AI-фильтр входящих заявок перед CRM: схема внедрения на n8n

Главный факт: n8n в официальной документации описывает AI Agent node как автономную систему, которая получает данные, принимает решения и использует внешние инструменты и API, а к самому AI Agent node нужно подключить как минимум один tool sub-node. Это важно для бизнеса: AI-агент в заявках не должен быть «чатом сам по себе», он должен работать в управляемом workflow, где есть входные данные, проверки, условия, ручное согласование и запись результата в CRM. Описание узла есть в документации n8n: https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent/.

Практический вывод простой: для малого и среднего бизнеса безопаснее начинать не с агента, который сразу пишет клиенту или меняет сделку, а с AI-фильтра перед CRM. Он читает входящую заявку, приводит ее к единому виду, отмечает рискованные места, предлагает категорию и следующий шаг. Менеджер видит готовую карточку, но финальное действие остается под контролем команды.

Такой подход полезен, когда заявки приходят из форм, мессенджеров, почты, рекламных кабинетов, маркетплейсов или внутренних таблиц. Проблема обычно не в том, что менеджеры не умеют отвечать клиентам. Проблема в хаосе на входе: разный формат сообщений, неполные контакты, дубли, спам, эмоциональные обращения, запросы не по профилю, заявки без бюджета или без понятного продукта. AI-фильтр не заменяет отдел продаж, а снимает с него первичную грязную работу.

Ниже разберем, как спроектировать такой фильтр без выдуманных KPI и обещаний. В статье будут только проверяемые факты о возможностях n8n и практическая схема внедрения, которую можно адаптировать под свой процесс.

Что такое AI-фильтр заявок

Не бот для общения, а слой контроля

AI-фильтр перед CRM — это промежуточный слой между источником заявки и карточкой сделки. Он не обязан вести переписку. Его главная задача — подготовить заявку так, чтобы менеджер быстрее понял контекст и не потерял важные детали.

В типовом workflow фильтр получает текст заявки, контактные поля и технические метки источника. Затем он проверяет сообщение на мусор, выделяет намерение клиента, нормализует данные, предлагает категорию и формирует краткое резюме. После этого workflow может отправить заявку менеджеру, положить ее в таблицу, создать задачу или подготовить черновик записи в CRM.

Важный принцип: фильтр не должен принимать необратимые решения там, где цена ошибки высока. Если заявка спорная, конфликтная, юридически чувствительная или связана с крупной покупкой, ее лучше отправлять на ручную проверку. Это не снижает ценность автоматизации. Наоборот, так команда получает пользу от AI, не превращая его в неконтролируемую точку риска.

Где проходит граница ответственности

Хороший AI-фильтр отвечает за подготовку информации. Человек отвечает за коммерческое решение. В простом процессе это выглядит так:

1. AI читает входящее сообщение.
2. AI выделяет смысл: что хочет клиент, какой продукт упомянут, какие данные отсутствуют.
3. Workflow проверяет результат по правилам.
4. Спорные случаи уходят на ручную проверку.
5. Только проверенные заявки попадают в CRM или в очередь менеджера.

Такой контур особенно важен, если в компании уже есть статьи, скрипты, правила квалификации и SLA. AI не должен придумывать новый процесс продаж. Он должен помогать соблюдать существующий.

Почему это лучше, чем сразу «полный AI-продавец»

Полный AI-продавец звучит привлекательно, но для большинства команд это слишком широкий первый шаг. Нужно контролировать тон общения, скидки, юридические формулировки, обещания по срокам, доступность товара, статусы оплат и множество исключений.

AI-фильтр уже дает практическую пользу, но остается проще в управлении. Он работает с внутренними данными, не обещает ничего клиенту и не меняет условия сделки без проверки. Поэтому его легче согласовать с руководителем продаж, маркетологом и собственником.

Если у вас уже есть базовый агент для заявок, полезно сравнить подход с материалом про AI-агента для входящих заявок в n8n. А если процесс пока вообще не описан, начните с карты входящих каналов и правил передачи заявки менеджеру.

Из чего состоит workflow

Источник заявки

Первый блок — источник. Это может быть форма на сайте, почта, мессенджер, таблица, webhook или другой интеграционный узел. На этом этапе задача не в интеллекте, а в дисциплине данных: сохранить исходное сообщение, источник, время получения внутри вашей системы, контактные поля и технический идентификатор.

