[ W skrócie ]
- Automatyzacja pięcioetapowego łańcucha leadów zdjęła ok. 70% ręcznej pracy i skróciła czas pierwszej reakcji z godzin do minut.
- Najwięcej czasu nie zajęła technologia, tylko spisanie kryteriów kwalifikacji, które wcześniej istniały w głowach handlowców.
- Pierwsza wersja miała za dużo eskalacji — próg pewności okazał się zbyt ostrożny; kalibracja na realnych danych zajęła dwa tygodnie.
- Kluczowa decyzja projektowa: model zawsze uzasadnia ocenę, dzięki czemu zespół mógł się z nim nie zgadzać — i te niezgody kalibrowały system.
Kontekst
Scenariusz wdrożenia oparty na naszej realizacji AI Lead Assistant — dane liczbowe są poglądowe, do czasu publikacji wyników z produkcji (tak samo oznaczamy je w sekcji realizacji).
Punkt wyjścia: firma B2B, około 400 zgłoszeń miesięcznie z formularza, maili i LinkedIn. Każde zgłoszenie handlowiec analizował ręcznie — średnio 20 minut: przejrzenie treści, sprawdzenie firmy, decyzja „nasz klient / nie nasz”, wpis do CRM, odpowiedź. Łącznie ponad 130 godzin miesięcznie, a czas pierwszej reakcji potrafił sięgać dwóch dni.
Przebieg
Analiza (tydzień 1)
Najtrudniejsza część nie była techniczna. Kryteria kwalifikacji istniały wyłącznie w głowach dwóch najbardziej doświadczonych handlowców — i różniły się między nimi. Warsztat sprowadził je do listy: profil firmy, sygnały dopasowania do oferty, sygnały budżetu, czerwone flagi. Dopiero ta lista stała się specyfikacją dla modelu.
Budowa (tygodnie 2-3)
Architektura jak w naszym przewodniku po automatyzacji leadów: przechwycenie ze wszystkich źródeł do CRM, wzbogacenie danymi z bazy firm, kwalifikacja modelem ze strukturalnym wynikiem (ocena + uzasadnienie + pewność), routing według progów, automatyczna pierwsza odpowiedź.
Uruchomienie i kalibracja (tygodnie 4-6)
Start w trybie „cień”: model kwalifikował równolegle z ludźmi, bez wpływu na proces. Porównanie 300 spraw pokazało zgodność z decyzjami seniorów na poziomie dziewięciu na dziesięć — ale też za ostrożny próg pewności: co trzecia sprawa szła do ręcznej weryfikacji, choć model miał rację. Dwa tygodnie kalibracji progów na realnych danych zbiły eskalacje do kilkunastu procent.
Rezultat po trzech miesiącach
- czas ręcznej pracy przy leadach: minus około 70%,
- pierwsza odpowiedź do klienta: poniżej 5 minut, całą dobę,
- każda kwalifikacja z uzasadnieniem — zespół przestał wierzyć „na słowo”, bo może sprawdzić tok rozumowania,
- efekt uboczny, którego nikt nie zamawiał: uporządkowane kryteria kwalifikacji stały się materiałem onboardingowym dla nowych handlowców.
Wnioski, które zabieramy do kolejnych projektów
- Spisanie wiedzy eksperckiej to połowa projektu. Model jest tak dobry, jak kryteria, które dostał.
- Tryb „cień” przed produkcją. Porównanie z decyzjami ludzi na setkach spraw daje liczby do kalibracji i buduje zaufanie zespołu.
- Uzasadnienia to nie ozdobnik. Bez nich każda pomyłka modelu podważa system; z nimi — staje się konkretną poprawką kryteriów.
- case study
- leady
- CRM
- wdrożenie
- B2B
