// n8n Lead Qualification Workflow — экспортируйте в n8n через Import from JSON
{
  "name": "Lead Scoring & Qualification",
  "nodes": [
    {
      "name": "Webhook — New Lead",
      "type": "n8n-nodes-base.webhook",
      "parameters": { "httpMethod": "POST", "path": "lead-capture" }
    },
    {
      "name": "OpenAI — Score Lead",
      "type": "@n8n/n8n-nodes-langchain.openAi",
      "parameters": {
        "prompt": "Оцени лид: name={{$json.name}}, budget={{$json.budget}}, source={{$json.source}}. Верни: HOT/WARM/COLD + причина (1 предложение)",
        "model": "gpt-4o-mini"
      }
    },
    {
      "name": "IF — Hot Lead?",
      "type": "n8n-nodes-base.if",
      "parameters": { "conditions": { "string": [{ "value1": "={{$json.score}}", "operation": "contains", "value2": "HOT" }] } }
    },
    {
      "name": "Telegram — Alert Manager",
      "type": "n8n-nodes-base.telegram",
      "parameters": { "text": "🔥 HOT LEAD: {{$json.name}} | Бюджет: {{$json.budget}} | {{$json.reason}}" }
    },
    {
      "name": "Google Sheets — Log All",
      "type": "n8n-nodes-base.googleSheets",
      "parameters": { "operation": "append", "sheetId": "YOUR_SHEET_ID" }
    }
  ]
}

Второй способ — Python-скрипт с прямым вызовом OpenAI API. Подходит если у вас уже есть CRM или база данных, и вы хотите обрабатывать лиды пачками:

# pip install openai pandas
import openai, pandas as pd

openai.api_key = "sk-..."

def score_lead(name, budget, source):
    prompt = f"""Оцени качество лида малого бизнеса:
Имя: {name} | Бюджет: {budget} | Источник: {source}
Верни ТОЛЬКО одно слово: HOT, WARM или COLD.
HOT = бюджет > 50K ₽ + указан телефон/email
WARM = бюджет 10–50K ₽ + понятная потребность
COLD = без бюджета/без контактов"""
    r = openai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0
    )
    return r.choices[0].message.content.strip()

# Загружаем лиды из CSV
leads = pd.read_csv("leads.csv")
leads["score"] = leads.apply(
    lambda row: score_lead(row["name"], row["budget"], row["source"]),
    axis=1
)
# Выводим только HOT-лидов
hot_leads = leads[leads["score"] == "HOT"]
print(f"Найдено {len(hot_leads)} горячих лидов:")
print(hot_leads[["name", "budget", "phone"]].to_string())

3. Сценарий 2: Автоматизация поддержки клиентов

Поддержка — вторая по величине статья времени для малого бизнеса. Клиенты задают одни и те же вопросы: «Сколько стоит доставка?», «Когда приедет заказ?», «Как оформить возврат?». AI-чатбот с RAG-базой знаний отвечает мгновенно, 24/7, на русском языке. Собираем на Dify — это open-source платформа, которая работает в РФ без VPN.

Архитектура чатбота на Dify

# Dify Knowledge Base — Загрузите FAQ, инструкции, политики возврата
# Self-hosted Dify: docker-compose up -d (бесплатно)
app:
  name: "Бизнес-Ассистент 24/7"
  llm:
    provider: "openai"              # или openrouter / local-llm
    model: "gpt-4o-mini"           # $0.15/1M токенов — супердёшево
    temperature: 0.3

  knowledge_base:
    documents:
      - "faq.txt"                  # Ваши частые вопросы и ответы
      - "pricing_2026.pdf"          # Прайс-лист
      - "delivery_policy.pdf"      # Условия доставки
      - "refund_rules.txt"          # Правила возврата
    chunk_size: 500
    embedding_model: "text-embedding-3-small"

  channels:
    - telegram                         # Бот в Telegram
    - whatsapp_business                # WhatsApp Business API
    - web_widget                       # Виджет на сайте (одна строка JS)

  fallback:
    message: "Перевожу на оператора... Ожидайте, ответим в течение 15 минут."
    action: "notify_operator"          # Уведомление в Telegram менеджеру

Для тех, кто предпочитает писать код сам — минимальный RAG-чатбот на Python с векторной базой ChromaDB:

# pip install chromadb openai
import chromadb, openai

openai.api_key = "sk-..."
db = chromadb.PersistentClient(path="./kb")
collection = db.get_or_create_collection("support_faq")