Даже если AI позже сформирует красивое резюме, исходник нужно хранить отдельно. Менеджеру важно видеть, что клиент написал на самом деле. Это снижает риск, что сокращенное резюме скроет нюанс: возражение, срочность, ограничение по региону, нестандартный запрос или конфликтный тон.

Не стоит перегружать первый блок логикой. Он должен надежно принимать данные и передавать их дальше. Чем проще вход, тем легче потом искать ошибку.

Предобработка текста

На втором этапе workflow приводит заявку к читаемому виду. Здесь можно убрать технические хвосты, собрать несколько полей в один текст, привести телефон и email к единому формату, отделить сообщение клиента от служебных параметров.

Это не обязательно AI-задача. Многое делается обычными правилами: если поле пустое, поставить метку; если источник известен, добавить канал; если тема письма содержит служебный префикс, убрать его из текста для модели, но сохранить в исходных данных.

Чем лучше предобработка, тем меньше AI будет гадать. Модель должна получать понятный контекст: «вот текст клиента», «вот канал», «вот продуктовая линейка», «вот правила классификации». Не надо отправлять ей весь технический мусор подряд.

AI-классификация

AI-классификация отвечает на ограниченный набор вопросов. Например:

1. Это реальная заявка или мусор?
2. Какой тип запроса: покупка, консультация, поддержка, партнерство, жалоба, другое?
3. Какие поля не хватает для следующего шага?
4. Есть ли признаки срочности?
5. Нужно ли ручное согласование перед записью в CRM?

Хорошая классификация не требует длинного художественного ответа. Наоборот, лучше просить структурированный результат: категория, краткое резюме, уровень уверенности словами, причины, рекомендуемое действие. Если workflow дальше должен принимать решение, ему нужен предсказуемый формат.

В n8n AI Agent node, по данным официальной документации, использует внешние инструменты и API для действий и получения информации, а также требует подключенный tool sub-node. Это удобно, когда агенту нужно не просто пересказать заявку, а проверить данные во внешнем источнике или подготовить действие в workflow. Но для первого внедрения часто достаточно узкой классификации и правил после нее.

Guardrails и проверки

Отдельный блок — безопасность и контроль качества. В документации n8n Guardrails node описан как узел для применения политик безопасности, защиты и контента к тексту. Его можно использовать для проверки пользовательского ввода до отправки в AI-модель или проверки вывода AI-модели до дальнейшего использования в workflow: https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-langchain.guardrails/.

Для заявок это полезно в двух местах. До модели можно отсечь явно неподходящий или опасный ввод. После модели можно проверить, не попали ли в результат лишние персональные данные, секретные ключи, нежелательные URL или текст вне заданной темы.

Не надо считать guardrails магической защитой. Это дополнительный слой, а не замена здравому процессу. Но он помогает превратить AI из «черного ящика» в часть управляемой схемы.

Ручная проверка

Ручная проверка нужна не для всех заявок. Она нужна для тех, где автоматический шаг может навредить: жалоба, нестандартный договор, необычная скидка, неясный продукт, конфликт, крупный клиент, запрос не по профилю.

В n8n есть логика ожидания: документация Waiting говорит, что workflow можно поставить на паузу в середине выполнения и затем продолжить с теми же данными; ожидание возможно по заданной длительности или до события через webhook: https://docs.n8n.io/flow-logic/waiting/. Это хорошо ложится на сценарий, где менеджер или руководитель нажимает «одобрить», «отклонить», «уточнить» или «передать другому».

Если в компании уже есть практика контроля, посмотрите также материал про AI-агента с контрольными точками. Контрольные точки лучше встроить сразу, чем потом чинить процесс после неудачной автоматизации.

Какие правила заложить до запуска

Правила входа

Первое правило: AI не должен получать больше данных, чем нужно для задачи. Если для классификации хватает текста заявки, канала и названия формы, не стоит отправлять в модель внутренние комментарии менеджеров или лишние поля из CRM.

Второе правило: исходная заявка хранится отдельно от AI-резюме. Это помогает разбирать спорные случаи и обучать команду. Если менеджер видит только пересказ, он может не заметить ошибку интерпретации.

Третье правило: каждый источник должен иметь понятную метку. Заявка из формы, письмо от клиента и сообщение из чата могут требовать разного маршрута. AI может помочь классифицировать смысл, но источник лучше передавать как отдельное поле.

