Разработка AI SDR — цифрового менеджера по продажам
AI SDR (Sales Development Representative) — автономный агент, выполняющий функции менеджера по первичным продажам: поиск и обогащение лидов, персонализированный outreach через email и LinkedIn, квалификация по BANT/MEDDIC, обработка возражений и передача готового лида в CRM с полным контекстом. В отличие от скриптового email-отправителя, AI SDR ведёт многоходовой диалог и адаптирует стратегию на основе ответов.
Архитектура AI SDR
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 методологии.
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] # Последний раунд финансирования
tech_stack: Optional[list[str]] # Технологии на сайте
recent_news: Optional[list[str]] # Упоминания в новостях
job_openings: Optional[list[str]] # Открытые вакансии (сигнал роста)
pain_indicators: Optional[list[str]] # Сигналы боли
async def enrich_lead(lead: LeadProfile) -> LeadProfile:
"""Обогащение данных лида через несколько источников"""
# Параллельный сбор данных
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,
)
# Обновляем профиль
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]]
# Определяем pain indicators
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", # Первый контакт: релевантное ценностное предложение
2: "pain_point_follow", # Follow-up: конкретная боль на основе данных
3: "social_proof", # Кейс из их отрасли
4: "direct_ask", # Прямой вопрос о встрече
5: "breakup", # Финальное письмо
}
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 # BANT прогресс
lead_score: int
next_action: str # "schedule_demo", "nurture", "disqualify", "continue"
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 для нашего продукта."""
def should_continue_qualification(state: QualificationState) -> str:
score = state["lead_score"]
qual = state["qualification"]
# Дисквалификация
if score < 20 and len(state["messages"]) > 4:
return "disqualify"
# Готов к передаче AE
if score >= 70 and qual.get("budget") and qual.get("authority"):
return "schedule_demo"
# Продолжаем диалог
if len(state["messages"]) >= 14: # Лимит переписки
return "nurture" if score >= 40 else "disqualify"
return "continue"
CRM-интеграция
class CRMIntegration:
async def create_qualified_lead(self, state: QualificationState):
"""Создаёт сделку в CRM с полным контекстом"""
# Форматируем историю диалога
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:
"""Краткий briefing для AE"""
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)}"""
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%)
- Reply rate: 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-деals с ЛПР C-level — только прогрев и квалификация.
Сроки
- Lead enrichment pipeline: 2–3 недели
- Outreach generator с A/B тестированием: 2–3 недели
- Квалификационный агент: 2–3 недели
- CRM интеграция + передача: 1–2 недели
- Калибровка и запуск: 2 недели
- Итого: 9–13 недель