Отдел продаж — это конвейер из повторяющихся действий: найти контакт, написать первое письмо, дожать молчуна вторым касанием, спросить про бюджет и сроки, занести ответы в CRM. Почти всё это — рутина, которую в 2026 году закрывают AI-агенты. Они не заменяют продавца, а убирают нижние 80% работы: обогащают базу, персонализируют рассылку, квалифицируют входящих и выходящих, а человеку оставляют только финальную сделку. Этот гайд — практическая схема запуска такого агента: что он умеет, как внедрить за неделю, какой код подложить под скоринг и какие инструменты выбрать. Все примеры рабочие: Python-функцию можно скопировать и запустить, промпт — вставить в Relevance AI или Lindy.

# 1. Что умеют AI-агенты в продажах

AI-агент для продаж — это не чат-бот, который отвечает на сайте, а автономный исполнитель, который сам запускает цепочку действий и доводит её до результата. Ключевое отличие от простого скрипта — агент принимает решения по ходу: если лид не ответил, он меняет канал и формулировку; если в ответе проскользнуло возражение, он парирует его, а не шлёт заготовленный текст дальше. Пять задач, которые агенты закрывают лучше всего:

01. Холодные письма и звонки. Агент находит ICP-контакты в базе, пишет персонализированное первое касание с упоминанием компании и боли, а голосовые агенты на базе TTS/STT отрабатывают исходящие звонки по скрипту.

02. Квалификация лидов. Агент задаёт вопросы по BANT (бюджет, полномочия, потребность, сроки), вытаскивает ответы из переписки и выставляет скоринг-балл каждому лиду автоматически.

03. Follow-up без человека. Цепочка касаний: письмо → напоминание через 3 дня → кейс через неделю → «закрываю ли я сделку?» через 2 недели. Агент сам следит за таймингами и останавливается, когда клиент отвечает.

04. Скоринг и приоритизация. Взвешенная оценка каждого лида, чтобы менеджер тратил время на горячих, а не на «просто посмотреть».

05. Персональные предложения. По профилю лида агент собирает релевантный кейс, считает окупаемость и генерирует оффер под конкретную боль, а не шлёт общий прайс.

Главный эффект — не «сократить отдел», а поднять пропускную способность воронки: агент обрабатывает в 10–20 раз больше касаний, чем человек, и не выгорает на сотом «нет». Менеджер получает на стол уже прогретых SQL с контекстом, а не холодный список.

# 2. Пошаговый план внедрения

Внедрение агента продаж раскладывается на пять шагов, каждый занимает от часа до пары дней. Порядок важен: начинать с кода или покупки платформы до того, как собраны данные, — самая частая ошибка, из-за которой агент «не взлетает».

Шаг 1 — сбор данных. Соберите ICP-профиль (кто покупает), базу контактов, историю переписок с выигранными и проигранными сделками. Именно на истории побед строится понимание, что работает.

Шаг 2 — выбор инструмента. No-code платформа (Relevance AI, Lindy) для быстрого старта, n8n/Zapier/Make для связки CRM + почта, Python — для кастомного скоринга.

Шаг 3 — настройка агента. Системный промпт с ролью, правилами и границами + подключение базы знаний (ваши кейсы, офферы, FAQ) + инструменты (отправка письма, запись в CRM).

Шаг 4 — интеграция с CRM. Агент пишет и читает карточки сделок: статус, скоринг, история касаний. Без этого шага вы получаете «чёрный ящик», из которого менеджер не видит происходящего.

Шаг 5 — метрики. Заложите KPI до запуска: конверсия в ответ, конверсия в SQL, стоимость лида, доля автономно закрытых касаний. Без них вы не поймёте, окупается ли агент.

Правило старта: запускайте агента на одном узком сценарии (например, только квалификация входящих заявок), доведите метрики до целевых и только потом расширяйте на холодные рассылки и звонки. Итерационный пилот на 50–100 лидах даст больше понимания, чем месячная «подготовка».