Правила классификации

Не просите модель «оценить качество лида» в вакууме. Для одного бизнеса хороший лид — это клиент с готовым бюджетом. Для другого — человек, который только выбирает подрядчика. Для третьего — повторное обращение старого клиента.

Сначала опишите свои категории. Например:

Поле	Что означает	Кто проверяет
intent	намерение клиента	руководитель продаж
product_hint	какой продукт или услуга упомянуты	менеджер направления
missing_fields	чего не хватает для следующего шага	менеджер
risk_flag	есть ли причина не автоматизировать дальше	руководитель или старший менеджер
summary	короткое резюме заявки	менеджер

Категорий должно быть достаточно для работы, но не слишком много. Если список превращается в каталог из десятков вариантов, модель будет чаще путаться, а менеджеры перестанут доверять результату.

Правила выхода

Результат AI-фильтра должен быть пригоден для человека и для системы. Для человека нужно краткое резюме понятным языком. Для системы нужны стабильные поля.

Например, workflow может возвращать:

1. is_lead: да или нет.
2. route: продажи, поддержка, партнерство, ручная проверка.
3. summary: короткое резюме.
4. next_question: что уточнить у клиента.
5. reason: почему выбран такой маршрут.

Не нужно заставлять AI сразу писать длинное коммерческое предложение. На первом этапе лучше получить аккуратную карточку заявки и понятный следующий шаг.

Правила остановки

Автоматизация должна уметь останавливаться. Если не хватает контакта, если текст слишком короткий, если клиент просит нестандартные условия, если найден конфликт или жалоба, workflow должен отправить заявку человеку.

Это особенно важно для продаж в B2B и услугах, где один неправильный ответ может испортить переговоры. AI-фильтр должен поднимать красные флаги, а не прятать их в красивом тексте.

Как собрать процесс в n8n

Схема без лишней сложности

Для первого запуска достаточно простой схемы:

1. Trigger получает заявку.
2. Узел подготовки собирает текст и служебные поля.
3. Guardrails проверяет входной текст.
4. AI-классификатор возвращает структурированный результат.
5. Условие разделяет обычные и рискованные заявки.
6. Обычные заявки уходят в CRM или очередь менеджера.
7. Рискованные заявки уходят на ручную проверку.

Такой workflow проще поддерживать, чем большой агент, которому разрешено делать все сразу. Если что-то идет не так, вы видите, на каком этапе возникла ошибка: прием, подготовка, проверка, классификация, условие или запись результата.

Промпт для классификации

Промпт должен быть коротким и операционным. Не нужно просить модель «думать как лучший продажник». Лучше дать ей роль, входные поля, список категорий и формат ответа.

Пример структуры:

Ты классифицируешь входящие заявки для отдела продаж.
Не отвечай клиенту.
Не придумывай факты.
Используй только текст заявки и служебные поля.
Верни JSON с полями: is_lead, route, summary, missing_fields, risk_flag, reason.
Если данных не хватает, поставь route = "manual_review".

Такой текст не является универсальным решением, но показывает направление. Модель не должна вести диалог, обещать скидку или менять статус сделки. Она должна вернуть рабочую разметку.

Проверка результата перед CRM

После AI-ответа стоит проверить, что результат соответствует ожидаемому формату. Если поле отсутствует или содержит неожиданный вариант, workflow должен отправить заявку на ручную проверку, а не пытаться угадать.

Это скучная часть, но именно она делает автоматизацию надежной. В продажах ломается не только «интеллект», но и обычная интеграция: пустое поле, новый источник, изменившаяся форма, неожиданный символ, письмо без темы. Поэтому проверка структуры не менее важна, чем качество модели.

Когда подключать инструменты

AI Agent node в n8n уместен, когда модели нужно использовать инструменты: получить данные, вызвать API, найти запись, подготовить действие. Но подключать инструменты стоит постепенно.

Сначала агент может только классифицировать заявку. Затем можно дать ему чтение справочника продуктов. Потом — проверку дублей. Позже — подготовку черновика задачи. Доступ на запись в CRM лучше давать только после тестирования и с ограниченными правами.

Если вам важен именно агент с инструментами, полезно прочитать статью про AI-агента с инструментами для бизнеса. Там логика шире, а в этом материале фокус именно на фильтре перед CRM.

