AI-агент для B2B-продажів: кваліфікація та персоналізація лідів

Як AI-агент автоматизує кваліфікацію лідів

Щодня SDR-менеджери витрачають години на кваліфікацію «холодних» лідів, відповідаючи на однотипні запитання та з’ясовуючи бюджет, повноваження та потреби. Скриптові чат-боти тут безсилі — вони пасують перед нестандартними відповідями та багатоходовими запереченнями. Ми розробили AI-агента на базі LLM, який бере на себе першу лінію спілкування, кваліфікує лідів за методологією BANT і передає теплі контакти менеджерам із повним контекстом діалогу. Наш досвід показує: такий агент скорочує час першої відповіді з годин до хвилин і збільшує pipeline на 20–30%.

Що вирішує AI-агент: типові проблеми продажів

• Довгий first response. Ліди чекають відповіді годинами — за цей час вони йдуть до конкурентів. Агент відповідає за 2–3 хвилини, 24/7.
• Низька кваліфікація вхідного потоку. Менеджери витрачають 60% часу на «порожні» ліди без бюджету або повноважень. Агент відсіює їх на старті.
• Неперсоналізований outreach. Масові розсилки дають <1% конверсії. Агент генерує листи з урахуванням даних про компанію: галузь, розмір, останні новини.

Порівняємо AI-агента з традиційним чат-ботом:

Як AI-агент кваліфікує лідів?

Агент починає діалог, ставлячи природні запитання, вбудовані в розмову. Він не запитує все одразу, а поступово виявляє бюджет, повноваження, потребу та терміни. На основі відповідей у реальному часі оновлюється скор ліда. Коли скор перевищує 70, агент пропонує демо-дзвінок і передає контакт менеджеру з повним контекстом. При скорі нижче 30 лід іде в nurture-послідовність. Це знижує навантаження на SDR і покращує конверсію.

Покрокове налаштування AI-агента для кваліфікації

1. Визначте критерії кваліфікації. Оберіть методологію: BANT, GPCT або власну. Опишіть, які дані потрібні для скорингу.
2. Зберіть історичні діалоги. Потрібно хоча б 50–100 успішних і неуспішних розмов для few-shot навчання.
3. Розробіть промпт і схему. Pydantic-модель для валідації полів (бюджет, authority, need, timeline). Приклад нижче.
4. Інтегруйте з CRM. REST API для запису лідів та оновлення статусів.
5. A/B тестуйте. Порівняйте конверсію агента з SDR на контрольній групі.

Як влаштований наш агент: код і стек

Для кваліфікації ми використовуємо gpt-4o та Pydantic-моделі для валідації відповідей. Промпт українською мовою задає агента-продавця B2B SaaS, який слідує методології BANT. При досягненні скора >70 агент викликає функцію schedule_demo — передає ліда в CRM з повним 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 = """Ти — менеджер з продажу B2B SaaS. Твоє завдання — кваліфікувати вхідних лідів за методологією BANT:
- Budget: чи є бюджет на рішення?
- Authority: ти розмовляєш з ЛПР чи впливовцем?
- Need: чи є реальна бізнес-потреба?
- Timeline: коли планують впровадження?
Веди природний діалог. Не став усі запитання підряд — вплітай їх у розмову.
Фіксуй відповіді та оновлюй кваліфікацію по ходу бесіди.
При позитивній кваліфікації (score>70) — пропонуй демо-дзвінок.
При score<30 — ввічливо завершуй, додавай у nurture-послідовність."""

def sales_agent_response(session_id: str, user_message: str, conversation_history: list) -> dict:
    conversation_history.append({"role": "user", "content": user_message})

    # Генерація відповіді 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": "Оновити кваліфікацію ліда на основі нової інформації",
                    "parameters": LeadQualification.model_json_schema(),
                }
            },
            {
                "type": "function",
                "function": {
                    "name": "schedule_demo",
                    "description": "Запропонувати слот для демонстрації",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "lead_name": {"type": "string"},
                            "lead_email": {"type": "string"},
                        },
                        "required": ["lead_name", "lead_email"],
                    }
                }
            }
        ],
    )

