Outbound AI на e-mail и LinkedIn
Поиск лидов по ICP-фильтру, обогащение, генерация персонализированных icebreaker'ов, отправка в существующую sequencer-систему (Snov, Reply, Mailshake, GMass). Объём — до 5 000 контактов в неделю.
— ai-sales-lab v 4.2 / 2025-11 — production
Воронка продаж
на автопилоте.
{ ai_agents } в B2B.
AI Sales Lab — компактная команда, которая встраивает AI-агентов в существующую воронку B2B-продаж. Outbound через LinkedIn и e-mail, чат-боты квалификации на сайте, скоринг лидов в CRM, голосовые ассистенты для входящих заявок. Не «чатик с GPT-3», а production-системы с метриками и интеграцией в ваш sales-стек.
// последний запуск
проект
Outbound AI на LinkedIn
обработано
14 200 контактов
встреч
184
стоимость встречи
1 240 ₽
[2025-11-04 09:14:22] → agent loaded · model: gpt-4o · prompt v1.4 · context: 32k
[2025-11-04 09:14:24] → linkedin_scraper: 142 new contacts matched ICP filter
[2025-11-04 09:14:31] → enrichment: 138 / 142 enriched (Apollo, Leadfeeder, manual)
[2025-11-04 09:14:48] → icebreaker generated for 138 contacts (avg. 47 tokens)
[2025-11-04 09:14:52] ⚠ 4 contacts skipped — low confidence in role match
[2025-11-04 09:15:02] → sequence queued: 138 messages, schedule: optimal-send-time
→ next batch in 14:00 MSK · 220 contacts in queue
— 01 / манифест
Воронка в 2025-м уже не работает руками.
Sales Development Representative тратит 6 минут на одно холодное письмо: 2 минуты — найти и проверить контакт, 3 — написать персонализированный icebreaker, 1 — отправить в sequencer. На день это 60–80 писем.
AI-агент делает то же самое за 9 секунд на письмо. Качество персонализации сравнимо. Объём — на порядок выше. Цена — в 30 раз ниже.
Это не значит, что SDR больше не нужны. Они нужны там, где AI пока не работает: звонки тёплым лидам, переговоры, закрытие сделок. AI забирает у них рутину, а не профессию.
В AI Sales Lab мы строим именно такие гибриды. Начинаем с самого скучного и повторяющегося в воронке, заменяем это AI-агентом, освобождённое время отдаём людям на сложное.
× 10обычный прирост
объёма outbound
объёма outbound
− 72 %стоимость одной
встречи в воронке
встречи в воронке
4–6 недсредний срок
запуска первого агента
запуска первого агента
26проектов
с 2023 года
с 2023 года
— 02 / сервисы
Что мы внедряем
Шесть направлений работы. Каждое — production-готовое, с метриками и поддержкой после запуска.
Чат-бот квалификации на сайте
Заменяет форму «оставьте заявку — менеджер перезвонит». Узнаёт контекст в живом диалоге, квалифицирует лида по 5–8 вопросам, передаёт в CRM с готовой карточкой и приоритетом.
Лид-скоринг и приоритизация в CRM
AI ранжирует входящих лидов по вероятности конверсии. Учитывает не только формальные критерии (бюджет, размер компании), но и косвенные сигналы — содержимое первого письма, активность на сайте, паттерны прошлых сделок.
Голосовой AI для входящих звонков
Принимает первичный звонок, узнаёт о потребности в живом диалоге, квалифицирует по тем же критериям, что и чат-бот, передаёт менеджеру с готовой расшифровкой и приоритетом.
Внутренний AI-ассистент для SDR
Корпоративный copilot: знает все ваши прошлые сделки, документы, прайсы. SDR может задать вопрос «была ли у нас сделка с такой-то компанией» и получить мгновенный ответ.
Поддержка и развитие после запуска
AI-агенты — не «настроил и забыл». Меняется ICP, меняются триггеры, обновляются prompt'ы под новые модели. Поддерживаем точность работы агента в условиях изменчивого мира.
— 03 / кейсы
Что работает в проде
Имена клиентов под NDA. Цифры, стек, временные затраты — настоящие.
Outbound AI, который вырастил встреч в 8 раз
SaaS-стартап в HR-tech. До нас работали с двумя SDR — каждый делал по 60 писем в день, итого 800 в неделю. Конверсия в встречу — 1.4 %, около 11 встреч в неделю.
Запустили Outbound AI с двумя ICP-сегментами (HRD в компаниях 100–500 человек и СEO стартапов посевной стадии). Через 6 недель агент делал 6 200 писем в неделю с конверсией 1.5 % — 93 встречи в неделю. Стоимость встречи упала с 8 800 ₽ до 1 240 ₽.
PythonGPT-4oApolloReply.ioPostgres
× 8.4встреч в неделю
Чат-бот, который квалифицирует лучше младшего менеджера
SaaS-сервис для логистики. Проблема: 180 заявок в неделю с сайта, 80 % — нерелевантные (физлица, фрилансеры, конкуренты). Sales-команда тонет в фильтрации.
Поставили чат-бот на сайт — заменил типовую форму. Бот ведёт 5-минутный диалог, проверяет 7 параметров квалификации (объём грузоперевозок, география, юр.статус), пишет в CRM только релевантных лидов. Доля релевантных лидов в воронке выросла с 20 % до 76 %.
TypeScriptClaude 3.5RAGVoiceflowamoCRM
× 3.8доля релевантных лидов
Корпоративный copilot, который помнит 6 лет сделок
Производитель промышленного климатического оборудования: 14 sales-менеджеров, у каждого по 70–120 активных сделок, история в Битрикс24 за 6 лет. Найти «была ли у нас сделка с такой-то компанией и чем закончилась» — занимало 20 минут.
Построили внутренний ассистент с RAG над всей историей CRM, документами и спецификациями. Менеджер задаёт вопрос в Telegram-боте — получает ответ за 5 секунд с ссылками на исходные карточки.
PythonGPT-4oPineconeБитрикс24 APITelegram Bot
− 19 чв неделю на одного менеджера
— 04 / процесс
Как идёт внедрение
/ ФАЗА 01 · 1–2 нед
Discovery
Звонки с sales и маркетингом, анализ воронки, поиск самой неэффективной точки.
/ ФАЗА 02 · 1–2 нед
Прототип
Работающий минимальный агент на 50–100 контактах. Настройка тонов, проверка точности.
/ ФАЗА 03 · 2–3 нед
Production
Полное развёртывание, интеграция с вашим стеком (CRM, sequencer, чат, телефония).
/ ФАЗА 04
Калибровка
2 недели после запуска: подбираем prompt'ы, скоринг, фильтры под реальные данные.
— 05 / команда
Кто работает
/ ID 01
СК
Сергей Ковальский
основатель / CTO
/ ID 02
НЕ
Наталья Ермакова
продукт / sales
/ ID 03
ОБ
Олег Бронников
ML / AI инженер
/ ID 04
ЛИ
Лиза Иванникова
prompt engineer
/ ID 05
МС
Максим Симченко
работа с клиентами
— 06 / faq
Частые вопросы
Это не «GPT в чатике»? Что у вас другое?
Каждый наш агент — это отдельная система с тщательно настроенными prompt'ами, RAG-базой, мониторингом точности, fallback-логикой и интеграцией в ваш sales-стек. Не один диалоговый интерфейс, а production-pipeline. Мы пишем код, держим инфраструктуру, мерим метрики.
Какие модели используете? Можно ли отказаться от OpenAI?
По умолчанию — GPT-4o, Claude 3.5 Sonnet и GPT-4-mini (для дешёвых операций). Если вам критично иметь модели в РФ — работаем с YandexGPT и российскими опенсорс-моделями (Saiga, Vikhr). Точность чуть ниже, но всё ещё production-готова. Обсуждаем индивидуально.
Сколько стоит «эксплуатация» AI-агента в месяц?
Зависит от объёма. Outbound-агент на 5 000 писем в неделю стоит около 18 000 ₽/мес в API-токенах + 8 000 ₽/мес за обогащение через Apollo. Чат-бот — около 4 000 ₽/мес. Точные цифры считаем под вашу нагрузку на этапе discovery.
Что если AI начнёт писать ерунду или хамить клиентам?
Это известный риск, под который мы строим защиту: фильтр на «хамские» формулировки на выходе, человеческая модерация первых 200 писем после запуска, ежедневный sample-чек на 10% сообщений, автоматический алёрт при подозрительных паттернах. За 26 проектов случаев публичных скандалов из-за AI у нас не было.
Можно ли начать с маленького проекта на 200–300 тыс ₽?
Можно, но честно скажем: на этом бюджете нельзя сделать полноценный production-агент. Мы можем сделать proof-of-concept, который покажет возможности на тестовом сегменте — этого хватит, чтобы принять решение, идти ли дальше. На полное внедрение нужны как минимум те 380–850 тысяч, которые указаны в прайсе.
Как у вас устроена работа с персональными данными?
Все обработки персональных данных оформлены в соответствии с 152-ФЗ. С российскими клиентами на чувствительные сегменты (банки, госы) работаем в строгой схеме: данные не покидают РФ-инфраструктуры, для LLM-обработки используем российские модели или приватный fine-tuned LLama. С международными — стандартный SOC2-комплаентный pipeline.