Как Asana создала ИИ-движок для GTM с помощью Workato

Главная

Блог

Истории клиентов

Enterprise MCP

Перри Бронсон

30 сентября 2026 г.

Asana — это агентная платформа для управления работой, использующая как продуктовый, так и сбытовой подходы к росту. В 2024 году небольшая группа внутри Asana решила выяснить, где ИИ может помочь отделу продаж, опросив представителей и выявив более 100 потенциальных вариантов использования. В качестве отправной точки были выбраны четыре: конкурентная разведка, планирование перед звонком, планирование после звонка и сводки по аккаунтам — все они построены на данных Salesforce, а Workato обеспечивает передачу информации между системами.

То, что начиналось как побочный проект, переросло в нечто большее. Машал Малек, менеджер по продукту Enterprise AI в Asana, возглавила работу по превращению этих ранних экспериментов в единый ИИ-движок, который теперь обеспечивает исследование аккаунтов, поиск потенциальных клиентов и взаимодействие с ними для всей организации по продажам и работе с клиентами компании.

«Наш ИИ-движок меняет то, как Asana продает».

В первом квартале после запуска движок обеспечил рост объема заказов на 10%, сократил время на исследование аккаунтов с 10 часов в неделю до 1 часа и повысил частоту ответов на электронные письма в 2,3 раза по сравнению с предыдущими методами взаимодействия.

До появления движка отдел продаж тратил десять часов в неделю на исследования перед первым контактом

До появления движка торговые представители Asana тратили около 10 часов в неделю только на исследование и приоритизацию аккаунтов, работая в восьми или более разрозненных инструментах: 6sense, ZoomInfo, LinkedIn, Chorus и других, которые никак не взаимодействовали друг с другом.

«Больше всего нас поразило то, что наши представители тратили около 10 часов в неделю на поиск потенциальных клиентов, планирование аккаунтов и исследования в восьми с лишним различных инструментах, просто чтобы понять приоритетность своих аккаунтов», — сказала Малек. Некоторые представители вели до 3000 аккаунтов, причем многие из них вообще не имели поддержки со стороны отдела развития бизнеса.

Согласно слайдам, представленным во время выступления, проблемы проявлялись в трех областях:

Приоритизация аккаунтов: ручная оценка, устаревшие данные, реактивный подход вместо проактивного

Поиск потенциальных клиентов: переключение между инструментами для проверки контактов и ручное создание организационных диаграмм

Обмен сообщениями: персонализированное взаимодействие было медленным, и представители часто обращались к несанкционированным инструментам, таким как ChatGPT, для составления черновиков писем, потому что готовые последовательности от отдела продуктового маркетинга «недостаточно ориентированы на продажи».

Asana оценила ИИ-функции, которые добавлялись к уже существующим на рынке инструментам продаж. «Были некоторые известные инструменты, которые мы использовали, и они заявляли: «Эй, мы можем решить все ваши проблемы с помощью ИИ», но мы просто думали: «О боже, стоимость их использования довольно высока», — сказала Малек. — «Ни один из них на самом деле не решает наши проблемы… именно тогда мы пришли к выводу, что нам следует просто использовать то, что у нас уже есть, и объединить все это вместе».

ИИ-мозг на 90% работает на оркестрации

Система объединяет четыре этапа. 6sense, данные об использовании продукта, ZoomInfo, Salesforce, веб-исследования и Chorus питают ночной конвейер Databricks, который оценивает каждый аккаунт на предмет новых сделок, расширения и потенциала рынка. Эта оценка поступает в ИИ-движок — OpenAI, работающий внутри Workato, — который генерирует точку зрения на аккаунт (POV), точку зрения на потенциального клиента, черновики электронных писем и InMail, а также рекомендации по следующим лучшим действиям, локализованные для 19 рынков, примерно за 1,5 минуты на аккаунт. Затем Workato записывает результат обратно в Salesforce в виде единого поля с форматированным текстом в записях об аккаунтах и контактах, поэтому представители видят очередь приоритетов, оцененную точку зрения на аккаунт и представление о потенциальном клиенте, не покидая свою CRM.

«90% нашего ИИ-движка для GTM работает на оркестрации», — сказала Малек. — «Многие люди путают ИИ с оркестрацией… если у вас нет источников данных, ИИ не даст вам хороших ответов».

То, что начиналось как побочный проект, превратилось в эффективную машину по генерации дохода

Команда из шести человек, каждый из которых уделял по 15 часов в неделю помимо своей основной работы, за четыре месяца создала то, что Малек называет ИИ-«мозгом» Asana. Подход был следующим: использовать Workato для соединения инструментов, которыми Asana уже владела, вместо покупки новых.

Разработка следовала пятиэтапному процессу: более 40 интервью с заинтересованными сторонами и наблюдение за работой представителей, обзор существующего стека инструментов, оценка новых инструментов на фоне этого ландшафта, внедрение и итерация, а также поэтапный запуск.

Каждая точка зрения на аккаунт включает атрибуцию источника для каждой точки данных, снимок нашей методологии продаж, примененной к аккаунту (MEDDPICC), карточки конкурентной борьбы, когда во время звонка упоминается конкурент, такой как Jira или SmartSheet, и кнопку обратной связи, которая направляет запрос напрямую в тикет Asana для команды разработчиков. Представители также могут создать презентацию для первого звонка, предварительно заполненную названием целевого аккаунта и соответствующими вариантами использования, непосредственно из того же интерфейса.

