Опыт LangChain: создание ИИ-агента для продаж, который увеличил конверсию на 250%

Суть

Компания LangChain поделилась результатами внедрения собственного ИИ-агента для отдела продаж и стратегии вывода на рынок (GTM). Результаты оказались впечатляющими: конверсия из лида в квалифицированную сделку выросла на 250%, а каждый менеджер сэкономил около 40 часов рабочего времени в месяц. Это наглядный пример того, как сложные многошаговые системы искусственного интеллекта переходят из стадии экспериментов в реальные и измеримые бизнес-процессы.

Контекст

До внедрения автоматизации процесс исходящих продаж в LangChain требовал значительных ручных усилий. Менеджер был вынужден постоянно переключаться между вкладками: CRM-системой Salesforce для проверки статуса клиента, сервисом Gong для анализа прошлых звонков, LinkedIn для изучения профиля контакта и сайтом компании.

На подготовку к написанию одного осмысленного письма уходило около 15 минут. При этом всегда оставался риск человеческой ошибки — например, менеджер мог не заметить, что его коллега уже связывался с этим клиентом днем ранее, или что клиент только что оставил жалобу в службу поддержки.

Детали

Разработанный агент берет на себя весь исследовательский процесс. Когда в системе появляется новый потенциальный клиент, агент запускает строгий алгоритм:

1. Проверка на безопасность. Сначала система ищет причины не отправлять письмо. Если клиент недавно создал запрос в поддержку или с ним уже общались на этой неделе, процесс останавливается.
2. Сбор контекста. Агент собирает данные из внутренних баз и внешних источников (веб-поиск), чтобы понять, чем занимается компания и какие технологии использует.
3. Генерация черновика. На основе собранных данных формируется персонализированное письмо. Для холодных контактов и действующих клиентов используются разные стратегии.
4. Одобрение человеком. Черновик отправляется менеджеру в Slack вместе с объяснением логики агента. Ни одно письмо не уходит без нажатия кнопки «Отправить» живым сотрудником.

Интересная техническая особенность — встроенный цикл обучения. Если менеджер редактирует черновик, система сравнивает изначальный текст с итоговым, извлекает стилистические предпочтения сотрудника и сохраняет их в базу данных. Следующее письмо для этого менеджера будет написано уже с учетом его личного тона.

Анализ

Техническая реализация проекта демонстрирует важный этап в развитии ИИ. Простой вызов большой языковой модели (LLM) больше не справляется с комплексными задачами из-за разного объема и структуры входных данных.

Для решения проблемы LangChain применила архитектуру делегирования. Главный агент распределяет задачи между специализированными суб-агентами. Один суб-агент собирает данные по рынку, другой анализирует техническое состояние аккаунта клиента. Это позволяет системе работать предсказуемо, изолировать инструменты друг от друга и легко масштабировать процесс при увеличении нагрузки.

Перспектива

Подобные многошаговые агенты с обязательным контролем человека (human-in-the-loop) вскоре станут стандартом для корпоративных продаж. Автоматизация в данном случае не заменяет специалиста, а избавляет его от рутинной работы с базами данных.

Следующим шагом станет переход от реактивной обработки входящих заявок к проактивному анализу. Агенты будут самостоятельно отслеживать новости компаний-клиентов, раунды финансирования и изменения в штате, чтобы подсказывать менеджерам идеальный момент для предложения новых услуг.