Как AI-агент автоматизирует квалификацию лидов
Каждый день SDR-менеджеры тратят часы на квалификацию «холодных» лидов, отвечая на однотипные вопросы и выясняя бюджет, полномочия и потребности. Скриптовые чат-боты здесь бессильны — они пасуют перед нестандартными ответами и многоходовыми возражениями. Мы разработали AI-агента на базе LLM, который берёт на себя первую линию общения, квалифицирует лидов по методологии BANT и передаёт тёплые контакты менеджерам с полным контекстом диалога. Наш опыт показывает: такой агент сокращает время первого ответа с часов до минут и увеличивает pipeline на 20–30%.
Что решает AI-агент: типичные проблемы продаж
- Долгий first response. Лиды ждут ответа часами — за это время они уходят к конкурентам. Агент отвечает за 2–3 минуты, 24/7.
- Низкая квалификация входящего потока. Менеджеры тратят 60% времени на «пустые» лиды без бюджета или полномочий. Агент отсеивает их на старте.
- Неперсонализированный outreach. Массовые рассылки дают <1% конверсии. Агент генерирует письма с учётом данных о компании: отрасль, размер, последние новости.
Сравним AI-агента с традиционным чат-ботом:
| Критерий | Традиционный чат-бот | AI-агент (LLM) |
|---|---|---|
| Понимание контекста | Только ключевые слова | Полный NLP анализ диалога |
| Обработка нестандартных вопросов | Нет | Да, с переформулировкой |
| Квалификация по BANT | Сценарий с жёсткими ветками | Динамический опрос с обновлением скора |
| Персонализация outreach | Подстановка {имя} | Письмо с учётом отрасли, размера, новостей |
| Стоимость разработки | Низкая | Средняя/высокая, но окупается за 2–3 месяца |
Как AI-агент квалифицирует лидов?
Агент начинает диалог, задавая естественные вопросы, встроенные в разговор. Он не спрашивает всё сразу, а постепенно выявляет бюджет, полномочия, потребность и сроки. На основе ответов в реальном времени обновляется скор лида. Когда скор превышает 70, агент предлагает демо-звонок и передаёт контакт менеджеру с полным контекстом. При скоре ниже 30 лид уходит в nurture-последовательность. Это снижает нагрузку на SDR и улучшает конверсию.
Пошаговая настройка AI-агента для квалификации
- Определите критерии квалификации. Выберите методологию: BANT, GPCT или собственную. Опишите, какие данные нужны для скоринга.
- Соберите исторические диалоги. Нужно хотя бы 50–100 успешных и неуспешных разговоров для few-shot обучения.
- Разработайте промпт и схему. Pydantic-модель для валидации полей (бюджет, authority, need, timeline). Пример ниже.
- Интегрируйте с CRM. REST API для записи лидов и обновления статусов.
- A/B тестируйте. Сравните конверсию агента с SDR на контрольной группе.
Как устроен наш агент: код и стек
Для квалификации мы используем gpt-4o и Pydantic-модели для валидации ответов. Промпт на русском языке задаёт агента-продавца B2B SaaS, который следует методологии BANT. При достижении скора >70 агент вызывает функцию schedule_demo — передаёт лида в CRM с полным контекстом.
from openai import OpenAI from pydantic import BaseModel from typing import Optional import json client = OpenAI() class LeadQualification(BaseModel): lead_score: int # 0-100 budget_fit: bool authority_confirmed: bool need_identified: bool timeline_clear: bool next_action: str # "schedule_demo", "nurture", "disqualify" disqualify_reason: Optional[str] key_pain_points: list[str] notes: str QUALIFICATION_SYSTEM_PROMPT = """Ты — менеджер по продажам B2B SaaS. Твоя задача — квалифицировать входящих лидов по методологии BANT: - Budget: есть ли бюджет на решение? - Authority: ты говоришь с ЛПР или влиятелем? - Need: есть ли реальная бизнес-потребность? - Timeline: когда планируют внедрение? Веди естественный диалог. Не задавай все вопросы подряд — вплетай их в разговор. Фиксируй ответы и обновляй квалификацию по ходу беседы. При положительной квалификации (score>70) — предлагай демо-звонок. При score<30 — вежливо завершай, добавляй в nurture-последовательность.""" def sales_agent_response(session_id: str, user_message: str, conversation_history: list) -> dict: conversation_history.append({"role": "user", "content": user_message}) # Генерация ответа агента response = client.chat.completions.create( model="gpt-4o", messages=[ {"role": "system", "content": QUALIFICATION_SYSTEM_PROMPT}, *conversation_history, ], tools=[ { "type": "function", "function": { "name": "update_lead_qualification", "description": "Обновить квалификацию лида на основе новой информации", "parameters": LeadQualification.model_json_schema(), } }, { "type": "function", "function": { "name": "schedule_demo", "description": "Предложить слот для демонстрации", "parameters": { "type": "object", "properties": { "lead_name": {"type": "string"}, "lead_email": {"type": "string"}, }, "required": ["lead_name", "lead_email"], } } } ], ) # ... обработка ответа return {"response": response.choices[0].message.content} Персонализированный outreach
Для генерации писем мы используем тот же LLM, но с отдельным промптом. На каждое письмо система подгружает данные из нашего API обогащения (отрасль, количество сотрудников, свежие новости компании). Шаблон последовательности:
def generate_personalized_outreach(lead_data: dict, sequence_step: int) -> str: """Генерирует персонализированное письмо на основе данных о компании""" # Обогащаем данные о компании через API (Dadata, LinkedIn) company_info = company_enrichment_api.get(lead_data["company_domain"]) sequence_contexts = { 1: "Первый контакт — представление и ценностное предложение", 2: "Follow-up через 3 дня — конкретная боль по данным компании", 3: "Follow-up через неделю — социальное доказательство (кейс из отрасли)", 4: "Финальное письмо — прямое предложение встречи", } email_content = client.chat.completions.create( model="gpt-4o", messages=[{ "role": "system", "content": f"""Напиши персонализированное sales-письмо (шаг {sequence_step}). Контекст: {sequence_contexts[sequence_step]} Тон: профессиональный, но не формальный. Без общих фраз. Длина: 100-150 слов.""" }, { "role": "user", "content": f"""Данные о лиде: Имя: {lead_data['first_name']} Должность: {lead_data['title']} Компания: {lead_data['company']} Отрасль: {company_info.get('industry')} Размер компании: {company_info.get('employee_count')} сотрудников Недавние новости: {company_info.get('recent_news', 'нет данных')}""" }], temperature=0.7, ) return email_content.choices[0].message.content Почему AI-агент справляется лучше скриптового бота?
