Разобрать конкретный звонок

Это то, в чём речевая аналитика действительно хороша. Транскрипт разговора — это структурированный текст. Модель видит его целиком. Она может найти момент, когда менеджер произнёс типовую фразу, не имеющую отношения к тому, что клиент только что сказал. Она зафиксирует, что возражение про срок прозвучало, но никакого вопроса или аргумента в ответ не последовало. Она увидит, что разговор закончился без предложения следующего шага.

Здесь у модели достаточно контекста — весь текст разговора. Она не угадывает намерения, не строит стратегию. Она читает и навешивает теги по правилам, которые задал человек: соблюдён ли чек-лист, отработано ли возражение, задан ли уточняющий вопрос.

Именно это делает imot.io: транскрибирует аудио в текст, анализирует текст, проставляет теги по заданным правилам, прогоняет через языковую модель и выдаёт выводы по каждому звонку. Это инструмент разбора, а не стратегического советника.

Традиционно контакт-центры вручную прослушивали 1–2% звонков — небольшую случайную выборку. Отраслевые данные говорят, что около 98% взаимодействий в контакт-центрах исторически оставались вне контроля качества. Речевая аналитика меняет это: вместо 2% случайных звонков — 100% с автоматической оценкой.

Увидеть закономерности по выборке

Это второй уровень, где аналитика приносит реальную ценность. Один звонок — это наблюдение. Тысяча звонков — это статистика.

На таком масштабе видно то, что невозможно заметить вручную. Динамика возражений квартал к кварталу: если доля звонков с возражением «дорого» выросла с 18% до 31% за три месяца — это сигнал, который требует внимания. Появление новой темы в обращениях: если в прошлом месяце клиенты начали упоминать проблему, которой не было раньше, система это видит раньше, чем она попадёт в отчёт руководителя. Кластеры тем в негативных отзывах: вместо ощущения «клиенты чем-то недовольны» — конкретный список поводов с частотностью.

Аномальное поведение отдельного менеджера на фоне команды: если один человек закрывает вдвое меньше сделок при схожей воронке — это не «плохой менеджер», это разница в конкретных действиях на конкретных этапах. Речевая аналитика позволяет посмотреть на его звонки и найти, что именно он делает иначе.

Это та работа, которую модель выполняет хорошо: агрегировать размеченные данные и находить статистические паттерны в большой выборке.

Показать, чего модель не умеет

Третья вещь — и, пожалуй, самая важная для правильного понимания инструмента.

Речевая аналитика честно показывает границы собственных возможностей. Она анализирует то, что есть в звонках: слова, структуру разговора, соблюдение скрипта, темы обращений. Она не анализирует то, чего в звонках нет.

А в звонках нет: вашего рынка, ваших конкурентов, вашей финансовой модели, ценовой политики, истории отношений с клиентом за пределами этого разговора, регуляторных ограничений, сезонности спроса, макроэкономических факторов.

Именно поэтому вопрос «что делать компании?» — это не вопрос для речевой аналитики. Это вопрос стратегии, который собирается из многих источников, один из которых — данные из звонков. Но только один из многих.

Когда аналитика показывает, что 34% клиентов называют цену как причину отказа, это не ответ на вопрос «что делать». Это один факт. Следующий вопрос — аналитический: это про ценовое позиционирование, про качество лидов в воронке, про то, что менеджеры не доносят ценность, или про то, что у конкурентов реально дешевле? Ответ требует контекста, которого в звонках нет.

Это не недостаток инструмента. Это его честная граница.

Gartner в июле 2024 года опубликовал прогноз: не менее 30% проектов с генеративным AI будут заброшены после стадии пилота к концу 2025 года из-за низкого качества данных, слабого контроля рисков, растущей стоимости и неясной бизнес-ценности. Позже аналитики пересмотрели оценку вверх — итоговая цифра оказалась ближе к 50%.

McKinsey в исследовании State of AI 2025 зафиксировал похожую картину: 88% организаций регулярно используют AI хотя бы в одной функции. Но только 39% видят какое-либо влияние на финансовый результат. При этом из тех, кто видит эффект, большинство говорит, что вклад AI в общую прибыль компании — менее 5%.

