Кейс: B2B-стартап нашёл 12 клиентов за месяц с AI-исследованием рынка

HRTech-стартап (название просили не публиковать) за один календарный месяц перешёл от двух-трёх встреч в месяц без сделок к 12 подписавшимся клиентам. Основатель — один человек, без команды продаж, без бюджета на SDR. Инструменты — Claude Opus 4.7 с миллионным контекстом и Perplexity Pro с Deep Research. Расход на стек — меньше 20 тысяч рублей в месяц. Ниже — пошаговый разбор, что в этом пайплайне сработало, что нет и почему первый сегмент пришлось выбросить целиком.

Контекст: один основатель, нулевая воронка

Стартап делает мини-SaaS для HR-команд: автоматический разбор резюме и составление подборок под вакансию. Основатель — бывший рекрутер с инженерным бэкграундом, на момент проекта работал в одиночку: писал код, тестировал, общался с клиентами. До февраля 2026 ситуация выглядела так:

• 2–3 встречи с потенциальными клиентами в месяц. Источники — нетворкинг, входящие из тг-канала, рекомендации.
• 0 подписавшихся клиентов за весь четвёртый квартал 2025.
• Стоимость продукта: 25 тысяч рублей в месяц, целевой контракт — годовой.
• Ресурс на продажи: 4–5 часов в день, остальное — разработка.

Найм SDR (sales development representative) обсуждался, но не подходил: один человек на ставку — это 80–120 тысяч в месяц без учёта инструментов, а закрыть таких хотя бы две позиции — половина годового бюджета. Запуск платной рекламы тоже отметали: продукт в нише, где LTV нужно зарабатывать долго, и холодные клики не отбивались.

Решение нашли в формате «один человек плюс AI». Идея: автоматизировать самую дорогую часть холодных продаж — исследование лида и подготовку персонализированного outreach — и оставить человеку только то, что нельзя делегировать (встречи, демо, переговоры).

Что сделали: четыре шага AI-воронки

Архитектура процесса состоит из четырёх блоков. Все они работают в Notion + Google Sheets с минимальной автоматизацией, без отдельной CRM на старте.

Шаг 1. Сбор пула из 200 потенциальных клиентов

Сюда уходит большая часть Claude Opus 4.7 с 1M контекстом. В одну итерацию модели передаются:

• Список 20 источников (медиа: vc.ru, Forbes, RBC; LinkedIn-фиды; Telegram-каналы про HR).
• Профиль ICP (ideal customer profile): российские компании 100+ сотрудников, активный найм, HR-отдел от 3 человек, упоминание автоматизации или цифровизации HR в публикациях за последние 6 месяцев.
• Список того, что нужно вытащить: название, ИНН (для последующего скоринга по СПАРК), сайт, имя HR-директора, последняя публичная активность.

Claude Opus 4.7 в один прогон обрабатывает большой массив исходных материалов и выдаёт структурированную таблицу. На 200 компаний уходит примерно 4–5 часов в фоновом режиме и около 6000 рублей на API. Альтернативно похожая логика — в кейсе AI для конкурентного анализа, только там фокус на конкурентов, а не на клиентов.

Шаг 2. Скоринг по пяти признакам

Каждой компании проставляется балл от 0 до 5 по пяти признакам:

1. Размер HR-команды (по LinkedIn и hh.ru).
2. Темп найма за последние 90 дней (число открытых вакансий).
3. Публикации про цифровизацию HR.
4. Доход и финансовая стабильность (через ЕГРЮЛ и СПАРК).
5. География (Москва, СПб, регионы-миллионники).

Скоринг тоже делает Claude — на вход подаются собранные данные, на выход получаем JSON со скором и обоснованием. Дальше в работу берутся только компании с баллом 3 и выше — таких из 200 получилось 74.

Шаг 3. Персонализированные cold-emails

Здесь главный трюк — сегментация. Основатель разбил 74 компании на четыре микро-сегмента: ИТ-компании, ритейл и e-commerce, производство, госструктуры и крупный B2B-сервис. Под каждый сегмент — свой промпт для Claude с примерами писем, тоном, формулировкой ценности.

Структура каждого письма строгая:

• Первое предложение — конкретный факт о компании, найденный в Deep Research.
• Второе — связка факта с проблемой ICP.
• Третье — ценностное предложение, на 1 строку.
• Четвёртое — короткий CTA (15-минутный звонок).

Письма Claude генерирует пачкой, основатель смотрит каждое перед отправкой и поправляет руками 2–4 строки. На 74 письма уходит примерно 3 часа.

Шаг 4. Follow-up sequence из 7 шагов

Если ответа нет за 4 дня — уходит follow-up на основе нового факта про компанию (Deep Research ищет свежий новостной повод). Всего sequence — 7 касаний за 28 дней, после чего лид помечается «не созрел» и уходит в долгий nurturing-список.

Цифры за 30 дней

Метрика	До	После
Встреч в месяц	2–3	12
Закрытых пилотов	0	4
Подписавшихся клиентов	0	12
Open rate cold-email	18%	49%
Reply rate	1,2%	11,8%
Время на одного лида	90 мин	12 мин

Двенадцать подписавшихся — это не «двенадцать платных лицензий», а двенадцать заключённых договоров. Из них 7 — годовые, 5 — квартальные с правом продления. Суммарная контрактная сумма за месяц — 3,4 млн рублей.