Как тестировать перед внедрением

Соберите реальные примеры

Тестировать AI-фильтр на придуманных идеальных заявках бесполезно. Нужны реальные примеры из ваших каналов: короткие сообщения, длинные письма, спам, дубли, жалобы, неполные контакты, запросы не по профилю, заявки с ошибками и разговорным языком.

При этом не обязательно передавать чувствительные данные в тестовый набор в открытом виде. Можно обезличить имена, телефоны, email и названия компаний, если они не нужны для проверки логики. Главное — сохранить структуру и смысл обращения.

Проверяйте не только точность, но и поведение при сомнении

Для бизнеса важна не абстрактная «точность AI», а поведение на краю. Что делает фильтр, если не уверен? Что происходит, если клиент написал одно слово? Как обрабатывается жалоба? Что будет, если заявка похожа на поддержку, но содержит коммерческий интерес?

Правильное поведение при сомнении — отправить на ручную проверку. Это снижает риск потерь и помогает команде доверять автоматизации. Если фильтр слишком смелый, менеджеры начнут перепроверять все вручную, и экономия исчезнет.

Ведите журнал ошибок

Каждая ошибка должна попадать в простой журнал: исходная заявка, результат AI, правильное решение, причина ошибки, что изменили в правилах. Это может быть таблица, задача в трекере или отдельная база.

Не нужно сразу строить сложную систему мониторинга. На старте важнее дисциплина: команда должна видеть, какие ошибки повторяются. Иногда проблема не в модели, а в нечетких категориях, плохом промпте или слишком широком маршруте.

Запускайте в режиме подсказки

Первый рабочий режим лучше сделать не автоматическим, а рекомендательным. AI-фильтр готовит карточку, но менеджер сам выбирает действие. Через некоторое время станет понятно, какие категории можно автоматизировать глубже, а какие всегда требуют человека.

Такой подход хорошо сочетается с идеей human-in-the-loop. Если нужен отдельный разбор, посмотрите материал про human review для AI-агента в n8n.

Ошибки, которые ломают AI-фильтр

Слишком широкий промпт

Если в одном промпте попросить классифицировать заявку, написать ответ клиенту, проверить дубль, оценить бюджет, выбрать менеджера и придумать следующий шаг, результат будет нестабильным. Лучше разделить задачи.

AI-фильтр должен делать ограниченную работу. Когда задача понятна, ее легче тестировать, объяснять команде и улучшать.

Нет ручного выхода

Автоматизация без ручного выхода опасна. В реальных заявках всегда будут исключения. Если workflow не умеет отправить спорный случай человеку, он начнет либо терять заявки, либо портить данные в CRM.

Ручной выход должен быть нормальным маршрутом, а не аварией. Менеджер не должен чувствовать, что «AI не справился». Это просто часть процесса.

Непонятные категории

Если менеджеры сами спорят, что считать квалифицированной заявкой, AI не решит эту проблему. Он лишь ускорит хаос. Перед внедрением стоит договориться о категориях и маршрутах.

Простой тест: дайте нескольким сотрудникам один набор заявок и попросите разметить их вручную. Если разметка сильно расходится, сначала уточните правила.

Запись в CRM без проверки

CRM — это рабочая система, а не черновик для экспериментов. Если AI создает сделки без проверки, быстро появляются дубли, странные названия, неверные статусы и лишние задачи.

На старте лучше писать результат в отдельную очередь или создавать черновик, который менеджер подтверждает. После тестирования можно автоматизировать узкие случаи, где риск низкий.

Отсутствие владельца процесса

AI-фильтр должен иметь владельца. Это не обязательно разработчик. Чаще всего нужен человек, который отвечает за правила продаж: руководитель отдела, операционный менеджер или собственник процесса.

Владелец решает, какие категории существуют, какие заявки рискованные, что считается ошибкой и когда можно расширять автоматизацию. Без владельца workflow быстро превращается в набор технических узлов, которые никто не улучшает.

Мини-план внедрения

Шаг первый: описать входящие каналы

Составьте список каналов: сайт, почта, мессенджеры, реклама, партнеры, маркетплейсы, ручные заявки. Для каждого канала отметьте, какие поля приходят стабильно, какие часто пустые и кто сейчас обрабатывает обращение.

