Розробка AI SDR — цифрового менеджера з продажу

Типова B2B-компанія втрачає до 60% лідів на етапі першого контакту: повільний response time, шаблонні листи, слабка кваліфікація. При ручному outreach конверсія з лідів у SQL рідко перевищує 2–3%. AI SDR (Sales Development Representative) вирішує ці проблеми повністю автономно. Обробляє тисячі контактів на день з персоналізацією під кожного, знижуючи cost-per-lead на 40% і забезпечуючи суттєву економію бюджету. Pipeline зростає на 72% за квартал — окупність рішення становить менше 4 місяців.

Чому AI SDR ефективніший за людину?

AI SDR обробляє в 5 разів більше лідів за ті ж гроші. Відсоток відповідей на рівні людини — 3–4%, але обсяг охоплення кратно вищий. Наші клієнти отримують +72% pipeline за квартал. Досвід впроваджень у B2B SaaS — гарантуємо результат. Ось порівняння в таблиці:

Середній pipeline збільшується на 72% — окупність менше 4 місяців BANT.

Архітектура та ключові компоненти AI SDR

Як працює Lead Enrichment?

Lead Discovery: збагачення через Apollo, Hunter.io, LinkedIn Sales Navigator API, Clearbit. Personalization Engine: генерація унікальних повідомлень на основі даних компанії (funding, hiring, news, tech stack). Outreach Orchestrator: управління послідовностями (sequences) і таймінгом. Qualification Engine: багатоходовий діалог з кваліфікацією за BANT. CRM Integration: AmoCRM / Bitrix24 / Salesforce — автоматичне створення угод.

Lead Enrichment і 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 персоналізованих повідомлень

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'}"

Кваліфікаційний діалог

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"

Як AI SDR інтегрується з 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)}"""

Як розробляється AI SDR?

1. Аудит і проєктування — аналіз цільового ринку, ICP, вибір джерел лідів.
2. Розробка Lead Enrichment — інтеграція з Apollo, Clearbit, Hunter.io.
3. Створення outreach-агента — налаштування sequences, A/B тестування.
4. Кваліфікаційний діалог — промпт-інжиніринг для BANT.
5. Інтеграція з CRM — AmoCRM/Bitrix24/Salesforce, автоматична передача угод.
6. Калібрування та запуск — моніторинг, покращення prompt, виключення спам-пасток.

Практичний кейс: B2B SaaS, ринок 5000 компаній

Компанія: HR-tech SaaS, ACV $24 000, цільовий ринок — компанії 100–1000 співробітників.

До AI SDR: 2 SDR, 400 ручних outreach/місяць, pipeline generation займав 60% часу.

AI SDR конфігурація:

• Lead source: Apollo.io (ICP-фільтри) + автоматичне збагачення Clearbit
• Outreach: email (5-крокові sequences) + LinkedIn InMail
• Кваліфікація: BANT, 6–8 ходів діалогу
• Передача: AmoCRM, автоматичне створення угоди при score >= 65

Результати за перші 3 місяці:

• Outreach на місяць: 400 → 2 800 (+600%)
• Відсоток відповідей: 4.2% (людина) → 3.1% (AI) — нижче, але обсяг компенсує
• Кваліфікованих SQL/місяць: 18 (SDR) → 31 (AI SDR + SDR)
• SDR перефокусувались: діалоги з уже зацікавленими, warm intro
• Pipeline: +72% за квартал

Проблеми: перші 3 тижні — надто роботські листи, 2 ітерації промпт-інжинірингу. Частина відповідей «зніміть мене з розсилки» — важливо моніторити та виключати домени.

Обмеження: AI SDR не веде фінальні переговори про умови та enterprise-угоди з ЛПР C-level — тільки прогрів і кваліфікація.

Як гарантувати якість комунікацій?

Ми використовуємо A/B тестування для кожного кроку sequence, аналізуємо метрики open rate, reply rate, unsubscribes. Після перших двох тижнів роботи проводимо калібрування промптів на основі 100+ діалогів. Всі контакти автоматично виключаються з розсилки при запиті — це вимога GDPR і CCPA.

Склад робіт і терміни

Що входить у розробку AI SDR

• Lead enrichment pipeline з інтеграцією Apollo, Clearbit, Hunter.io
• Outreach генератор з A/B тестуванням (email + LinkedIn)
• Кваліфікаційний агент з підтримкою BANT, MEDDIC, CHAMP
• Інтеграція з AmoCRM, Bitrix24 або Salesforce з автоматичною передачею угод
• Адміністративна панель для моніторингу діалогів і метрик
• Навчальна сесія для команди продажів (2 години)
• Гарантійна підтримка протягом 30 днів після запуску

Отримайте демонстрацію AI SDR для вашого бізнесу. Замовте консультацію з впровадження AI SDR. Ми оцінимо ваш обсяг лідів, цільовий ринок і підготуємо комерційну пропозицію. Зв'яжіться з нами для демонстрації.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.