Симптомы в работе команды
- 30–60 минут до первого ответа вместо реакции в пределах 5 минут.
- 27% лидов зависают в статусе «Новый» и не доходят до менеджера.
- 75% рабочего времени съедает ручная квалификация, а не продажа.
Кейс
AI-квалификация лидов / CRM Automation
Система приёма входящих лидов для агентства недвижимости: три канала, AI-квалификация за секунды, живая воронка и обратная синхронизация с amoCRM. От PRD до продакшна.
Проблема
Менеджеры не успевают обработать входящие лиды — руководитель узнаёт о потерях слишком поздно
Последствия для руководителя
- Руководитель видит искажённую воронку, потому что данные в CRM неполные или ошибочные.
- Нет real-time картины по SLA, нагрузке команды и риску потери горячих лидов.
- Потери обнаруживаются задним числом, когда разговор с лидом уже не спасти.
Источники: Harvard Business Review, Gartner, Rechka.ai
Решение
Что меняется для команды и руководителя
01
Менеджеру
Сразу начинает продажу, а не разбор запроса
Готовая AI-карточка со скорингом и обоснованием. Что сказать, о чём спросить, что предложить. Горячий лид — первым в Telegram.
02
РОПу
Реагирует до того, как лид потерян
Алерт при просрочке SLA на горячих лидах. Нагрузка команды в реальном времени. Живая воронка вместо еженедельного отчёта.
03
Собственнику
Принимает решения по данным, не по ощущениям
ROI по каналам и цена лида. Эффективность менеджеров в разрезе. Динамика по неделям в DataLens.
Как устроено решение
Архитектурные решения
Почему именно такой стек
Почему дополняем amoCRM, а не заменяем?
amoCRM доминирует в недвижимости: менеджеры её знают, у руководителей там историческая воронка. Замена — это война с привычкой и миграция данных. Мы добавляем AI-слой сверху и закрываем пустую нишу — полный цикл приёма и квалификации, которого нет ни у Bitrix24 GPT, ни у Kommo.
Почему DeepSeek + Pydantic-валидация?
DeepSeek доступен из России напрямую, OpenAI-совместимый API, $0.14 за 1М токенов. Через JSON-схему и Pydantic-валидацию получаем гарантированно структурированный ответ; при провале лид идёт в ручную маршрутизацию, а не теряется.
Почему два дашборда — Control Tower и DataLens?
У РОПа и собственника разные вопросы. РОПу — «кому срочно позвонить сейчас», отсюда React-панель с SLA-таймерами поверх WebSocket. Собственнику — «как отработали за неделю», отсюда DataLens с привычными BI-виджетами. Одна база данных, два дашборда под две роли.
Результаты
Системные метрики production-деплоя
| Метрика | Результат | Контекст |
|---|---|---|
| Время AI-квалификации | 2–4 сек | DeepSeek p50, temperature 0.2 |
| SLA для горячих лидов | 2 мин | vs 30–60 мин отраслевая норма |
| Каналов приёма | 3 | Web · Telegram · IMAP |
| Виджетов в live-дашборде | 9 | + 4 SQL-view в DataLens |
| REST endpoints | 15 + /ws/events | FastAPI + OpenAPI-схема |
| Uptime на VPS | 99%+ | VPS · HTTPS · Docker |
Выводы
Что я понял
Рекомендация важнее скоринга
Скоринг помогает отсеять холодные лиды, но продавать помогает не метка, а рекомендация: что сказать первой фразой, о чём спросить. Менеджеры читают её первой, а скоринг — вторым.
Живой дашборд окупается на первом же демо
Форма demo-replay превращает разговор с заказчиком в интерактив: вставляем реальное обращение, через три секунды на дашборде видно скоринг, сущности и рекомендацию. Убедительнее любого скриншота.
Temperature ≤ 0.2 + явная JSON-схема = стабильный AI
Без явной JSON-схемы и низкой температуры LLM иногда оборачивает ответ в markdown-блок. С Pydantic-валидацией на выходе — 100% валидных ответов на тестовой выборке.
Хотите обсудить проект?
Расскажу подробнее про событийную архитектуру, AI-квалификацию или боевой деплой.