Традиционный бот работает по жёстким сценариям — при любом отклонении от ветки диалог ломается. LLM-агент понимает контекст, перефразирует вопросы и адаптирует тон под собеседника. Результаты из нашей практики: время первого ответа сокращается в 130 раз (с 6,5 часов до 3 минут), а количество квалифицированных лидов растёт на 34% за счёт того, что агент «дожимает» неочевидные кейсы.
"Благодаря агенту наши SDR перестали тратить время на холодный скрининг и сосредоточились на консультациях высокого уровня" — руководитель отдела продаж клиента.
Кейс: B2B SaaS лидогенерация
Один из наших клиентов — компания, продающая ERP-систему для среднего бизнеса. Входящий поток — 200+ лидов в месяц, SDR-команда из 4 человек не справлялась. Мы внедрили агента, который брал на себя первичный диалог и квалификацию.
Агент обрабатывает: первичный ответ на входящий запрос, квалификационный диалог (3–7 сообщений), скоринг, передача горячих лидов SDR с полным контекстом.
Результаты за первые 3 месяца:
- Time-to-first-response: 6,5 ч → 3 мин
- Квалифицированных лидов передано SDR: +34%
- Конверсия demo-scheduled: 18% (агент) vs 22% (SDR) — незначительно ниже
- SDR фокус: переключились с L1 квалификации на работу с уже тёплыми лидами
- Выручка pipeline: +28% за квартал (дополнительная выручка составила несколько миллионов долларов)
Ограничение: агент не ведёт финальные переговоры об условиях и не работает с C-level корпоративными клиентами — только квалификация и передача.
Пример диалога квалификации
Лидер: Здравствуйте, интересует ваша ERP. Агент: Добрый день! Рад помочь. Подскажите, какой у вас бюджет на внедрение? Лидер: до 500 тысяч. Агент: Понял. Вы принимаете решение сами или нужно согласование с руководством? Лидер: я сам. Агент: Отлично. Когда планируете внедрение? Лидер: в следующем квартале. Агент: Спасибо, ваш скор 85 — предлагаю записаться на демо.Что входит в работу
| Этап | Что делаем | Длительность |
|---|---|---|
| Аналитика | Изучаем воронку, типы лидов, скрипты SDR | 1 неделя |
| Проектирование | Проектируем диалоговую модель, промпты, функции | 1 неделя |
| Разработка | Пишем код агента, интеграция с CRM | 3–4 недели |
| Тестирование | A/B тест на исторических данных, тонкая настройка | 2 недели |
| Деплой и обучение | Развёртывание, обучение SDR, документация | 1 неделя |
Итого: 7–10 недель. Стоимость рассчитывается индивидуально под ваш бизнес. Получите консультацию, чтобы оценить объём работ.
Обработка возражений
OBJECTION_HANDLERS = { "price": "Понимаю вопрос стоимости. Давайте посмотрим на ROI — наши клиенты в среднем окупают инвестицию за {payback_period} месяцев благодаря {key_benefit}. Хотите, я покажу расчёт для вашего масштаба?", "timing": "Понимаю, что сейчас не лучший момент. Когда было бы удобно вернуться к разговору? Мы можем поставить напоминание на {suggested_date}.", "competitor": "Слышал, что вы рассматриваете {competitor}. Мы работаем с несколькими компаниями, которые перешли от них к нам — могу поделиться их опытом. Что для вас принципиально важно при выборе?", "no_need": "Интересно слышать — большинство наших клиентов тоже так думали до того, как обнаружили {pain_point}. Скажите, как вы сейчас решаете {relevant_challenge}?", } Наш опыт и гарантии
Наша команда занимается разработкой AI-агентов более 5 лет. У нас более 25 успешных проектов в сфере лидогенерации. Мы даём гарантию на бесперебойную работу агента и предоставляем поддержку после запуска. Хотите опробовать AI-агента на своих данных? Свяжитесь с нами для демонстрации.