На этом этапе не нужно внедрять AI. Нужно понять, где хаос. Часто уже простая карта каналов показывает, почему заявки теряются.

Шаг второй: выбрать один узкий поток

Не автоматизируйте все сразу. Выберите поток, где много повторяющихся заявок и понятные правила. Например, заявки с формы на консультацию или письма с типовым запросом.

Узкий поток легче проверить. Если процесс сработает, его можно расширить. Если нет, потери будут ограничены.

Шаг третий: собрать черновой workflow

Соберите прием заявки, подготовку текста, AI-классификацию и ручную очередь. Пока не нужно давать AI право писать в CRM без проверки. Цель первого workflow — показать менеджеру полезную разметку.

Проверьте, что исходное сообщение сохраняется, а AI-резюме не заменяет оригинал.

Шаг четвертый: прогнать исторические заявки

Возьмите набор старых заявок и прогоните через workflow. Сравните результат с тем, как команда обработала их фактически. Не пытайтесь доказать, что AI «лучше». Ищите места, где он помогает, и места, где ошибается.

После этого поправьте категории, промпт и правила остановки.

Шаг пятый: включить режим подсказки

В рабочем режиме AI-фильтр сначала должен помогать менеджеру, а не действовать вместо него. Менеджер видит резюме, категорию, недостающие поля и рекомендованный маршрут. Его выбор становится обратной связью для улучшения процесса.

Когда команда привыкнет к фильтру, можно автоматизировать самые безопасные действия: пометить спам, отправить неполную заявку на уточнение внутри команды, создать задачу без изменения статуса сделки.

Частые вопросы

Можно ли сразу доверить AI запись сделок в CRM?

Можно технически, но как первый шаг это рискованно. Лучше начать с черновиков и ручного подтверждения. Запись без проверки стоит включать только для узких сценариев, где правила понятны и ошибки не ломают продажи.

Нужен ли AI Agent node для простого фильтра?

Не всегда. Если задача только классифицировать текст и вернуть структурированный ответ, можно начать с более простой схемы. AI Agent node полезен, когда нужны инструменты и действия: работа с API, поиск данных, подготовка операций в workflow.

Что делать со спамом и мусорными заявками?

Спам лучше обрабатывать отдельным маршрутом. AI может предложить метку, но финальное правило должно быть осторожным. Если есть сомнение, заявка уходит человеку. Потерять реального клиента хуже, чем один раз вручную открыть мусорное сообщение.

Как понять, что фильтр готов к запуску?

Он готов к ограниченному запуску, когда на исторических заявках понятно, какие ошибки повторяются, есть ручной маршрут для сомнений, исходные сообщения сохраняются, а менеджеры понимают поля результата.

Можно ли использовать фильтр без n8n?

Да, идея не привязана к конкретной платформе. Нужен прием данных, вызов AI, проверка результата, условия и интеграция с рабочей системой. n8n удобен тем, что позволяет собрать workflow из узлов и связать AI-часть с обычной автоматизацией.

Что важнее: модель или правила процесса?

Для первого внедрения важнее правила процесса. Даже сильная модель будет ошибаться, если категории размыты, источник данных грязный, а ручного выхода нет. Модель улучшает процесс, но не заменяет его описание.

Как не превратить AI-фильтр в лишнюю бюрократию?

Оставьте только поля, которые реально помогают менеджеру принять следующий шаг. Если поле никто не читает и по нему не принимается решение, его лучше убрать. Хороший фильтр сокращает шум, а не добавляет новую форму ради формы.

Итог

AI-фильтр входящих заявок перед CRM — практичный первый шаг для бизнеса, который хочет использовать нейросети без резкого риска для продаж. Он не обещает заменить менеджеров и не требует сразу строить сложного AI-продавца. Его задача проще: привести заявку к понятному виду, подсветить риск, предложить маршрут и передать человеку аккуратную карточку.

Проверенная основа есть в n8n: AI workflow, AI Agent node, Guardrails и механика ожидания позволяют собрать управляемый процесс. Но успех зависит не от одного узла, а от правил: какие данные принимать, как классифицировать, когда останавливать автоматизацию и кто отвечает за улучшение.

Начинайте с одного потока, храните исходные сообщения, тестируйте на реальных заявках и держите человека в контуре. Тогда AI станет не спорным экспериментом, а нормальным рабочим фильтром перед CRM.