Розробка AI SDR — цифрового менеджера з продажів
AI SDR (Sales Development Representative) — автономний агент, що виконує функції менеджера з перших продажів: пошук та збагачення лідів, персоналізований аутріч через email та LinkedIn, кваліфікація за BANT/MEDDIC, обробка заперечень та передача готового ліда до CRM з повним контекстом. На відміну від скрипткових email-відправників, AI SDR веде багатоходовий діалог та адаптує стратегію на основі відповідей.
Архітектура AI SDR
Lead Discovery: збагачення через Apollo, Hunter.io, LinkedIn Sales Navigator API, Clearbit.
Personalization Engine: генерація унікальних повідомлень на основі даних компанії (фінансування, найм, новини, tech stack).
Outreach Orchestrator: управління послідовностями та часом відправлення.
Qualification Engine: багатоходовий діалог з кваліфікацією за методологією BANT/MEDDIC.
CRM Integration: AmoCRM / Bitrix24 / Salesforce — автоматичне створення угод.
Збагачення та персоналізація лідів
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]
# Збагачені дані
company_size: Optional[int]
industry: Optional[str]
recent_funding: Optional[str] # Останній раунд фінансування
tech_stack: Optional[list[str]] # Технології на сайті
recent_news: Optional[list[str]] # Упоминання в новинах
job_openings: Optional[list[str]] # Відкриті вакансії (сигнал зростання)
pain_indicators: Optional[list[str]] # Сигнали болю
async def enrich_lead(lead: LeadProfile) -> LeadProfile:
"""Збагачення даних ліда з кількох джерел"""
# Паралельний збір даних
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,
)
# Оновлюємо профіль
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]]
# Визначаємо сигнали болю
lead.pain_indicators = await detect_pain_indicators(lead)
return lead
async def detect_pain_indicators(lead: LeadProfile) -> list[str]:
"""LLM аналізує сигнали болю з даних компанії"""
response = await client.chat.completions.create(
model="gpt-4o-mini",
messages=[{
"role": "user",
"content": f"""На основі даних про компанію визначи можливі болеві точки,
релевантні для продажу {OUR_PRODUCT}.
Компанія: {lead.company}
Галузь: {lead.industry}
Розмір: {lead.company_size} співробітників
Вакансії: {lead.job_openings}
Новини: {lead.recent_news}
Поверни JSON-список з 2-3 конкретних болевих індикаторів."""
}],
)
return json.loads(response.choices[0].message.content)
Генератор персоналізованих повідомлень
class PersonalizedOutreachGenerator:
SEQUENCE_FRAMES = {
1: "cold_intro", # Перший контакт: релевантна пропозиція вартості
2: "pain_point_follow", # Follow-up: конкретний біль на основі даних
3: "social_proof", # Кейс-стаді з їхньої галузі
4: "direct_ask", # Пряме запитання про зустріч
5: "breakup", # Фінальний лист
}
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"""Ти — досвідчений B2B SDR. Пиши листи, які отримують відповіді.
Правила:
- 80-120 слів максимум
- Перше речення — не про компанію, а про ліда/його біль
- Один конкретний CTA в кінці
- Без кліше: "сподіваюся цей лист застане вас у доброму здоров'ї"
- Персоналізація повинна бути помітна (не "бачив ваш профіль на LinkedIn")
Рамка листа: {frame}"""
}, {
"role": "user",
"content": f"""Напиши лист для:
Ім'я: {lead.contact_name}, {lead.title} в {lead.company}
Болі: {lead.pain_indicators}
Останні новини: {lead.recent_news}
Tech stack: {lead.tech_stack}
Контекст попередніх листів: {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 "Перший контакт"
return f"Попередніх листів: {len(previous_responses)}, остання відповідь: {previous_responses[-1][:200] if previous_responses else 'немає відповідей'}"
Діалог кваліфікації
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 # Прогрес BANT
lead_score: int
next_action: str # "schedule_demo", "nurture", "disqualify", "continue"
QUALIFICATION_SYSTEM = """Ти — B2B SDR, кваліфікуєш ліда за BANT.
Веди природний діалог, не допит. 4-7 повідомлень до рішення.
Поточна кваліфікація:
{qualification_status}
Критерії передачі AE: score >= 70, бюджет підтвердив, влада підтвердила.
Критерії дискваліфікації: немає бюджету + немає часової шкали, компанія < 50 співробітників для нашого продукту."""
def should_continue_qualification(state: QualificationState) -> str:
score = state["lead_score"]
qual = state["qualification"]
# Дискваліфікація
if score < 20 and len(state["messages"]) > 4:
return "disqualify"
# Готовий до передачі AE
if score >= 70 and qual.get("budget") and qual.get("authority"):
return "schedule_demo"
# Продовжуємо діалог
if len(state["messages"]) >= 14: # Обмеження переписки
return "nurture" if score >= 40 else "disqualify"
return "continue"
CRM-інтеграція
class CRMIntegration:
async def create_qualified_lead(self, state: QualificationState):
"""Створює угоду в CRM з повним контекстом"""
# Форматуємо історію діалогу
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:
"""Коротка інформація для AE"""
qual = state["qualification"]
return f"""SDR Handoff Notes:
Score: {state['lead_score']}/100
Budget: {qual.get('budget', 'уточнити')}
Authority: {'підтверджено' if qual.get('authority') else 'ні'}
Need: {qual.get('need', '')}
Timeline: {qual.get('timeline', 'уточнити')}
Key pain: {', '.join(state['lead_profile'].get('pain_indicators', [])[:2])}
Рекомендована стратегія AE: {self.recommend_approach(state)}"""
Практичний кейс: B2B SaaS, ринок 5000 компаній
Компанія: HR-tech SaaS, ACV $24,000, цільовий ринок — компанії 100–1,000 співробітників.
До AI SDR: 2 SDR, 400 ручних аутричів/місяць, генерація конвеєру займала 60% часу.
Конфігурація AI SDR:
- Джерело лідів: Apollo.io (фільтри ICP) + автоматичне збагачення Clearbit
- Аутріч: email (5-крокові послідовності) + LinkedIn InMail
- Кваліфікація: BANT, 6–8 ходів діалогу
- Передача: AmoCRM, автоматичне створення угоди при score >= 65
Результати за перші 3 місяці:
- Аутріч на місяць: 400 → 2,800 (+600%)
- Reply rate: 4.2% (людина) → 3.1% (AI) — нижче, але обсяг компенсує
- Кваліфіковані SQL/місяць: 18 (SDR) → 31 (AI SDR + SDR)
- SDR перезосередилися: діалоги з уже зацікавленими, теплі вступи
- Конвеєр: +72% за квартал
Проблеми: перші 3 тижні — занадто "робототехнічні" листи, 2 ітерації інженерії підказок. Частина відповідей "розписуйте мене" — важливо моніторити та виключати домени.
Обмеження: AI SDR не веде фінальні переговори про умови та enterprise-угоди з рішенням-приймачами C-level — тільки розігрів та кваліфікація.
Часова шкала
- Конвеєр збагачення лідів: 2–3 тижні
- Генератор аутричу з A/B тестуванням: 2–3 тижні
- Агент кваліфікації: 2–3 тижні
- CRM інтеграція + передача: 1–2 тижні
- Калібрування та запуск: 2 тижні
- Разом: 9–13 тижнів