Как устроены конвейеры ИИ-агентов для продаж

Представьте понедельник. За выходные ИИ-агент для продаж нашёл двести компаний и написал каждой письмо. Вы открываете первые десять: в двух одна и та же фирма под разными названиями, у одной сайт не открывается, а в письме четвёртой упомянут раунд инвестиций, которого не было.

Такие сцены случаются, когда вся работа поручена одному «агенту-продавцу». Поэтому команды, которые всерьёз автоматизируют поиск клиентов, строят конвейер: цепочку этапов, где у каждого шага есть вход, выход и проверка.

Интерес к теме большой. В отчёте Salesforce State of Sales, который готовит сам вендор CRM, сказано, что девять из десяти отделов продаж уже используют ИИ-агентов или ждут этого в ближайшие два года.

Ниже — обзор подходов, которые сейчас есть на рынке, по этапам: что каждый даёт и где ломается.

Агент или конвейер

В Anthropic разделяют два устройства. Workflow, или рабочий процесс, — когда модель идёт по заранее заданным шагам. Агент — когда модель сама решает, какие шаги делать и какие инструменты брать.

Их совет — начинать с самого простого решения и усложнять только при необходимости. Там же предупреждают, что у автономных агентов выше расходы, а ошибки накапливаются от шага к шагу.

Для продаж это значит: свобода нужна агенту там, где задача открытая, например найти компании в нише. Там, где правила понятны, например проверить, жив ли сайт, лучше обычный код или жёсткая инструкция.

Этап 1. Поиск клиентов

Есть три основных источника, и обычно их смешивают.

Базы данных. Apollo, ZoomInfo, Crunchbase и похожие сервисы дают готовые карточки компаний и людей с фильтрами по отрасли, размеру и должностям. Crunchbase, например, пишет, что собирает данные из пяти типов источников, включая больше тысячи новостных изданий и госреестры, а аналитики проверяют записи вручную.

Плюс — скорость и структура. Риски — данные стареют, а покрытие небольших компаний и отдельных рынков бывает слабым. Кроме того, та же база есть у ваших конкурентов, и одни и те же люди получают похожие письма.

Чтобы закрыть пробелы, используют «водопадное» обогащение: запись по очереди отправляют в несколько поставщиков данных, пока один не даст уверенный ответ. Так описывает подход Clay. Покрытие растёт, но растёт и число мест, где данные могут разойтись.

Сигналы намерения. Bombora собирает данные через кооператив B2B-сайтов: на сайтах стоит её код, она строит историческую норму и замечает изменения в поведении. ZoomInfo описывает похожую механику: отслеживает, что читают на сторонних сайтах, связывает IP-адреса с компаниями и отмечает исследование темы выше среднего.

Сигнал помогает угадать момент. Но он показывает интерес компании, а не конкретного человека, и работает только там, где ваши покупатели читают отслеживаемые сайты.

Агент в открытом вебе. Агент ищет компании сам: по каталогам, новостям, вакансиям, тендерам, сайтам отраслевых ассоциаций. Так находятся ниши, которых нет в базах, и свежие поводы для письма.

Рисков здесь больше всего. Агент приносит дубли и мусор, особенно если ему поставили план «найди пятьдесят» без права вернуть меньше. Страницы, которые он читает, могут содержать скрытые инструкции для ИИ: Microsoft называет это непрямой промпт-инъекцией и описывает пример со спрятанным белым текстом на белом фоне.

Наконец, у площадок свои правила. LinkedIn, например, прямо запрещает сторонние программы, которые собирают данные с сайта или автоматизируют действия.

Этап 2. Проверка

На этом этапе отвечают на простые вопросы. Компания существует и работает? Сайт открывается? Это не дубль уже известной компании? Человек всё ещё работает там на этой должности?

Дубли лучше ловить дважды: до поиска, передав агенту список уже известных компаний, и перед записью в CRM, сравнивая домены, а не названия.

Отдельная история — проверка email. Сервисы валидации проверяют, существует ли ящик, но не всегда могут ответить. ZeroBounce объясняет, что catch-all домены принимают письма на любой адрес, даже несуществующий, и поэтому такие адреса трудно проверить.

Apollo в своей справке советует ставить в цепочки рассылок только контакты со статусом verified или likely to engage: у непроверенных адресов выше доля возвратов. Возвраты и жалобы бьют по репутации домена, а значит, и по письмам, которые вы отправляете клиентам.

Этап 3. Квалификация

Квалификация отвечает на вопрос, стоит ли вообще писать этой компании. Подходов три.

Правила по профилю идеального клиента. Отрасль, размер, регион, технологии. Это прозрачно и дёшево, но жёстко: хорошая компания с нетипичным описанием выпадает.

Скоринг. Компании и контакту начисляют баллы. В HubSpot, например, разделяют оценку соответствия профилю (должность, размер компании, отрасль) и оценку вовлечённости (визиты на сайт, открытия писем, заявки). Скоринг хорош для приоритетов, но веса кто-то должен подбирать и пересматривать.

LLM-квалификация. Модель читает сайт, новости и вакансии и отвечает на вопросы о соответствии профилю. Она понимает неструктурированный текст, с которым правила не справляются.

Риск — уверенный ответ там, где данных не хватает. Авторы работы Why Language Models Hallucinate (Kalai и соавторы, 2025) пишут, что обучение и оценка моделей поощряют угадывание больше, чем признание неуверенности.

