Как B2B-агентство сократило время менеджеров на 72% с помощью ИИ-агента
- До внедрения
- 75 мин
- среднее время квалификации одного лида
- После внедрения
- 21 мин
- только финальная проверка и звонок
- Лидов обрабатывается
- +45%
- за то же время команды
- Срок внедрения
- 11 дней
- от аудита до прода
Контекст и вызов
Менеджеры тратили вечера на ручную обработку входящих лидов из 4 разных каналов (форма на сайте, LinkedIn, email, Telegram). До звонка лидов нужно было квалифицировать по ICP, проверить активность компании, оценить релевантность услуг. Это занимало 60-90 минут на лид, по 8-15 лидов в день. К концу недели накапливался завал, горячие лиды отвечали конкурентам быстрее.
Подход
Разбили задачу на 4 этапа агентского pipeline:
- Сбор — webhook на форме, IMAP на email, polling на LinkedIn/Telegram, всё стекается в Postgres в стандартный формат
- Обогащение — для каждой компании-источника лида подтягиваем публичные данные (сайт, LinkedIn профиль компании, недавние новости)
- Оценка — Claude 3.5 анализирует профиль против ICP-критериев и возвращает структурированную сводку через Pydantic схему
- Маршрутизация — на основе оценки лид попадает в нужный канал (горячий → Slack менеджеру, тёплый → CRM с напоминанием через неделю, холодный → автоматическая email-серия)
Каждый шаг идемпотентный, с retry-логикой. Если на этапе обогащения LinkedIn API упал — лид всё равно проходит дальше с ограниченным набором данных.
Что было сложно
Сложность 1 — разнородные источники. Форма даёт структурированные данные, LinkedIn — почти ничего, email — свободный текст. Решили через универсальный JSON-схему лида в Postgres и адаптеры на каждый источник.
Сложность 2 — false positives. В первую неделю агент пометил пару очень крупных потенциальных клиентов как «холодных» из-за нетипичного описания компании. Добавили manual override flag — менеджер может пометить лид как «всегда показывать», и агент будет более снисходителен к похожим в будущем.
Сложность 3 — приватность. Клиент работает с финансовыми компаниями, нельзя было отправлять полные email-цепочки в Claude API. Решили через локальную предобработку — извлекаем только метаданные (отправитель, тема, ключевые слова) и отправляем эти структурированные данные, а не raw-текст.
Эффект на бизнес
Через 3 месяца после запуска (запуск в феврале 2026):
- Среднее время на лид: 75 → 21 минута (−72%)
- Команда обрабатывает: +45% больше лидов в день
- Conversion лид → демо: +18% (горячие лиды получают звонок быстрее)
- Менеджеры стали уходить домой вовремя — субъективный, но важный показатель удержания
"Менеджеры перестали тратить вечер на квалификацию лидов и стали закрывать больше сделок."
Что использовали
Частые вопросы по кейсу
- Какие данные требовались от клиента?
- Только ICP-критерии (целевой клиент — выручка, индустрия, размер команды), история последних 50 квалифицированных лидов для калибровки модели, и доступы к каналам (форма, LinkedIn API, email IMAP).
- Кто принимает финальное решение по лиду?
- Всегда человек. Агент только готовит сводку и присваивает приоритет (горячий / тёплый / холодный). Менеджер быстро смотрит сводку и решает звонить или нет. Это сохранение контроля + резкое снижение когнитивной нагрузки.
- Что если ИИ ошибается с приоритетом?
- В первый месяц мы калибровали модель на ваших данных. Менеджер ставит лайк/дизлайк на сводку, мы обновляем критерии. После калибровки точность приоритезации стабилизировалась на 87%.
- А если у нас своя CRM, не Slack?
- Без проблем. Sales-сводка может уходить в Bitrix24, AmoCRM, HubSpot, Salesforce, любую CRM с API. Менеджер получает уведомление в любом удобном инструменте.
Хотите такой же результат?
Бесплатный 2-дневный аудит. За полчаса поймём, есть ли смысл двигаться дальше.