Контекст
Ниша: B2B SaaS-платформа (международный рынок).
Клиент: компания попросила не раскрывать название (NDA).
На старте: 3 sales-менеджера, входящие лиды ~80/мес, средняя квалификация заняла 2 рабочих дня. Из них только 8% доходили до встречи.
Задача
Сократить время до первого контакта и автоматизировать квалификацию: первичная классификация лида, проверка профиля, постановка встречи в календарь — без участия sales.
Что сделали
1. Карта данных лида
Определили какие сигналы нужны для квалификации: размер компании (Clearbit/Apollo), индустрия, должность контакта, технологический стек (BuiltWith). 14 параметров для скоринга.
2. AI-агент на LangGraph
Архитектура: оркестратор → 4 специализированных агента (research, scoring, outreach, calendar). Использует GPT-4o + Claude 3.5 для разных задач. Логирование решений для аудита.
3. Интеграции
HubSpot CRM (запись лидов), Cal.com (бронирование встреч), Slack (нотификации команде), Sentry (мониторинг ошибок агента).
4. Тестирование на 200 лидах
Параллельно: половина лидов идёт через агента, половина — через менеджеров. Сравнили: конверсия, качество встреч (NPS sales-команды), время на первый контакт.
5. Постепенный rollout
Месяц 1: 30% трафика. Месяц 2: 70%. Месяц 3: 100%. Менеджеры освободились для важных переговоров на средних и крупных сделках.
Результаты
| Метрика | До | После (3 мес.) | Δ |
|---|---|---|---|
| Время до первого контакта | ~38 часов | ~4 минуты | −99% |
| Конверсия лида → встреча | 8% | 30% | ×3.8 |
| Менеджеров на первичный контакт | 3 | 0 | −3 |
| Стоимость квалификации одного лида | $45 | $2.30 | −95% |
Сроки и бюджет
3 месяца на разработку + 2 месяца на A/B-валидацию. Стек: TypeScript + LangGraph + Vercel. Стоимость LLM ~$700/мес при 3 000 лидах.
Что было непросто
Первые две недели агент путал должности (CEO стартапа vs CEO корпорации). Решение: дополнительный шаг проверки через LinkedIn + размер компании. Также пришлось добавить «escalation»: если агент не уверен в квалификации (confidence < 70%) — передаёт лиду менеджеру.