Разработка AI SDR — цифрового менеджера по продажам

Типичная B2B-компания теряет до 60% лидов на этапе первого контакта: медленный response time, шаблонные письма, слабая квалификация. При ручном outreach конверсия из лидов в SQL редко превышает 2–3%. AI SDR (Sales Development Representative) решает эти проблемы полностью автономно. Обрабатывает тысячи контактов в день с персонализацией под каждого, снижая cost-per-lead на 40% и обеспечивая существенную экономию бюджета. Pipeline растёт на 72% за квартал — окупаемость решения составляет менее 4 месяцев.

Почему AI SDR эффективнее человека?

AI SDR обрабатывает в 5 раз больше лидов за те же деньги. Процент ответов на уровне человека — 3–4%, но объём охвата кратно выше. Наши клиенты получают +72% pipeline за квартал. Опыт внедрений в B2B SaaS — гарантируем результат. Вот сравнение в таблице:

Средний pipeline увеличивается на 72% — окупаемость менее 4 месяцев BANT.

Архитектура и ключевые компоненты AI SDR

Как работает Lead Enrichment?

Lead Discovery: обогащение через Apollo, Hunter.io, LinkedIn Sales Navigator API, Clearbit. Personalization Engine: генерация уникальных сообщений на основе данных компании (funding, hiring, news, tech stack). Outreach Orchestrator: управление последовательностями (sequences) и таймингом. Qualification Engine: многоходовой диалог с квалификацией по BANT. CRM Integration: AmoCRM / Bitrix24 / Salesforce — автоматическое создание сделок.

Lead Enrichment и Personalization

import asyncio
from openai import AsyncOpenAI
from pydantic import BaseModel
from typing import Optional

client = AsyncOpenAI()

class LeadProfile(BaseModel):
    company: str
    domain: str
    contact_name: str
    title: str
    email: str
    linkedin_url: Optional[str]

    # Обогащённые данные
    company_size: Optional[int]
    industry: Optional[str]
    recent_funding: Optional[str]
    tech_stack: Optional[list[str]]
    recent_news: Optional[list[str]]
    job_openings: Optional[list[str]]
    pain_indicators: Optional[list[str]]

async def enrich_lead(lead: LeadProfile) -> LeadProfile:
    """Обогащение данных лида через несколько источников"""

    clearbit_task = clearbit_api.enrich(domain=lead.domain)
    apollo_task = apollo_api.get_company(domain=lead.domain)
    news_task = newsapi.search(query=lead.company, days=30)
    linkedin_task = proxycurl.get_company(linkedin_url=f"linkedin.com/company/{lead.company.lower().replace(' ', '-')}")

    results = await asyncio.gather(
        clearbit_task, apollo_task, news_task, linkedin_task,
        return_exceptions=True,
    )

    if not isinstance(results[0], Exception):
        lead.company_size = results[0].get("employees")
        lead.tech_stack = results[0].get("tech", [])

    if not isinstance(results[2], Exception):
        lead.recent_news = [n["title"] for n in results[2][:3]]

    lead.pain_indicators = await detect_pain_indicators(lead)

    return lead

async def detect_pain_indicators(lead: LeadProfile) -> list[str]:
    """LLM анализирует сигналы боли из данных компании"""
    response = await client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "user",
            "content": f"""На основе данных о компании определи возможные болевые точки,
релевантные для продажи {OUR_PRODUCT}.

Компания: {lead.company}
Отрасль: {lead.industry}
Размер: {lead.company_size} сотрудников
Вакансии: {lead.job_openings}
Новости: {lead.recent_news}

Верни JSON-список из 2-3 конкретных pain indicators."""
        }],
    )
    return json.loads(response.choices[0].message.content)

Генератор персонализированных сообщений

class PersonalizedOutreachGenerator:

    SEQUENCE_FRAMES = {
        1: "cold_intro",
        2: "pain_point_follow",
        3: "social_proof",
        4: "direct_ask",
        5: "breakup",
    }

    async def generate_email(
        self,
        lead: LeadProfile,
        step: int,
        previous_responses: list[str] = None,
    ) -> str:

        frame = self.SEQUENCE_FRAMES.get(step, "generic")
        context = self._build_context(lead, previous_responses)

        response = await client.chat.completions.create(
            model="gpt-4o",
            messages=[{
                "role": "system",
                "content": f"""Ты — опытный B2B SDR. Пиши письма, которые получают ответы.
Правила:
- 80-120 слов, не более
- Первое предложение — не о компании, а о лиде/его боли
- Один конкретный CTA в конце
- Без клише: "надеюсь это письмо застанет вас в добром здравии"
- Персонализация должна быть заметна (не "видел ваш профиль на LinkedIn")
Фрейм письма: {frame}"""
            }, {
                "role": "user",
                "content": f"""Напиши письмо для:
Имя: {lead.contact_name}, {lead.title} в {lead.company}
Боли: {lead.pain_indicators}
Последние новости: {lead.recent_news}
Tech stack: {lead.tech_stack}
Контекст предыдущих писем: {context}"""
            }],
            temperature=0.7,
        )

        return response.choices[0].message.content

    def _build_context(self, lead: LeadProfile, previous_responses: list[str]) -> str:
        if not previous_responses:
            return "Первый контакт"
        return f"Предыдущих писем: {len(previous_responses)}, последний ответ: {previous_responses[-1][:200] if previous_responses else 'нет ответов'}"

Квалификационный диалог

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator

class QualificationState(TypedDict):
    lead_id: str
    messages: Annotated[list, operator.add]
    lead_profile: dict
    qualification: dict
    lead_score: int
    next_action: str

QUALIFICATION_SYSTEM = """Ты — B2B SDR, квалифицируешь лида по BANT.
Веди естественный диалог, не допрос. 4-7 сообщений до решения.