# Поднимаем n8n для агента продаж (Docker)
docker run -d --name n8n-sales \
  -p 5678:5678 \
  -e N8N_SECURE_COOKIE=false \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

# Импортируем workflow: лид из формы → квалификация → CRM
n8n import:workflow --input=./sales-agent-workflow.json

# Проверяем: воркфлоу виден в списке
n8n list:workflow | grep sales-agent

# 3. Реальный код: скоринг лида по BANT

Сердце агента квалификации — функция скоринга, которая превращает сырой профиль лида в число и категорию. Ниже — рабочий Python-скрипт с взвешенной моделью BANT: бюджет (Budget), полномочия (Authority), потребность (Need), сроки (Timeline). Веса настраиваются под ваш цикл сделки, пороги классификации делят лидов на HOT / WARM / COLD.

# score_lead.py — квалификация и скоринг лида по BANT
from dataclasses import dataclass

@dataclass
class Lead:
    name: str
    budget: int | None   # бюджет в рублях, None = неизвестно
    authority: str        # founder / head / manager / unknown
    need: str             # churn / manual_work / scale / none
    timeline: int         # горизонт сделки в днях

# Веса BANT — сумма = 1.0, крутите под свой цикл продаж
WEIGHTS = {"budget": 0.30, "authority": 0.25,
            "need": 0.30, "timeline": 0.15}

def score_lead(lead: Lead) -> dict:
    score = 0.0
    reasons = []

    # Budget: 0 — нет, 0.5 — неизвестно, 1 — подтверждён
    if lead.budget is None:
        score += 0.5 * WEIGHTS["budget"]
        reasons.append("бюджет не подтверждён")
    elif lead.budget >= 300_000:
        score += 1.0 * WEIGHTS["budget"]
    else:
        score += 0.3 * WEIGHTS["budget"]

    # Authority: чем ближе к решению, тем выше балл
    auth = {"founder": 1.0, "head": 0.8,
            "manager": 0.4, "unknown": 0.1}
    score += auth.get(lead.authority, 0.1) * WEIGHTS["authority"]

    # Need: конкретная боль важнее «посмотреть»
    need_map = {"churn": 1.0, "manual_work": 0.8,
                "scale": 0.6, "none": 0.0}
    score += need_map.get(lead.need, 0.2) * WEIGHTS["need"]

    # Timeline: быстрее сделка — выше приоритет
    if lead.timeline <= 14:
        score += 1.0 * WEIGHTS["timeline"]
    elif lead.timeline <= 60:
        score += 0.6 * WEIGHTS["timeline"]
    else:
        score += 0.2 * WEIGHTS["timeline"]

    # Классификация по порогам
    if score >= 0.75:
        grade = "HOT"
    elif score >= 0.50:
        grade = "WARM"
    else:
        grade = "COLD"

    return {"lead": lead.name, "score": round(score, 2),
            "grade": grade, "reasons": reasons}

# Пайплайн: агент вытащил из переписки эти признаки
leads = [
    Lead("ООО Ромашка", budget=450_000, authority="founder", need="churn", timeline=10),
    Lead("ИП Иванов", budget=None, authority="unknown", need="none", timeline=90),
]
for l in leads:
    print(score_lead(l))

На выходе агент отдаёт менеджеру готовый приоритизированный список: HOT-лиды — звонить сегодня, WARM — прогревать цепочкой, COLD — в долгую базу или на отсев. В продакшене эту функцию оборачивают в API, а признаки (budget, authority, need) извлекает LLM из текста переписки — это и есть связка «языковая модель + код», на которой строятся агенты продаж.

# 4. Промпт агента холодных продаж

Скоринг — это код, а «личность» агента — это промпт. Ниже — системный промпт для агента холодной рассылки, который можно вставить в Relevance AI, Lindy или любой LLM-конструктор. Обратите внимание на три вещи: чёткая роль, жёсткие границы (не обещать скидок, не врать) и инструкция по структуре письма, которая держит формат стабильным.

# SYS-PROMPT: агент холодных продаж (B2B SaaS)
Ты — старший SDR в компании [КОМПАНИЯ], которая продаёт [ПРОДУКТ].
Твоя цель — назначить встречу с ЛПР, а не продать в письме.

