AI-агенты для квалификации лидов: как это работает

В 2023–2024 годах вокруг LLM-моделей выросла отдельная категория продуктов: AI-агенты*, которые обрабатывают входящие заявки до того, как их увидит человек. Их продают под лейблами «AI SDR» и «lead qualification agent» — Artisan, 11x, Relevance AI и десятки решений поменьше. Обещание одинаковое: агент читает заявку с сайта или сообщение в чате, задаёт уточняющие вопросы, проставляет статус в CRM и передаёт менеджеру только тех, кто реально готов покупать. Разбираем, что за этим стоит и где технология буксует.

Что вообще значит «квалифицировать лид»

Квалификация — это отсев. Из ста заявок реальный интерес представляют, условно, пятнадцать: остальные ошиблись адресом, ищут работу, хотят бесплатно или зашли из любопытства. Раньше это делал менеджер вручную: звонил, писал, тратил по десять минут на каждого, чтобы понять, что восемьдесят из ста — мимо.

Классические скоринговые системы (HubSpot, Salesforce) присваивали баллы по формальным признакам: открыл письмо — плюс пять, зашёл на страницу тарифов — плюс десять. Проблема в том, что баллы не понимают контекст. Человек, который трижды открыл рассылку, мог делать это по ошибке, а тот, кто написал в чат одно точное сообщение, — готов подписать договор завтра.

AI-агент работает иначе. Он читает текст заявки как текст, а не как набор триггеров, и достраивает недостающее диалогом.

Как агент проходит по заявке: по шагам

1. Приём. Заявка приходит из формы, чата, почты или мессенджера. Агент получает сырой текст плюс метаданные: с какой страницы пришёл, из какой рекламной кампании, какой email-домен.
2. Извлечение. Модель вытаскивает из свободного текста структуру: название компании, роль человека, бюджет, срок, задачу. Это то, что раньше вручную заполнял менеджер в карточке CRM.
3. Обогащение. По домену почты агент подтягивает данные о компании через внешние API — размер, отрасль, выручка. Здесь начинаются юридические оговорки: обогащение по внешним базам не всегда законно в отношении персональных данных, это зависит от юрисдикции и источника.
4. Диалог. Если данных не хватает, агент задаёт уточняющие вопросы прямо в чате или письмом. Хороший агент спрашивает не анкетой, а по одному вопросу, реагируя на ответ.
5. Оценка. Модель сопоставляет собранное с профилем идеального клиента (ICP), который вы задали заранее, и присваивает статус: «горячий», «тёплый», «не наш».
6. Маршрутизация. Горячий лид уходит менеджеру с готовым саммари. Тёплый попадает в цепочку прогрева. «Не наш» получает вежливый отказ или отправляется в архив.

Где здесь именно «агент», а не просто чат-бот

Разница в том, что агент сам выбирает следующий шаг. Чат-бот идёт по заранее прописанному дереву: если ответ А — вопрос Б. Агент получает цель («выясни бюджет и срок») и набор инструментов (доступ к CRM, к базе обогащения, к календарю) и сам решает, что вызвать и когда остановиться. Именно поэтому его сложнее контролировать: он может задать вопрос, которого вы не предусмотрели, или неверно интерпретировать уклончивый ответ.

Автоматическая квалификация не убирает ошибку менеджера — она заменяет её ошибкой модели. Разница в том, что ошибка модели воспроизводится тысячу раз подряд одинаково, пока вы её не заметите.

Сравнение подходов

Три способа отсеивать лиды сосуществуют, и выбор зависит от объёма заявок и цены ошибки.

Таблица упрощает: на практике компании комбинируют — агент делает первичный отсев, спорные случаи уходят человеку.

Сколько это стоит

Цены на рынке разнятся на порядки, и почти все продукты не публикуют прайс открыто, работая через демо и индивидуальные тарифы. Ориентиры на конец 2024 года: платформы вроде Relevance AI начинаются от нескольких десятков долларов в месяц за базовый доступ, специализированные «AI SDR» вроде Artisan и 11x позиционируются как замена штатному сотруднику и стоят сотни долларов в месяц и выше. Точные цифры смотрите на сайтах вендоров — они меняются каждые несколько месяцев.

Отдельная статья расходов — токены базовой модели, если вы собираете агента сами на API OpenAI, Anthropic или через open-source. Здесь стоимость зависит от длины диалогов и объёма заявок, и её легко недооценить: длинный контекст** с историей переписки и данными о компании быстро съедает бюджет на токены.

Кому это пригодится, а кому нет

Пригодится:

• B2B-компаниям с большим потоком входящих заявок, где менеджеры тонут в неквалифицированном трафике и физически не успевают отвечать за минуты.
• Бизнесам с чётким профилем клиента: если вы точно знаете, кто ваш покупатель по отрасли, размеру и бюджету, агенту есть с чем сверять.
• Тем, у кого лиды приходят текстом — чат, форма, почта, — а не только звонком.

Не пригодится или навредит:

• Если заявок мало — десяток в неделю. Настройка, проверка и содержание агента обойдутся дороже, чем менеджер, который прочитает их сам за пятнадцать минут.
• В сегментах с высокой ценой ошибки и сложными сделками: где один потерянный лид стоит миллионы, доверять первичный контакт модели рискованно.
• Если у вас нет данных для обучения границам ICP — агент будет отсеивать наугад, и вы этого не заметите, пока не пересчитаете конверсию.

Главные грабли

Первая — ложноотрицательные. Агент отправил в архив реального клиента, потому что тот написал коряво или не назвал бюджет. В отличие от менеджера, который переспросит, агент с плохой настройкой молча закроет заявку. Такие потери не видны в отчёте: в графе «отсеяно» они выглядят как норма.

Вторая — тон. Модель, которая уточняет бюджет слишком в лоб или отвечает шаблонно, отпугивает часть аудитории на первом сообщении. Здесь помогает A/B-тест формулировок и обязательное логирование всех диалогов для ревизии.

Третья — данные. Обогащение лидов через внешние базы и хранение переписки — это обработка персональных данных со всеми вытекающими требованиями. Прежде чем подключать агента к CRM с реальными контактами, проверьте, что и куда уходит.

* AI-агент — программа на базе языковой модели, которая получает цель и набор инструментов (доступ к CRM, API, календарю) и сама выбирает последовательность действий для достижения цели, а не идёт по жёсткому сценарию.

** Контекстное окно — максимальный объём текста (в токенах), который модель удерживает «в голове» за один запрос: и вопрос, и вся переданная история диалога и данных.