Что не сработало с первого раза

Главный провал — выбор первого сегмента. На старте основатель сделал ставку на стартапы 5–10 сотрудников: «свои», быстрые в принятии решения, быстрый sales cycle. Через две недели — нулевой результат. Деньги у этого сегмента есть, но платить за HR-автоматизацию они не готовы: рекрутингом занимается основатель в свободное время, бюджета на HR-инструменты нет в принципе.

Перешли на сегмент «корпорации 100+ сотрудников» — там работает HR-отдел, есть бюджет, есть боль. Сразу пошли встречи. Это типичный урок, который вылезает во многих кейсах внедрения AI в малом и среднем бизнесе и в обзоре нейросетей в продажах: AI ускоряет процесс, но не исправляет ошибку в позиционировании.

Второй промах — слишком длинные первые письма. Первая версия писала 250–350 слов, развёрнуто. Reply rate был 2 процента. Сократили до 80–120 слов, ввели правило «одна ценность на одно письмо» — reply rate вырос в пять раз. С этим помогает связка с подходами customer development через ChatGPT: начинать диалог нужно с конкретного вопроса, а не с презентации.

Третья ошибка — попытка автоматизировать ответы клиентам через AI. На пятый день основатель подключил Claude к Inbox: модель должна была отвечать на простые вопросы и квалифицировать лидов. Результат — две жалобы за неделю («чувствую, что общаюсь с роботом») и одно потерянное письмо (важный лид написал, AI ответил формально, лид не дошёл до встречи). Отключили. Вывод: первые касания может делать AI, но ответы — только человек, по крайней мере пока выручка стартапа не позволяет нанять SDR.

Стоимость и ROI

Месячный расход на стек:

• Claude Pro (для UI-работы) + API: 12 000 ₽ через прокси-провайдера.
• Perplexity Pro с Deep Research: 7 000 ₽ через прокси.
• Инструменты: Google Workspace, Hunter.io, Apollo (free tier): 0–2 000 ₽.

Итого — около 21 000 ₽ в месяц. Время основателя на воронку — 4 часа в день, против привычных 5: одна минута экономии в час за счёт AI.

Доход от 12 подписанных контрактов за месяц — 3,4 млн рублей контрактной выручки. Денежный поток в первый месяц меньше (часть контрактов с отсрочкой и тестовым периодом), но даже консервативная оценка — это окупаемость стека за один-два дня.

Частые вопросы

Работает ли это без бюджета на оплату через прокси

Для Claude Pro и Perplexity Pro прокси-оплата в РФ — основной вариант. Если совсем нет возможности — попробуйте YandexGPT 5 и Deep Search в Алисе для исследования, а письма генерировать через GigaChat MAX. Качество будет на 20–30 процентов ниже, но это рабочий минимум.

Почему именно Claude Opus 4.7, а не GPT-5.5

Главное — миллионный контекст. В Claude можно затолкать сразу пачку статей про 50 компаний и попросить вытащить структурированные данные одним запросом. У GPT-5.5 контекст меньше, и приходится бить задачу на части, что усложняет и удорожает. Альтернатива — Gemini c длинным контекстом, но качество анализа сильно ниже на русскоязычных источниках.

Какой инструмент использовать вместо Apollo, который в РФ работает плохо

Hunter.io работает стабильно, плюс ручной парсинг hh.ru и LinkedIn. Для российского рынка хорошо ложится связка «Rusprofile + СПАРК Free» — там есть ИНН, ОГРН, ФИО директоров.

Сколько времени уходит на сборку одного письма

С нуля — 15–20 минут, потому что нужно проверить факты. Если воронка уже отлажена, и Claude получает контекст из готовой базы — 3–4 минуты на лид. Это сравнимо с тем, что описано в кейсе агентства, сэкономившего 200 часов в месяц.

Что делать, если open rate низкий

Меняйте темы писем. AI можно попросить сгенерировать 10 вариантов темы под одно письмо и протестировать. У основателя итоговая тема выглядела как короткий вопрос — «Готов разобрать вашу воронку найма за 15 минут?», open rate был 49 процентов.

Не считается ли это спамом по российскому законодательству

Холодные B2B-письма с конкретной ценностью и возможностью отписаться — допустимы. Но юристы советуют добавлять в подпись адрес юрлица и ссылку на отписку. С этим мы сверялись по материалам РБК про регулирование B2B-маркетинга.

Что взять с собой

• Связка «исследование + персонализация + sequence» работает без команды продаж, если выбрать правильный ICP.
• Первый сегмент почти всегда ошибочный. Закладывайте на проверку гипотезы 2–4 недели.
• Длинное контекстное окно — не маркетинг, а реальная экономия времени. Один запрос вместо десяти — это часы.
• AI на исходящие касания да, AI на ответы клиентам — нет. Минимум до тех пор, пока у вас не появится SDR-человек.
• Отслеживайте reply rate, а не open rate. Открытие письма ничего не значит — отвечает на письмо тот, для кого ценность очевидна.