Что помогает: разрешить модели ответить «не знаю», требовать ссылку на источник для каждого вывода и помечать оценку как предварительную, пока её не подтвердит человек. Первые два приёма рекомендует, например, документация Anthropic по снижению галлюцинаций.

Этап 4. Персонализация

Хорошее первое письмо опирается на повод: новость, вакансию, запуск, расширение, тендер. Агент умеет быстро собрать такие поводы и связать их с вашим предложением.

Главный риск здесь — выдуманные факты. Ошибка в описании компании в первом же письме стоит дороже, чем шаблонное письмо без персонализации.

Практика, которая работает: каждое утверждение о компании в черновике сопровождается ссылкой на источник. Если для утверждения нет цитаты, его убирают. Этот приём тоже описан в документации Anthropic.

Есть и бытовые риски: незаполненные поля и заглушки вместо ссылок, одна и та же «персональная» фраза в ста письмах, слишком длинный текст про исследование, которое агент провёл, вместо одной мысли о пользе.

Этап 5. Контроль качества

Проверка вторым агентом. Одна модель пишет, другая проверяет и возвращает замечания. Anthropic называет это схемой «оценщик и оптимизатор» и советует её, когда критерии проверки понятны.

У модели-судьи есть известные слабости. В исследовании Zheng и соавторов описаны смещения: судья предпочитает ответ на определённой позиции, более длинный ответ и собственные ответы. Поэтому проверяющему лучше давать черновик и источники и просить сверить факты, а не оценить письмо «в целом».

Выборочная проверка человеком. Даже если всё одобряет агент, человек читает случайную выборку каждого прогона. Так видно, где конвейер начинает ошибаться системно.

Доставляемость. С 2024 года крупные почтовые сервисы ужесточили правила. Google требует от всех отправителей SPF или DKIM, а от тех, кто шлёт 5 000 писем в день и больше на Gmail, — SPF, DKIM, DMARC, отписку в один клик для маркетинговых писем и долю жалоб на спам ниже 0,3%. Рекомендуемый уровень — ниже 0,1%.

Yahoo требует обрабатывать отписки в течение двух дней. Microsoft для доменов, которые отправляют больше 5 000 писем в день на Outlook, требует SPF, DKIM и DMARC и отклоняет письма, которые не проходят проверку.

Законы. В США действует CAN-SPAM, и FTC прямо пишет, что исключения для писем между компаниями нет. Нужны честные заголовки и тема, физический адрес, понятная отписка, которую выполняют в течение 10 рабочих дней. Штраф, по данным FTC, — до 53 088 долларов за каждое письмо с нарушением.

В ЕС действует GDPR, в Великобритании — его британская версия UK GDPR. Британский регулятор ICO поясняет, что адрес вида имя.фамилия@компания — это персональные данные, даже если человек действует как сотрудник, а право возразить против прямого маркетинга называет абсолютным.

Европейская комиссия пишет то же о GDPR: если человек возразил, компания прекращает использовать его данные для маркетинга, а сообщить об этом праве нужно не позже первого письма. В Великобритании правила для корпоративных адресов и для индивидуальных предпринимателей разные.

В России закон «О рекламе» допускает рекламу по сетям электросвязи только с предварительного согласия адресата. Подпадает ли под это ваша рассылка, решается по обстоятельствам. Здесь и выше — общий обзор, а не юридическая консультация: правила для своих рынков обсудите с юристом.

Этап 6. Люди в контуре

Почти все зрелые схемы оставляют человеку четыре решения.

1. Утвердить профиль клиента, правила квалификации и тон писем.
2. Одобрить отправку. Microsoft приводит пример Copilot в Outlook: ИИ готовит черновик, но человек сам утверждает текст и сам отправляет письмо. Это же защищает от последствий промпт-инъекций.
3. Отредактировать черновик. Правки человека — лучший материал, чтобы улучшить инструкции.
4. Принять ответ. Агент может разобрать входящие по типам, но разговор с живым клиентом ведёт продавец. Отписки сразу уходят в стоп-лист.

Чтобы человек решал быстро, у каждой карточки должен быть короткий разбор: почему компания подходит, на какие источники опирается вывод, что осталось под вопросом. Так же устроен, например, разбор тендеров с ИИ.

С чего начать внедрение ИИ-агентов в продажи

1. Опишите профиль идеального клиента словами и соберите по двадцать примеров хороших и неподходящих компаний. На них вы будете проверять каждый этап.
2. Начните с одного сегмента и режима черновиков: ничего не уходит без человека.
3. Задайте каждому этапу формат результата и критерий брака. Разрешите агенту вернуть меньше компаний, чем просили, вместо того чтобы добирать слабые.
4. Требуйте источник для каждого факта о компании.
5. Проверяйте дубли до записи в CRM и сделайте тестовую запись: принимает ли CRM все поля, которые пишет конвейер.
6. Считайте расход по этапам: какие модели, сколько запросов, сколько стоит одна одобренная карточка.
7. Настройте SPF, DKIM, DMARC, отписку и стоп-лист до первой отправки.
8. Меряйте долю черновиков, которые человек отправил без правок, и число ответов, а не количество найденных компаний.

Конвейер окупается тогда, когда человек тратит время на решения, а не на поиск и перепроверку. Тот же принцип, где ИИ готовит, а человек подтверждает, работает и в обработке заказов из писем.