Искусственный интеллект, Разработка | Олег Брагинский, Марина Строева
Основатель «Школы траблшутеров» Олег Брагинский и ученица Марина Строева разберут кейс, в котором ИИ-агент за несколько часов собрал базу потенциальных покупателей, добавил финансовые данные, расставил приоритеты для прозвона и подготовил интерактивный HTML-отчёт с CRM-экспортом. Автоматически, без участия человека – маркетолога или аналитика.
ИИ-система выступила в проекте специалистом по лидогенерации. Самостоятельно нашла данные в открытых источниках, финансовую отчётность, юридические адреса, валидировала контакты, построила логистические кластеры, сформировала скрипты первого касания.
Управление велось через Telegram-интерфейс. Для работы создали проект «Поиск лидов», обновили агента для чистого контекста и начали работу с запроса:
Промпт №1:
«Для компании (сайт https://www.cyberplast.ru) занимающейся поставкой из Китая оборудования для литья пластиковых изделий, включая термопластавтоматы, формы, сушилки, найди 100 лидов, которым можно предложить продукцию. Данные представь в виде таблицы со столбцами: наименование организации, сайт, ИНН, телефон и email».
Первая попытка завершилась ошибкой agent timeout – задача на 100 компаний оказалась слишком тяжёлой для одного запроса. Сократили аппетит до 10 компаний, и агент сразу выдал первую рабочую таблицу. Дальше добирали список пакетами, последовательно наращивая список.
На каждом шаге агент самостоятельно следил за дедупликацией – новые компании не пересекались с ранее добавленными. Там, где контакты в открытых источниках отсутствовали, указывал, что «нет данных» вместо того, чтобы придумывать информацию (способен и на такое).
После сбора базы система предлагает следующие шаги:
«Если хочешь, следующим сделаю "боевой shortlist": оставлю записи с валидными телефоном и email, расставлю приоритет A/B/C, добавлю готовый текст первого касания для отдела продаж».
Промпт №2:
«Объедини все результаты в единую таблицу. Для каждой организации, у которой есть ИНН, собери данные по выручке компании за последние 6 лет».
Первая попытка завершилась agent timeout – слишком большой объём данных на запрос. Агента перезапустили, разбита на пакеты по 10–20 компаний. Итог: 95 организаций с данными по выручке за 2019–2024 годы. Там, где отчётность в источнике отсутствовала, агент оставлял «нет данных» и указывал причину.
Промпт №3:
«В открытых источниках по ИНН можно получить данные по юридическому адресу компании, добавь юридический адрес в таблицу».
При заполнении агент применял дополнительную логику: если по ИНН находилось несколько записей (основная компания и филиалы), брал строку основного юрлица, а не филиала – чтобы избежать подмены адреса.
После заполнения всех адресов агент пересчитал блок географии и логистики.
Распределение по федеральным округам:
Логистический фильтр:
Промпт №4:
«Сделай: сегментацию лидов A/B/C по выручке, наличию контактов и профилю деятельности. Приоритизация для прозвона: топ-20 перспективных с готовым скриптом первого касания. Дедуп и валидация контактов. Добавление географии и фильтр по логистике. Экспорт в CRM-формат. План касаний на 2–3 шага. Результат размести в том же файле.»
Агент выполнил всё за один проход и вернул итоговую сводку:
Дополнительно были созданы файлы для CRM-импорта:
- лиды_crm_обогащенные.csv
- лиды_crm_обогащенные.xlsx.
Промпт №5:
«Объедини результаты в единую таблицу, данные представь в HTML формате. Для просмотра и скачивания в папке doc создай папку с названием лидогенерация и помести туда созданный HTML файл».
Агент собрал единый HTML-файл лиды_объединенные_с_выручкой.html на 95 строк и сохранил в расположении doc/лидогенерация/.
Трудности, с которыми можно столкнуться
- Ошибки agent timeout при больших запросах. Попытка собрать 100 лидов или обогатить всю базу за один запрос приводила к таймауту. Решение – разбивать задачу на пакеты по 10–20 компаний.
- Ошибка exit status 1: Failed to reach the API. Периодически возникал сбой на стороне инфраструктуры агента. Решение – повторная отправка того же Промпта без изменений.
- Проблема с отображением изменений в браузере. После обновления HTML-файла пользователь не видел изменений из-за кэша браузера. Агент диагностировал это и рекомендовал Ctrl+F5, а также создал новый файл с другим именем.
- Сдвиг колонок в CSV. При заполнении строк 66+ агент самостоятельно обнаружил смещение данных по колонкам и исправил до финальной записи файла.
- Неполнота контактных данных. Часть компаний не публикует телефон и email в открытом доступе. Агент корректно отмечал такие записи как «нет данных» – итоговое покрытие составило 61/95 по телефонам и 54/95 по email.
- Файлы с кириллицей в именах. Файл лиды_отчет_ABC_CRM_новый.html не открывался у пользователя. Агент создал дубликат с латинским именем leads_report_abc_crm_new.html.
Методология работы агента:
- База лидов: поиск по открытым источникам (реестры, отраслевые каталоги, сайты компаний) с фильтрацией по профилю деятельности – производители и переработчики пластмасс, литьё, упаковка.
- Дедупликация: объединение записей по ИНН; при отсутствии ИНН – по связке «наименование + сайт».
- Выручка: запросы к источнику по шаблону /company/ИНН, извлечение строки Ф2.2110 Выручка за каждый год.
- Юридические адреса: запросы к list-org.com по ИНН, извлечение поля юридический адрес; при наличии нескольких записей – выбор строки основного юрлица.
- Скоринг A/B/C: расчёт на основе трёх факторов: уровень выручки, наличие валидных контактов (телефон + email), соответствие профиля деятельности целевой аудитории.
- Гео-аналитика: определение федерального округа по тексту юридического адреса через словарь ключевых шаблонов; маппинг округов в логистические классы.
- Валидация контактов: нормализация форматов телефонов и email, выставление флагов валидности, формирование тегов качества для CRM.
Что получено в итоге:
- База из 95 лидов с контактами и ИНН
- Данные по выручке за 2019–2024 для каждой компании
- Юридические адреса для 95/95 компаний
- Сегментация A/B/C (A=34, B=54, C=7)
- Топ-20 для прозвона с готовыми скриптами первого касания
- Гео-аналитика по федеральным округам и логистическим кластерам
- Интерактивный HTML-отчёт с фильтрами
- CRM-экспорт в CSV и XLSX
- График динамики выручки (20 линий, 2019–2024)
Время: весь процесс – от первого Промпта до финального отчёта – занял 6 часов (с 14:12 до 20:04). Значительная часть времени ушла на итерационное заполнение данных пакетами из-за ограничений по таймауту.
Аналогичная работа вручную (поиск компаний, сбор контактов, парсинг финансовой отчётности, написание скриптов продаж) заняла бы у аналитика 3–5 рабочих дней.
ИИ-агент превращает лидогенерацию из рутинного ручного труда в управляемый диалог. Ключевой навык – правильно разбивать большие задачи на пакеты и не бояться повторять запрос при технических сбоях.
В итоге папка с пустым проектом превратилась в готовую CRM-базу с приоритизацией, скриптами продаж и интерактивной аналитикой – без единой строчки кода, написанной вручную.