# 1. Загружаем FAQ в базу (один раз)
faqs = [
    ("Сколько стоит доставка?", "По Москве — бесплатно от 3000₽, до 3000₽ — 350₽. По РФ — от 500₽."),
    ("Как оформить возврат?", "Возврат в течение 14 дней. Заполните форму на сайте или напишите в Telegram."),
    ("Сроки изготовления?", "Стандартный заказ — 3 рабочих дня. Срочный — 1 день (+30% к стоимости)."),
]
for i, (q, a) in enumerate(faqs):
    collection.add(documents=[q + " " + a], ids=[f"faq_{i}"])

def support_answer(question):
    results = collection.query(query_texts=[question], n_results=2)
    context = "\n---\n".join(results["documents"][0])
    r = openai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "system", "content": f"Ты поддержка. Отвечай используя ТОЛЬКО этот контекст:\n{context}\nЕсли ответа нет — скажи переключить на оператора."},
                  {"role": "user", "content": question}])
    return r.choices[0].message.content

# Тест
print(support_answer("Хочу вернуть товар, что делать?"))
# → Возврат в течение 14 дней. Заполните форму на сайте или напишите в Telegram.

4. Сценарий 3: Обработка заказов и инвойсов

Выставление счетов, создание закрывающих документов и обновление статусов заказов — это идеальная задача для автоматизации. Make.com + Google Sheets даёт визуальный воркфлоу без кода: заказ приходит → генерируется счёт → отправляется клиенту → обновляется склад. Ниже — готовая схема автоматизации заказов.

/* Make.com Scenario — Автоматический инвойсинг для малого бизнеса
   Триггер: новый заказ из Google Forms / Tilda / GetCourse
   Действия: генерация счёта → отправка клиенту → запись в Google Sheets
*/
TRIGGER: Webhook (POST /new-order)
  ├── parse JSON: {name, email, items[], total, delivery}
  │
  ├── ACTION: Google Docs — Create Invoice from Template
  │   template: "Invoice_Template_SMB"
  │   variables: {client_name, date, items_list, sum_total, invoice_number}
  │   output: PDF (сохраняется в Google Drive)
  │
  ├── ACTION: Gmail — Send Invoice
  │   to: {email}
  │   subject: "Счёт №{invoice_number} — {company_name}"
  │   attachments: PDF invoice
  │
  ├── ACTION: Google Sheets — Append Order Row
  │   sheet: "Orders_2026"
  │   columns: timestamp | order_id | client | amount | status | invoice_link
  │
  └── ACTION: Telegram — Notify Manager
      text: "📦 Новый заказ #{order_id} от {name} на {total}₽ Счёт отправлен."

Альтернатива — Python-скрипт с шаблоном счёта. Удобно, если вам нужна кастомизация под специфические требования бухгалтерии:

# pip install fpdf pandas
from fpdf import FPDF
from datetime import datetime

def generate_invoice(client_name, items, total, invoice_num):
    pdf = FPDF()
    pdf.add_page()
    pdf.add_font("DejaVu", "", "DejaVuSans.ttf", uni=True)
    pdf.set_font("DejaVu", size=14)

    # Заголовок
    pdf.cell(0, 10, f"СЧЁТ №{invoice_num} от {datetime.now().strftime('%d.%m.%Y')}", ln=True)
    pdf.ln(5)
    pdf.set_font("DejaVu", size=11)
    pdf.cell(0, 8, f"Клиент: {client_name}", ln=True)
    pdf.ln(3)

    # Таблица товаров
    pdf.cell(80, 8, "Наименование", border=1)
    pdf.cell(30, 8, "Кол-во", border=1)
    pdf.cell(30, 8, "Цена", border=1)
    pdf.cell(30, 8, "Сумма", border=1)
    pdf.ln()
    for item in items:
        pdf.cell(80, 8, item[0], border=1)
        pdf.cell(30, 8, str(item[1]), border=1)
        pdf.cell(30, 8, f"{item[2]:,} ₽", border=1)
        pdf.cell(30, 8, f"{item[1]*item[2]:,} ₽", border=1)
        pdf.ln()
    pdf.set_font("DejaVu", style="B", size=12)
    pdf.cell(140, 10, "ИТОГО:", border=1, align="R")
    pdf.cell(30, 10, f"{total:,} ₽", border=1)
    pdf.output(f"invoice_{invoice_num}.pdf")
    return f"invoice_{invoice_num}.pdf"

# Пример использования
generate_invoice("ООО Ромашка", [("Дизайн лендинга", 1, 25000), ("Вёрстка", 1, 15000)], 40000, "2026-0728")
# → Создан PDF invoice_2026-0728.pdf с русским текстом

5. Сценарий 4: Контент-маркетинг и соцсети

Контент — топливо для привлечения клиентов, но его создание съедает часы. AI-агент для контента генерирует посты, подбирает хештеги, адаптирует tone of voice под ваш бренд и даже создаёт картинки. Всё это автоматически публикуется по расписанию. Стек: Python + OpenAI API + Instagram/TG API.

