AI sales assistant в n8n: как помогать менеджерам продавать быстрее, не обещая лишнего ¶

Обновлено: 2026-05-29

Короткий ответ ¶

AI sales assistant в n8n — это помощник менеджера, который готовит черновики писем, summary звонков, next steps, CRM notes, ответы на типовые возражения и напоминания о follow-up. Он не должен самостоятельно обещать скидки, сроки, интеграции или юридические условия. Надёжная схема: CRM event или email → сбор контекста → RAG по утверждённым материалам → генерация черновика → policy check → human approval → запись результата в CRM. Ценность такого assistant — не заменить продавца, а убрать рутину и сделать работу последовательной.

Какие задачи закрывает sales assistant ¶

В продажах много повторяемой работы, которую менеджеры часто делают неидеально из-за нагрузки: пересказать встречу, подготовить письмо, вспомнить кейс, сформулировать next step, обновить CRM, отправить follow-up, найти ответ на возражение, сравнить тарифы, написать короткое предложение. AI assistant хорошо подходит именно для подготовки материалов, а не для принятия коммерческого решения.

Хорошие сценарии:

черновик ответа на inbound-запрос;
follow-up после созвона;
summary встречи в CRM;
список next steps;
подготовка discovery questions;
подбор релевантного кейса;
ответ на типовое возражение;
проверка письма на тональность и ясность;
напоминание, что сделка без активности 5 дней;
подготовка internal brief для presale/tech team.

Плохие сценарии для полной автоматизации:

обещание индивидуальной скидки;
финальное КП без проверки;
юридические формулировки;
согласование SLA;
ответ на конфликтного клиента;
обещание roadmap-функций;
отправка договора;
изменение стадии сделки без причины.

Архитектура workflow ¶

Sales assistant лучше строить как набор workflow, а не один большой чат.

Trigger — CRM stage change, new email, meeting ended, manual button, Slack command.
Context loader — получает deal, contact, company, last emails, meeting notes, tasks.
Policy loader — подтягивает sales rules: discount policy, forbidden claims, approved wording.
RAG retriever — ищет релевантные материалы: кейсы, тарифы, docs, FAQ, playbook.
Assistant generation — готовит черновик или summary.
Validation — проверяет обязательные поля, banned claims, наличие next step.
Risk scoring — определяет, можно ли auto-save или нужен approval.
Human review — менеджер принимает, правит или отклоняет.
CRM update — записывает финальный текст, задачи и activity.
Feedback log — сохраняет diff между AI draft и финальной версией.

Главное: assistant должен работать с текущим контекстом сделки, а не с абстрактным prompt “напиши хорошее письмо”.

Какой контекст давать модели ¶

Минимальный контекст:

{
  "deal": {
    "id": "deal_1042",
    "stage": "discovery_completed",
    "amount": null,
    "product_interest": "n8n self-hosted automation",
    "next_meeting_at": "2026-06-02T12:00:00+03:00"
  },
  "contact": {
    "role": "Head of Support",
    "language": "ru",
    "seniority": "decision_influencer"
  },
  "company": {
    "industry": "ecommerce",
    "size": "100-300",
    "region": "RU"
  },
  "last_interaction_summary": "Клиент хочет автоматизировать тикеты из email и Telegram, опасается потери контроля над AI-ответами.",
  "allowed_claims": ["можем подготовить пилот", "можем обсудить self-hosted"],
  "forbidden_claims": ["гарантируем рост продаж", "дадим скидку", "сделаем за 1 день"]
}

Не передавайте весь CRM export. Лишний контекст увеличивает стоимость и повышает риск ошибки.

Как готовить follow-up письмо ¶

Хороший follow-up после встречи должен иметь структуру:

благодарность за разговор;
2–4 пункта, что поняли;
конкретное предложение следующего шага;
список вопросов или материалов;
дедлайн/время;
мягкое закрытие.