ПРАВИЛА:
1. Письмо не длиннее 120 слов. Без воды и шаблонных фраз.
2. Первое касание — 1 конкретная боль клиента + 1 результат кейса.
3. Всегда персонализируй: упомяни компанию, роль, факт из их сайта.
4. Один CTA на письмо: «удобно созвониться на 15 минут во вторник?»
5. Запрещено: обещать скидки, сроки и результаты, которых нет в базе знаний.
6. Нет ответа 3 дня → второй имейл короче, новый угол. Нет ответа 7 дней →
   третье письмо-«закрытие» с вопросом, продолжать ли. Дальше — стоп.

ВХОД (переменные лида):
{company}, {role}, {pain_point}, {case_result}, {competitor_note}

ВЫХОД:
JSON { "subject": str, "body": str, "tone": "casual|formal" }

# Не выдумывай цифры. Если факта нет в данных лида — пропусти его.

Главная защита от «спамности» — запрет на выдумку и ограничение длины. Холодное письмо, сгенерированное агентом, проходит спам-фильтры так же, как и человеческое, но только если вы не даёте модели фантазировать про «рост на 300%». Факты агент берёт из базы знаний с вашими реальными кейсами.

# 5. Инструменты: что выбрать

Рынок инструментов для агентов продаж в 2026 году делится на два лагеря: готовые AI-платформы (Relevance AI, Lindy), где агент собирается из блоков с встроенной LLM-логикой, и автоматизаторы (n8n, Zapier, Make), которые связывают CRM, почту и ваш кастомный код. Обе группы часто используют вместе: платформа думает, автоматизатор — выполняет. Полный разбор флагманского инструмента — на странице Relevance AI, а цены на все инструменты этого гайда собраны в разделе тарифов.

Выбор сводится к одному вопросу: у вас есть разработчик? Есть — берите n8n self-hosted и пишите скоринг на Python, это дешевле и полностью под вашим контролем. Нет — Relevance AI или Lindy дадут рабочего агента за вечер, а Zapier/Make закроют интеграции с CRM. Отдельный вопрос для пользователей из РФ — оплата зарубежных подписок: карты РФ не проходят, решение описано на странице оплаты AI-сервисов.

# 6. Метрики и KPI

Агент продаж без метрик — это дорогая игрушка. Заложите KPI до запуска и сверяйтесь с ними еженедельно: если конверсия в ответ падает, виноват промпт или база; если растёт стоимость лида — пересмотрите сегмент ICP. Ориентиры ниже — типовые для B2B-рассылок и квалификации в 2026 году, а не эталон.

Следите не за одной цифрой, а за связкой. Хороший знак — reply rate стабилен, конверсия в SQL растёт, а CPL падает: агент учится на ваших кейсах и лучше таргетирует. Плохой знак — reply rate высокий, а SQL ноль: письма цепляют не ту аудиторию, значит, проблема в ICP и базе, а не в промпте.

# 7. Чего не делать: типовые ошибки

Три ошибки убивают 90% проектов по автоматизации продаж, и все они — не про технологии, а про дисциплину. Первая — запускать агента на всю базу сразу. Спам-фильтры забанивают домен за неделю массовой рассылки, и вы остаётесь без канала. Вторая — давать агенту выдумывать факты: одна сгенерированная цифра «-30% оттока» в письме клиенту — и репутация компании испорчена. Третья — не заводить эскалацию на человека: агент должен отдавать спорные кейсы менеджеру, а не «дожимать» возражение, которое не понимает.

Правило простое: агент генерирует и сортирует, человек подтверждает и закрывает. Всё, что касается денег, скидок и обещаний — только через человека. Это и безопаснее юридически, и честнее по отношению к клиенту.

# 8. Чек-лист запуска

01. Собран ICP и база контактов (минимум 100 лидов для пилота).

02. Выбран инструмент: Relevance AI/Lindy (no-code) или n8n + Python.

03. Написан системный промпт с ролью, правилами и границами.

04. Подключён скоринг BANT и классификация HOT/WARM/COLD.

05. Настроена запись в CRM: статусы, баллы, история касаний.

06. Заложены KPI: reply rate, конверсия в SQL, CPL.

07. Есть эскалация на человека и запрет на выдумку фактов.