Это цифры по AI в целом. В речевой аналитике для контакт-центров картина похожа: по отраслевым данным, около 41% команд не могут определить ROI от своих AI-инструментов — то есть почти половина команд не знает, помогает ли вообще их инструмент или нет.

Почему это происходит? Распространённая история выглядит так. Компания покупает речевую аналитику. Первые два месяца — активное исследование: смотрят дашборды, запускают несколько отчётов, обнаруживают интересные паттерны. Руководитель показывает на совещании: «Вот, 28% звонков заканчиваются без следующего шага». Все кивают. Потом ничего не меняется.

Через три месяца в дашборд заходит только тот, кто делает регулярную отчётность. Через шесть — проект тихо закрывается или переходит в режим «нам это не нужно так часто».

Механизм у этого сценария всегда один: инструмент купили, но не сформировали то, как его результаты будут превращаться в конкретные действия. Кто принимает решения на основе данных? В каком процессе? С каким ритмом? Что именно происходит, когда аналитика показывает проблему?

Если ответов на эти вопросы нет — отчёт становится красивым документом, а не рычагом изменений.

Здесь важно говорить прямо, потому что это напрямую касается того, как продаётся речевая аналитика — в том числе нами.

Обещание «AI подскажет, как увеличить конверсию» продаётся хорошо. Оно понятно, оно апеллирует к реальному запросу бизнеса. Руководитель продаж хочет не инструмент – он хочет ответ на вопрос «что делать?». И если вендор обещает этот ответ, сделка заключается легче.

Проблема начинается на этапе результата.

Когда компания покупает инструмент с ожиданием готового решения, а получает данные, из которых это решение нужно ещё собрать самостоятельно – разочарование предсказуемо. Инструмент показал, что 34% звонков теряются на этапе обработки возражения. Но «что делать» – это уже отдельный вопрос, который требует отдельной работы: кто именно теряет, почему, что именно нужно изменить в процессе, как это измерить.

Это работа, которую должны делать люди с пониманием бизнеса. AI помогает её структурировать и ускорить – но не заменяет.

Мы пришли к тому, что честнее и надёжнее продавать «проект изменений», где речевая аналитика – инструмент, а не решение. Это сложнее продать. Зато работает.

Исследование Romasanta, Thomas и Levina об этом же, только через другой угол: они показали, что языковые модели системно дают «правильные» ответы вместо контекстно-специфических. Речевая аналитика – частный случай этой же проблемы, когда инструмент продаётся как источник стратегических решений, а не как один из инструментов их формирования.

McKinsey в том же исследовании зафиксировал небольшую группу компаний — около 6% из всех опрошенных – которые видят реальный финансовый эффект от AI. Что отличает их от остальных? Они не просто развернули AI-инструменты – они перестроили рабочие процессы до начала выбора технологии.

Это ключевое наблюдение. И оно точно описывает разницу, которую мы видим в проектах по речевой аналитике.

Первое отличие – есть конкретный вопрос, а не «посмотрим что покажет аналитика».

Успешный проект начинается с формулировки типа: «Наши менеджеры теряют сделки на этапе первичного звонка. Мы хотим понять — почему именно, и изменить это.» Слабый проект начинается с «давайте внедрим речевую аналитику, и она нам что-нибудь покажет».

Первая формулировка даёт критерий успеха. Вторая – нет. И именно по этой причине у первого проекта есть шанс стать рычагом изменений, а у второго – высокая вероятность превратиться в красивый отчёт.

Второе отличие – решения принимают люди, у которых есть контекст.

Речевая аналитика может показать паттерн: возражение «дорого» появляется в трёх ситуациях из пяти. Но перейти от этого факта к конкретному действию — «переформулировать ценностное предложение в скрипте на этапе квалификации» — может только человек, который знает продукт, знает рынок, понимает, почему именно эти три ситуации проблемные.

