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:
| Критерій | Традиційний чат-бот | AI-агент (LLM) |
|---|---|---|
| Розуміння контексту | Тільки ключові слова | Повний NLP аналіз діалогу |
| Обробка нестандартних запитань | Ні | Так, з переформулюванням |
| Кваліфікація за BANT | Сценарій із жорсткими гілками | Динамічне опитування з оновленням скора |
| Персоналізація outreach | Підстановка {ім'я} | Лист з урахуванням галузі, розміру, новин |
| Вартість розробки | Низька | Середня/висока, але окупається за 2–3 місяці |
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
- Визначте критерії кваліфікації. Оберіть методологію: BANT, GPCT або власну. Опишіть, які дані потрібні для скорингу.
- Зберіть історичні діалоги. Потрібно хоча б 50–100 успішних і неуспішних розмов для few-shot навчання.
- Розробіть промпт і схему. Pydantic-модель для валідації полів (бюджет, authority, need, timeline). Приклад нижче.
- Інтегруйте з CRM. REST API для запису лідів та оновлення статусів.
- 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.
Приклад діалогу кваліфікації
Лід: Добрий день, цікавить ваша ERP. Агент: Добрий день! Радий допомогти. Підкажіть, який у вас бюджет на впровадження? Лід: до 500 тисяч. Агент: Зрозумів. Ви приймаєте рішення самостійно чи потрібне погодження з керівництвом? Лід: я сам. Агент: Чудово. Коли плануєте впровадження? Лід: у наступному кварталі. Агент: Дякую, ваш скор 85 — пропоную записатись на демо.Що входить в роботу
| Етап | Що робимо | Тривалість |
|---|---|---|
| Аналітика | Вивчаємо воронку, типи лідів, скрипти SDR | 1 тиждень |
| Проектування | Проектуємо діалогову модель, промпти, функції | 1 тиждень |
| Розробка | Пишемо код агента, інтеграція з CRM | 3–4 тижні |
| Тестування | A/B тест на історичних даних, тонке налаштування | 2 тижні |
| Деплой та навчання | Розгортання, навчання SDR, документація | 1 тиждень |
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 проектів 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.