Текущая квалификация:
{qualification_status}

Критерии передачи AE: score >= 70, budget confirmed, authority confirmed.
Критерии дисквалификации: нет бюджета + нет timeline, компания < 50 сотрудников."""

def should_continue_qualification(state: QualificationState) -> str:
    score = state["lead_score"]
    qual = state["qualification"]

    if score < 20 and len(state["messages"]) > 4:
        return "disqualify"

    if score >= 70 and qual.get("budget") and qual.get("authority"):
        return "schedule_demo"

    if len(state["messages"]) >= 14:
        return "nurture" if score >= 40 else "disqualify"

    return "continue"

Как AI SDR интегрируется с CRM?

class CRMIntegration:

    async def create_qualified_lead(self, state: QualificationState):
        conversation_summary = await self.summarize_conversation(state["messages"])

        deal_data = {
            "name": f"{state['lead_profile']['company']} — {state['lead_profile']['contact_name']}",
            "status": "qualified",
            "pipeline_stage": "SQL",
            "lead_score": state["lead_score"],
            "budget_range": state["qualification"].get("budget"),
            "timeline": state["qualification"].get("timeline"),
            "pain_points": state["lead_profile"].get("pain_indicators", []),
            "conversation_summary": conversation_summary,
            "ai_sdr_notes": self.format_handoff_notes(state),
        }

        deal = await amocrm.create_deal(**deal_data)
        await amocrm.attach_conversation(deal.id, state["messages"])

        return deal

    def format_handoff_notes(self, state: QualificationState) -> str:
        qual = state["qualification"]
        return f"""SDR Handoff Notes:
Score: {state['lead_score']}/100
Budget: {qual.get('budget', 'уточнить')}
Authority: {'confirmed' if qual.get('authority') else 'нет'}
Need: {qual.get('need', '')}
Timeline: {qual.get('timeline', 'уточнить')}
Key pain: {', '.join(state['lead_profile'].get('pain_indicators', [])[:2])}
Recommended AE approach: {self.recommend_approach(state)}"""

Как разрабатывается AI SDR?

1. Аудит и проектирование — анализ целевого рынка, ICP, выбор источников лидов.
2. Разработка Lead Enrichment — интеграция с Apollo, Clearbit, Hunter.io.
3. Создание outreach-агента — настройка sequences, A/B тестирование.
4. Квалификационный диалог — промпт-инжиниринг для BANT.
5. Интеграция с CRM — AmoCRM/Bitrix24/Salesforce, автоматическая передача сделок.
6. Калибровка и запуск — мониторинг, улучшение prompt, исключение спам-ловушек.

Практический кейс: B2B SaaS, рынок 5000 компаний

Компания: HR-tech SaaS, ACV $24 000, целевой рынок — компании 100–1000 сотрудников.

До AI SDR: 2 SDR, 400 ручных outreach/месяц, pipeline generation занимал 60% времени.

AI SDR конфигурация:

• Lead source: Apollo.io (ICP-фильтры) + автоматическое обогащение Clearbit
• Outreach: email (5-шаговые sequences) + LinkedIn InMail
• Квалификация: BANT, 6–8 ходов диалога
• Передача: AmoCRM, автоматическое создание сделки при score >= 65

Результаты за первые 3 месяца:

• Outreach в месяц: 400 → 2 800 (+600%)
• Процент ответов: 4.2% (человек) → 3.1% (AI) — ниже, но объём компенсирует
• Квалифицированных SQL/месяц: 18 (SDR) → 31 (AI SDR + SDR)
• SDR перефокусировались: диалоги с уже заинтересованными, warm intro
• Pipeline: +72% за квартал

Проблемы: первые 3 недели — слишком роботские письма, 2 итерации промпт-инжиниринга. Часть ответов «снимите меня с рассылки» — важно мониторить и исключать домены.

Ограничения: AI SDR не ведёт финальные переговоры об условиях и enterprise-сделках с ЛПР C-level — только прогрев и квалификация.

Как гарантировать качество коммуникаций?

Мы используем A/B тестирование для каждого шага sequence, анализируем метрики open rate, reply rate, unsubscribes. После первых двух недель работы проводим калибровку промптов на основе 100+ диалогов. Все контакты автоматически исключаются из рассылки при запросе — это требование GDPR и CCPA.

Состав работ и сроки

Что входит в разработку AI SDR

• Lead enrichment pipeline с интеграцией Apollo, Clearbit, Hunter.io
• Outreach генератор с A/B тестированием (email + LinkedIn)
• Квалификационный агент с поддержкой BANT, MEDDIC, CHAMP
• Интеграция с AmoCRM, Bitrix24 или Salesforce с автоматической передачей сделок
• Административная панель для мониторинга диалогов и метрик
• Обучающая сессия для команды продаж (2 часа)
• Гарантийная поддержка в течение 30 дней после запуска

Получите демонстрацию AI SDR для вашего бизнеса. Закажите консультацию по внедрению AI SDR. Мы оценим ваш объём лидов, целевой рынок и подготовим коммерческое предложение. Свяжитесь с нами для демонстрации.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.