Этот контекст есть у руководителя продаж. Его нет у языковой модели — неважно, насколько хорошо написан промпт.

Третье отличие – есть ритм работы с данными.

Речевая аналитика – это не разовый аудит. Это инструмент для регулярного цикла: смотреть на паттерны, формулировать гипотезы, проверять в работе, корректировать. Если этот цикл не выстроен – данные накапливаются, но не используются.

Мы видели проекты, где всё было настроено правильно технически: хорошие теги, аккуратные отчёты, удобный дашборд. Но цикла работы с данными не было. Через три месяца дашборд открывали раз в квартал.

Четвёртое отличие – разумные ожидания от того, что AI умеет.

Речевая аналитика хорошо делает конкретное: разбирает звонки, находит паттерны в большой выборке, структурирует информацию о том, что происходит в разговорах. Она не делает стратегических выводов, потому что у неё нет стратегического контекста.

Команда, которая понимает эту границу, использует инструмент правильно. Команда, которая ждёт от него ответа на вопрос «что делать компании», – неизбежно разочаруется.

Исследователи из HBR сформулировали рекомендацию коротко: используйте AI для расширения списка вариантов, но не для выбора между ними.

Это хорошая рамка. И применительно к речевой аналитике она работает так: аналитика хороша в том, чтобы сделать видимым то, что иначе скрыто. Что менеджеры на самом деле говорят на встречах. Где клиенты застревают в воронке. Какие темы неожиданно участились в обращениях. Какие возражения менеджеры отрабатывают слабее всего.

Это ценная информация – при условии, что дальше с ней работает человек с контекстом. Решение, что именно менять и как, остаётся за людьми.

Авторы исследования называют это «гибридной ловушкой» – ситуацией, когда команда выбирает рекомендацию «делать и то, и другое» там, где реальность требует сложного выбора. В стратегии это называется «застрять посередине» – не дифференциация и не ценовое лидерство, а ни то ни другое.

В проектах по речевой аналитике похожая ловушка – когда внедрение делается «для галочки», формально присутствует и формально работает, но реальных изменений в процессах нет.

Хорошая новость для тех, кто строит работающие проекты: именно потому, что решения остаются за людьми, эта работа требует экспертизы и контекста. Её нельзя делегировать модели. Это значит, что люди с опытом и пониманием конкретного бизнеса по-прежнему нужны – и их роль не уменьшается по мере того, как AI-инструменты становятся доступнее.

Исследование HBR описало системное явление: языковые модели в стратегических дилеммах выбирают социально желаемые ответы, а не контекстно-специфические. 96% раз — дифференциация. 93% раз — усиление человека, а не автоматизация. Всегда — долгосрочное мышление, партнёрство, исследование нового. Независимо от ситуации конкретного бизнеса.

Применительно к речевой аналитике это означает несколько конкретных вещей.

Речевая аналитика хороша в разборе конкретного звонка: она видит текст разговора целиком и находит в нём то, что человек пропустил бы при выборочном прослушивании. Это работает.

Речевая аналитика хороша в поиске паттернов по большой выборке: на тысячах звонков видно то, что незаметно в десяти. Это работает.

Речевая аналитика не отвечает на вопрос «что делать компании» — потому что бизнес-решение собирается из контекста, которого в звонках нет. Это граница, которую честнее обозначать заранее.

Типичная история неудачного внедрения: инструмент купили с ожиданием готового стратегического ответа, получили красивые отчёты, не выстроили процесс работы с данными — и через три месяца дашборд перестали открывать. По данным Gartner, до 50% проектов с генеративным AI заканчиваются именно так.

Работающий проект отличается не качеством инструмента, а тем, как он встроен в процесс: есть конкретный вопрос, есть люди с контекстом, которые принимают решения, есть ритм работы с данными.

Решения остаются за людьми. Это, кажется, хорошая новость — и для тех, кто делает аналитику, и для тех, кто с ней работает.

Если хотите обсудить, как выстроить именно такой процесс — напишите нам. Мы покажем, как это работает в конкретной задаче.