    # ... обробка відповіді
    return {"response": response.choices[0].message.content}

Персоналізований outreach

Для генерації листів ми використовуємо той самий LLM, але з окремим промптом. На кожен лист система підвантажує дані з нашого API збагачення (галузь, кількість співробітників, свіжі новини компанії). Шаблон послідовності:

def generate_personalized_outreach(lead_data: dict, sequence_step: int) -> str:
    """Генерує персоналізований лист на основі даних про компанію"""
    # Збагачуємо дані про компанію через API (Dadata, LinkedIn)
    company_info = company_enrichment_api.get(lead_data["company_domain"])

    sequence_contexts = {
        1: "Перший контакт — представлення та ціннісна пропозиція",
        2: "Follow-up через 3 дні — конкретна біль за даними компанії",
        3: "Follow-up через тиждень — соціальний доказ (кейс з галузі)",
        4: "Фінальний лист — пряма пропозиція зустрічі",
    }

    email_content = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": f"""Напиши персоналізований sales-лист (крок {sequence_step}). Контекст: {sequence_contexts[sequence_step]} Тон: професійний, але не формальний. Без загальних фраз. Довжина: 100-150 слів."""
            },
            {
                "role": "user",
                "content": f"""Дані про ліда: Ім'я: {lead_data['first_name']} Посада: {lead_data['title']} Компанія: {lead_data['company']} Галузь: {company_info.get('industry')} Розмір компанії: {company_info.get('employee_count')} співробітників Нещодавні новини: {company_info.get('recent_news', 'немає даних')}"""
            }
        ],
        temperature=0.7,
    )

    return email_content.choices[0].message.content

Чому AI-агент справляється краще за скриптового бота?

Традиційний бот працює за жорсткими сценаріями — при будь-якому відхиленні від гілки діалог ламається. LLM-агент розуміє контекст, перефразовує запитання та адаптує тон під співрозмовника. Результати з нашої практики: час першої відповіді скорочується в 130 разів (з 6,5 годин до 3 хвилин), а кількість кваліфікованих лідів зростає на 34% завдяки тому, що агент «дожимає» неочевидні кейси.

«Завдяки агенту наші SDR перестали витрачати час на холодний скринінг і зосередились на консультаціях високого рівня» — керівник відділу продажів клієнта.

Кейс: B2B SaaS лідогенерація

Один з наших клієнтів — компанія, що продає ERP-систему для середнього бізнесу. Вхідний потік — 200+ лідів на місяць, SDR-команда з 4 осіб не справлялась. Ми впровадили агента, який брав на себе первинний діалог та кваліфікацію.

Агент обробляє: первинну відповідь на вхідний запит, кваліфікаційний діалог (3–7 повідомлень), скоринг, передачу гарячих лідів SDR з повним контекстом.

Результати за перші 3 місяці:

• Time-to-first-response: 6,5 год → 3 хв
• Кваліфікованих лідів передано SDR: +34%
• Конверсія demo-scheduled: 18% (агент) vs 22% (SDR) — незначно нижче
• SDR фокус: переключились з L1 кваліфікації на роботу з уже теплими лідами
• Виручка pipeline: +28% за квартал (додатковий дохід склав кілька мільйонів гривень)

Обмеження: агент не веде фінальні переговори про умови та не працює з C-level корпоративними клієнтами — тільки кваліфікація та передача.

Що входить у роботу

Разом: 7–10 тижнів. Вартість розраховується індивідуально під ваш бізнес. Отримайте консультацію, щоб оцінити обсяг робіт.

Обробка заперечень

OBJECTION_HANDLERS = {
    "price": "Розумію питання вартості. Давайте подивимось на ROI — наші клієнти в середньому окупають інвестицію за {payback_period} місяців завдяки {key_benefit}. Хочете, я покажу розрахунок для вашого масштабу?",
    "timing": "Розумію, що зараз не найкращий момент. Коли було б зручно повернутись до розмови? Ми можемо поставити нагадування на {suggested_date}.",
    "competitor": "Чув, що ви розглядаєте {competitor}. Ми працюємо з кількома компаніями, які перейшли від них до нас — можу поділитись їхнім досвідом. Що для вас принципово важливо при виборі?",
    "no_need": "Цікаво чути — більшість наших клієнтів теж так думали до того, як виявили {pain_point}. Скажіть, як ви зараз вирішуєте {relevant_challenge}?",
}

Наш досвід та гарантії

Наша команда займається розробкою AI-агентів понад 5 років. У нас більше 25 успішних проєктів у сфері лідогенерації. Ми надаємо гарантію на безперебійну роботу агента та підтримку після запуску. Хочете випробувати AI-агента на своїх даних? Зв'яжіться з нами для демонстрації.