Пример output schema:

{
  "subject": "Следующий шаг по автоматизации поддержки",
  "body": "Ирина, спасибо за разговор. Зафиксировал, что сейчас важно...",
  "next_steps": [
    "Получить пример входящего письма",
    "Проверить текущую CRM-схему",
    "Подготовить карту пилотного workflow"
  ],
  "crm_note": "Клиент: ecommerce, боль — triage обращений, риск — контроль AI-ответов.",
  "requires_approval": true,
  "risk_reasons": ["mentions_commercial_next_step"]
}

Даже если письмо не отправляется автоматически, structured output полезен: CRM note, tasks и email draft можно обработать разными ветками.

Как отвечать на возражения ¶

Sales assistant должен отвечать на возражения только по утверждённым материалам. Не позволяйте модели изобретать аргументы. Заведите objection library:

Возражение	Что искать в базе	Что запрещено
“AI будет ошибаться”	human review, evals, approval, fallback	обещать 100% точность
“Self-hosted сложно поддерживать”	runbook, backup, monitoring, queue mode	скрывать операционные расходы
“Дорого”	ROI, cost of manual work, phased rollout	самовольно давать скидку
“У нас нестандартная CRM”	API discovery, пилот, mapping	обещать готовую интеграцию без аудита
“Безопасность”	least privilege, PII redaction, logs	утверждать compliance без проверки

Если RAG не нашёл релевантный approved source, assistant должен сказать: “нет утверждённого ответа, нужен менеджер”.

Как не обещать лишнего ¶

Добавьте policy check после генерации. Он должен ловить фразы:

“гарантируем”;
“точно сделаем за”;
“скидка”;
“бесплатно”;
“поддерживаем любой сервис”;
“полностью без ошибок”;
“соответствует закону”;
“без участия человека”.

Пример Code node:

const body = ($json.body || '').toLowerCase();
const banned = ['гарантируем', 'скидка', 'бесплатно', 'любой сервис', 'без ошибок'];
const hits = banned.filter(x => body.includes(x));
return [{
  json: {
    ...$json,
    policy_hits: hits,
    requires_approval: hits.length > 0 || $json.requires_approval === true
  }
}];

Это простая защита, но она предотвращает самые дорогие ошибки.

CRM notes и next steps ¶

CRM-запись должна быть краткой и полезной. Плохая заметка: “Поговорили, клиент заинтересован”. Хорошая:

{
  "crm_note": "Клиент обрабатывает ~300 обращений/день из email и Telegram. Главная боль — ручная сортировка и потеря SLA. Интерес: AI triage + human review. Риск: опасаются некорректных AI-ответов. Следующий шаг: запросить 20 обезличенных примеров обращений и показать пилотную схему.",
  "tasks": [
    { "title": "Запросить примеры обращений", "due_in_days": 1 },
    { "title": "Подготовить схему пилота", "due_in_days": 2 }
  ],
  "deal_stage_suggestion": "discovery",
  "confidence": 0.84
}

Менеджер должен быстро понять, что делать дальше.

Human approval ¶

Approval обязателен, если assistant:

пишет внешнее письмо;
упоминает цену, скидку, SLA, сроки;
отвечает на возражение безопасности;
предлагает техническую архитектуру;
формирует КП;
меняет stage сделки;
создаёт задачу другому отделу;
использует неполный контекст.

Для безопасных внутренних действий можно auto-save: summary встречи, draft task, reminder. Но внешняя коммуникация обычно требует review, пока качество не доказано метриками.

Метрики качества ¶

Считайте не только “сколько времени сэкономили”. Важнее качество и риски:

draft acceptance rate;
average edit distance между AI draft и финальным письмом;
time to follow-up;
meeting-to-follow-up latency;
policy violation rate;
complaint/escalation rate;
CRM note completeness;
next-step completion rate;
conversion to next stage;
cost per assisted deal.

Если acceptance rate высокий, но conversion падает, assistant может писать удобные, но слабые письма. Сравнивайте с outcome.

Типовые ошибки ¶

Assistant видит всё. Дайте ему только нужные источники и права.
Нет approved knowledge base. Модель начинает продавать фантазии.
Auto-send слишком рано. Сначала draft mode и измерение правок.
Нет связи с CRM. Если результат не записан, процесс разваливается.
Не учитываются стадия сделки и роль контакта. Письмо CEO и специалисту должно отличаться.
Нет policy check. Одна фраза про скидку может создать проблему.