# pip install openai python-telegram-bot
import openai, json
from datetime import datetime

openai.api_key = "sk-..."

# Brand book — стиль вашего бизнеса
BRAND = {
    "name": "Мастерская Света",
    "tone": "тёплый, экспертный, без официоза",
    "niche": "дизайнерские светильники ручной работы",
    "audience": "женщины 25-45, интересуются дизайном интерьера",
    "hashtags": ["#дизайнинтерьера", "#светильникиручнойработы", "#декордлядома"]
}

CONTENT_TYPES = ["полезный пост", "закулисье", "отзыв клиента", "обзор товара", "тренды"]

def generate_post(content_type, product=None):
    prompt = f"""Ты — SMM-менеджер бизнеса «{BRAND['name']}».
Стиль: {BRAND['tone']}.  Ниша: {BRAND['niche']}.  Аудитория: {BRAND['audience']}.

Создай пост для Instagram/Telegram в формате:
{content_type}{' про ' + product if product else ''}

Ответ верни в JSON:
{{"text": "текст поста с эмодзи (2-3 абзаца, 100-150 слов)",
 "hashtags": ["#хэш1", "#хэш2", ...],
 "caption_short": "короткая версия для сториз (до 50 слов)",
 "cta": "призыв к действию"}}"""
    r = openai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.8,
        response_format={"type": "json_object"}
    )
    return json.loads(r.choices[0].message.content)

# Контент-план на неделю — каждый день новый тип
import random
schedule = {"ПН": "полезный пост", "СР": "закулисье", "ПТ": "тренды"}
for day, ctype in schedule.items():
    post = generate_post(ctype, product=random.choice(["Люстра Орбита", "Бра Туманность", None]))
    print(f"=== {day} ({ctype}) ===")
    print(post["text"])
    print(" ".join(post["hashtags"]))
    print(f"CTA: {post['cta']}")
    print()

6. Сценарий 5: Аналитика и отчёты

Малый бизнес редко занимается глубокой аналитикой — нет времени разбираться в Excel-таблицах. AI-агент анализирует данные из Google Sheets или SQL-базы, находит тренды и генерирует читаемый отчёт с графиками и выводами. Вы просто спрашиваете: «Какая категория товаров принесла больше всего прибыли в этом месяце?» — и получаете ответ.

# pip install pandas openai matplotlib
import openai, pandas as pd
import matplotlib.pyplot as plt

openai.api_key = "sk-..."
df = pd.read_csv("sales_2026.csv")  # date, category, product, revenue, qty

def analyze_data(question):
    # Шаг 1: GPT генерирует pandas-код
    sample = df.head(5).to_string()
    r = openai.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": f"""Ты data-аналитик. Данные о продажах:
{sample}
Колонки: {list(df.columns)}

Напиши ТОЛЬКО pandas-код (без пояснений) для ответа на вопрос.
Код должен сохранять результат в переменную 'result'."""},
                  {"role": "user", "content": question}],
        temperature=0
    )
    code = r.choices[0].message.content.strip()
    code = code.replace("```python", "").replace("```", "")

    # Шаг 2: Выполняем код
    local_vars = {"df": df, "pd": pd, "plt": plt}
    exec(code, {}, local_vars)
    result = local_vars.get("result", "Нет данных")

    # Шаг 3: GPT объясняет результат
    r2 = openai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user",
                   "content": f"Объясни результат анализа продаж малого бизнеса простыми словами (3-5 предложений):\n{str(result)}"}])
    return r2.choices[0].message.content

# Примеры запросов
print(analyze_data("Топ-3 категории по выручке за последний месяц"))
print(analyze_data("Клиенты, сделавшие больше 2 заказов"))
print(analyze_data("Средний чек по дням недели — в какой день покупают больше?"))

7. Сравнение инструментов для малого бизнеса

Выбор инструмента зависит от трёх факторов: бюджет, технический уровень команды и сложность сценариев. Ниже — честное сравнение платформ, которые реально работают в РФ и не требуют корпоративных бюджетов.

8. Итог: ваш план внедрения на 30 дней

Внедрение AI-агентов в малом бизнесе — не марафон, а спринт. Мы прошли 5 реальных сценариев с кодом и схемами: от лидогенерации до аналитики. Каждый сценарий можно запустить за 1–3 дня. Вот пошаговый план на первый месяц: