AI lead qualification в n8n: как скорить заявки, не терять хорошие лиды и не засорять CRM ¶

Обновлено: 2026-05-29

Короткий ответ ¶

AI lead qualification в n8n — это workflow, который получает заявку, обогащает её контекстом, оценивает fit с ICP, определяет приоритет, выбирает следующий шаг и передаёт результат в CRM. Хороший qualification-процесс не должен “угадывать”, купит ли клиент. Он должен честно показать: что известно, чего не хватает, почему лид получил score, кому его назначить и какой follow-up нужен. Production-версия обязательно включает deduplication, confidence, human review для крупных или спорных лидов и обратную связь от продаж.

Для чего нужен AI lead qualification ¶

Когда заявки приходят из форм, Telegram, email, рекламы, вебинаров и партнёрских каналов, менеджеры быстро тонут в шуме. В CRM появляются дубли, неквалифицированные контакты, студенты, подрядчики, конкуренты, спам и заявки без бюджета. При этом хорошие лиды могут лежать без ответа, потому что их не распознали вовремя.

AI qualification помогает разобрать входящий поток: понять, что человек хочет, насколько он похож на целевого клиента, есть ли срочность, подходит ли продукт, кто должен ответить и какое сообщение отправить первым. Но важно: AI не заменяет sales judgement. Он ускоряет первичную сортировку и собирает факты для менеджера.

Какие входы поддерживать ¶

Обычно lead qualification начинается не с CRM, а с разных каналов:

• форма на сайте;
• inbound email;
• Telegram/WhatsApp-заявка;
• чат-бот;
• лид из рекламной платформы;
• регистрация на вебинар;
• скачивание лид-магнита;
• партнёрская анкета;
• ручной импорт CSV.

Для каждого канала нужно привести данные к одному контракту. Иначе downstream logic будет ломаться.

{
  "lead_id": "web_2026_0529_1042",
  "source": "website_form",
  "contact": {
    "name": "Ирина",
    "email": "irina@example.ru",
    "phone": "+7...",
    "role": "operations director"
  },
  "company": {
    "name": "Example Retail",
    "domain": "example.ru",
    "size": "50-200",
    "industry": "retail"
  },
  "message": "Хотим автоматизировать заявки из сайта в CRM и Telegram",
  "utm": {
    "source": "yandex",
    "campaign": "n8n_crm"
  }
}

Если каких-то данных нет, оставляйте null, а не просите модель придумать.

Как выбрать scoring-модель ¶

Не нужно начинать с сложного ML. Для большинства n8n-сценариев достаточно гибридного score: правила + AI-анализ текста. Правила стабильны: регион, размер компании, корпоративный email, UTM, выбранный продукт. AI полезен там, где нужно понять смысл сообщения: боль, срочность, техническая зрелость, бюджетный сигнал.

Итоговый score не должен быть единственным результатом. Нужны reason codes: почему лид получил именно такой балл.

{
  "lead_score": 78,
  "tier": "A",
  "reason_codes": [
    "company_size_matches_icp",
    "clear_automation_pain",
    "urgent_timeline",
    "decision_maker_role"
  ],
  "missing_fields": ["budget_range"],
  "recommended_action": "assign_to_sales_with_2h_sla"
}

Как собрать workflow в n8n ¶

Базовая architecture:

1. Trigger — Webhook, Form, Email Trigger, Telegram Trigger или CRM event.
2. Normalize lead — приводим вход к общему JSON.
3. Deduplication — ищем существующий контакт/компанию/сделку.
4. Enrichment — домен, компания, UTM, источник, история касаний.
5. Information Extractor — извлекает pain, product interest, timeline, role, budget signal.
6. AI scoring — оценивает fit и reason codes.
7. Rule scoring — добавляет объективные баллы.
8. Score merge — объединяет и ограничивает результат.
9. Router — A/B/C/D lead, nurture, spam, review.
10. CRM write — create/update lead/deal/contact.
11. Sales notification — Slack/Telegram/email с контекстом.
12. Feedback loop — sales outcome возвращается в dataset.

Deduplication должна идти до create lead. Иначе AI будет каждый раз “красиво” создавать новый лид с тем же email.

Как делать deduplication ¶

Проверяйте несколько ключей:

• точный email;
• нормализованный телефон;
• домен компании;
• название компании без ООО/ИП/LLC;
• существующие open deals;
• последние обращения за 30–90 дней;
• CRM owner.

Пример нормализации телефона:

const phone = ($json.contact?.phone || '').replace(/\D/g, '');
const normalized = phone.startsWith('8') && phone.length === 11
  ? '7' + phone.slice(1)
  : phone;
return [{ json: { ...$json, normalized_phone: normalized || null } }];

Если найдено несколько совпадений, не выбирайте случайное. Создайте dedupe_review с кандидатами.

Как AI должен объяснять оценку ¶

Нельзя просто писать “лид хороший”. Менеджеру нужны аргументы. Просите модель возвращать короткие reason codes и цитаты из заявки.

Пример output schema:

{
  "pain": "нужно передавать заявки из сайта в CRM и Telegram",
  "product_fit": "high",
  "urgency": "medium",
  "budget_signal": "unknown",
  "authority_signal": "likely_decision_maker",
  "qualification_summary": "Операционный директор ритейл-компании хочет автоматизировать входящие заявки. Нет бюджета, но есть конкретная задача.",
  "questions_to_ask": [
    "Какая CRM используется сейчас?",
    "Сколько заявок в день нужно обрабатывать?",
    "Есть ли требования к self-hosted?"
  ],
  "confidence": 0.76
}

Если confidence низкий, статус должен быть needs_more_info, а не “C lead”. Плохая анкета не всегда плохой клиент.

Как связать с CRM ¶

В CRM лучше писать не только score, но и объяснение:

• lead_score;
• lead_tier;
• qualification_summary;
• pain;
• missing_fields;
• recommended_next_step;
• ai_confidence;
• source/utm;
• dedupe_status;
• last_ai_qualification_at.

Для A-лидов ставьте SLA: например, ответить в течение 15 минут или 2 часов. Для B-лидов — задача менеджеру. Для C — nurture sequence. Для D — spam/low fit, но не удаляйте сразу, если нет уверенности.

Когда нужен human review ¶

Обязательный review нужен, если:

• score высокий, но данные неполные;
• лид enterprise/VIP;
• модель нашла конфликт в данных;
• есть юридические или финансовые запросы;
• запрос похож на партнёрство/прессу/вакансию;
• найден дубль с открытой сделкой;
• AI confidence ниже порога;
• лид пришёл из дорогого paid campaign.

Review должен показывать не только итог, но и “почему”: исходное сообщение, extracted fields, score breakdown, duplicates и suggested action.

Ошибки внедрения ¶

1. Скорить только по тексту сообщения. У хорошего клиента может быть короткая заявка: “созвон по n8n?”. Без домена и истории вы ошибётесь.
2. Наказывать за отсутствие бюджета. В B2B бюджет часто появляется после discovery.
3. Смешивать лиды, вакансии и партнёрства. Это разные очереди.
4. Автоматически отказывать low score лидам. Лучше отправить в nurture или review.
5. Не возвращать outcome из CRM. Без обратной связи score не улучшается.
6. Не сохранять reason codes. Менеджеры не будут доверять “магическому баллу”.

Как тестировать ¶

Соберите 200 исторических лидов и добавьте фактический outcome: qualified, disqualified, meeting booked, opportunity created, won/lost. Не пытайтесь сразу оптимизировать под won deals: на это влияют цена, менеджер, сезонность и продукт. Для первого этапа оптимизируйте “правильно ли лид попал к нужному человеку и получил ли правильный next step”.

Метрики:

• A/B/C tier precision;
• missed high-value leads;
• duplicate rate;
• time to first touch;
• meeting booked rate по tier;
• ручные правки score;
• false disqualification;
• cost per qualified lead.