Команда внедряла приоритизацию аккаунтов, затем поиск потенциальных клиентов, затем взаимодействие, с интервалом в один месяц, начав с пилотной группы из 20 человек в сегменте корпоративных продаж, прежде чем расширить проект до полноценного запуска для более чем 260 представителей через четыре месяца после начала работы.

Поскольку все работало на инструментах, которыми Asana уже владела, каждый сгенерированный результат — точка зрения на аккаунт, точка зрения на потенциального клиента, черновик письма — стоил около 10 центов. «Если бы я пошла к своему ИТ-директору в то время и попросила новый блестящий инструмент, ответом, скорее всего, было бы «нет», — сказала Малек. — «При стоимости в 10 центов за запись никто не задавал нам лишних вопросов».

Создание агентных возможностей с помощью Workato Enterprise MCP

После того как основной движок был запущен, команда добавила вторую возможность: собственный сервер Model Context Protocol (MCP), созданный с помощью Workato, плюс плагин на базе Claude с десятью навыками, которые представители могут использовать, чтобы задавать вопросы об аккаунтах и потенциальных клиентах непосредственно в Claude.

Asana создала свой собственный MCP вместо использования готового Salesforce MCP из-за ограничений доступа. «Проблема использования нативного MCP заключается в том, что он не обязательно соответствует вашим стандартам безопасности», — сказала Малек. Собственный MCP Asana был ограничен доступом только для чтения к тем же ограниченным полям, которые уже использовал движок, без возможности обратной записи.

Плагин Claude подключается к этому MCP и к проекту Claude, предварительно загруженному презентациями, часто задаваемыми вопросами о продукте, ценами и шаблонами предложений, поэтому представители получают обоснованные ответы, а не догадки. Представители могут запрашивать исследование аккаунта, запрашивать карточку конкурентной борьбы или просить Claude составить (но не отправлять) электронное письмо для взаимодействия, и все это регистрируется обратно в Asana в виде тикетов обратной связи, когда что-то требует улучшения.

Бизнес-результаты: на 10% больше заказов, каждый представитель экономит более 9 часов в неделю, частота ответов выше в 2,3 раза

Результаты первого квартала после запуска:

• Рост объема заказов (закрытая годовая регулярная выручка) на 10% в первом квартале после запуска
• От 10 часов до 1 часа: время на исследование аккаунта на одного представителя в неделю
• В 2,3 раза выше частота ответов по сравнению с предыдущими методами взаимодействия
• 86% внедрения в первом квартале, что впоследствии выросло до 100% после корректировок для команд с различными структурами аккаунтов (например, корпоративные представители, управляющие меньшим количеством более крупных родительских аккаунтов)

Помимо цифр, Малек отметила изменение в том, как команду воспринимают внутри компании. «До того, как мы это создали, мы были скорее обслуживающей командой… они знали, чего хотят, и приходили к нам с готовыми запросами, — сказала она. — Теперь мы стали идейными лидерами для нашей компании. Мы сами находим различные области, где можем создавать для них решения с помощью ИИ».

Что дальше — сценарии продаж и дальнейшее расширение возможностей

С момента первоначального запуска команда добавила рабочий процесс передачи данных для отдела по работе с клиентами (CS Handshake), подключила движок к инструменту электронного обучения для поддержки сделок и создала движок сценариев продаж, который позволяет отделу продаж направлять целевые сообщения и списки аккаунтов непосредственно на домашние страницы торговых представителей, например, предлагая скоординированный план взаимодействия перед конференцией.

Ключевые выводы по созданию ИИ-движка — начните с малого, стройте с расчетом на масштабирование

Малек завершила выступление четырьмя уроками для команд, планирующих аналогичную разработку:

• Начните с малого и запустите пилотный проект. Проект начинался как побочная инициатива с командой из шести человек, работающих по 15 часов в неделю каждый, а не как специализированная команда разработчиков.
• Работайте с тем, что у вас есть. Asana использовала инструменты, которыми уже владела, вместо покупки новых специализированных ИИ-решений, что позволило свести предельные издержки почти к нулю.
• Будьте открыты к обратной связи и вносите изменения. В процессе внедрения рецепты менялись по несколько раз в день на основе прямых отзывов торговых представителей.
• С самого начала проектируйте систему с расчетом на масштабирование. Более раннюю, узкую версию решения приходилось неоднократно переделывать, так как новые команды запрашивали его; создание общей архитектуры «мозга» с самого начала позволило избежать этого цикла.

Посмотрите Workato в действии

Команда Asana добилась роста заказов на 10%, сокращения времени на исследование аккаунтов на 90% и улучшения коэффициента ответов в 2,3 раза, используя инструменты, которыми они уже владели, и оркестрируя их через Workato.

Узнайте, как вы можете создать свой собственный ИИ-движок. Запланируйте демо →

Больше историй клиентов, Enterprise MCP

Узнайте о последних обновлениях и функциях продукта

Выполнение сложной работы между системами

30 сент. 2026 г.

Как Amplitude сэкономила тысячи часов с помощью ИИ-агентов

29 сент. 2026 г.

Как Tribal Habits внедрила Workato для объединения фрагментированного рынка HR-технологий Австралии

25 сент. 2026 г.

Оглавление