Кейс: как мы автоматизировали обработку лидов на OpenAI API и сократили время ответа в 8 раз

Делимся реальным кейсом из нашей практики: как небольшая B2B-команда из 12 человек выстроила автоматическую первичную обработку лидов и в 8 раз сократила время ответа клиенту. Цифры, архитектура, конкретные промпты, ошибки и выводы.

Исходные условия

• 60–120 входящих лидов в неделю с лендинга и форм партнёров
• Менеджеры обрабатывали вручную: уточняли потребность, классифицировали, заводили в CRM
• Среднее время первого ответа — 4 часа в рабочее время, до суток в выходные
• Конверсия в квалифицированный лид — 38%

Что хотели

Снизить время первого ответа до 30 минут и автоматически фильтровать «мусорные» заявки, чтобы менеджеры тратили время только на тёплых.

Архитектура

Форма → вебхук → очередь (BullMQ) → воркер → OpenAI API → CRM/Telegram

В цепочку добавили вызов GPT-4.1 на двух этапах:

1. Классификация: определить категорию лида (B2B/B2C, размер компании, готовность к покупке).
2. Персонализированный ответ: сгенерировать первое письмо с учётом классификации и истории клиента.

Промпт классификатора (упрощённо)

Ты — аналитик отдела продаж B2B-компании.
На вход — заполненная форма заявки.
Задача — выдать JSON с полями:
  segment: "smb" | "enterprise" | "private"
  intent: "explore" | "compare" | "buy" | "spam"
  priority: 1..5
  rationale: краткое обоснование

Если данных недостаточно — выставляй intent: "explore", priority: 3.
Никогда не выдумывай информацию.

Если интересно, как построить хорошие промпты — у нас есть отдельный материал с 12 сценариями использования ChatGPT в малом бизнесе, там много шаблонов.

Что сработало

• Жёсткий JSON-формат на выходе. Никаких свободных рассуждений — ловятся валидатором, прерывают конвейер при ошибке.
• Дедупликация на уровне очереди: один и тот же email/телефон не обрабатывается дважды за час.
• Фоллбек: если API отвечает дольше 6 секунд — лид уходит в «ручную» с пометкой «AI: timeout».

Что не сработало с первого раза

• Слишком общий промпт: модель путала «explore» и «compare». Помогли few-shot примеры в системном сообщении.
• Длинный контекст: пытались скармливать всю историю клиента. Стоимость росла, качество — нет. Урезали до 3 последних взаимодействий.
• Слепое доверие к классификации: первый месяц считали, что приоритет 5 = горячий лид. На деле — 30% таких оказывались автоматическим спамом из агрегаторов. Добавили эвристический фильтр поверх.

Цифры до/после (3 месяца)

Метрика	До	После
Время первого ответа	4 ч	30 мин
Конверсия в квалифицированный лид	38%	47%
Стоимость обработки одного лида	~12 ₽	~3 ₽ + 1.4 ₽ API
Часов менеджеров на рутине / нед	18	4

Стоимость и окупаемость

Расходы на API — около 3 200 ₽ в месяц при 400 заявках. Высвобождение 14 часов работы менеджеров с ставкой 600 ₽/час — это 8 400 ₽ в месяц. Чистая экономия — около 5 200 ₽/мес плюс быстрее реакция → выше конверсия.

Что важно для предпринимателя

Не пытайтесь автоматизировать всю воронку сразу. Начните с одного узкого этапа, где у вас есть чёткая метрика. Чтобы изучить сами инструменты — посмотрите подборку топ-5 нейросетей для контента и текстов — многие из них имеют API и подходят для подобных задач.

Технические гайдлайны

• Всегда логируйте полный prompt + completion в отдельную таблицу. Это спасёт при аудите и поможет улучшать промпты.
• Тестируйте на изолированной выборке перед прод-релизом. Минимум — 50 ручных лидов, классифицированных вашими менеджерами.
• Заложите бюджет на дрейф модели: каждые 3 месяца переоценивайте качество.