AI-кваліфікація лідів і мультиканальна воронка

Сценарій

Сценарій салону краси: реклама в Instagram веде на акцію «перша стрижка −50%». До автоматизації реклама вела на головний сайт із повним меню послуг і галереєю — увага розсіювалася, і ліди губилися. Кожне подане звернення оброблялося вручну: менеджер копіював контакти в таблицю і CRM, а потім усім надсилав однаковий шаблонний follow-up.

Біль	Наслідок
Ручне перенесення лідів у Sheets/CRM	10–15 хв на лід, людські помилки
Повільна реакція на нове звернення	Клієнт іде до конкурента
Немає сегментації за наміром	Один і той самий email усім → низька конверсія
Дані розкидані по різних системах	Немає єдиної картини по ліду
Процес не масштабується	Сплеск лідів перевантажує менеджера

Що я побудував

Один workflow, одна відправка форми на лендингу, один webhook.

Паралельний розподіл на три системи. Один POST-запит форми потрапляє у webhook n8n з allowedOrigins: * для cross-origin відправок з лендингу. Після нормалізації полів дані йдуть у Google Sheets (поточний журнал), Telegram (миттєве сповіщення менеджеру українською, за київським часом) і Zoho CRM (картка ліда через OAuth 2.0) — три незалежні гілки.

AI-кваліфікація наміру працює паралельно з розподілом, а не після нього. Промпт з температурою 0 читає коментар ліда і повертає строгий JSON, {"category":"hot|warm|cold"}. Нода Switch маршрутизує за цією категорією в один із трьох списків Klaviyo — hot, warm, cold, — тож наступний лист, який отримає лід, уже відповідає його готовності записатися.

Кожна гілка ізольована. onError: continueRegularOutput встановлено на кожній ноді, що звертається до зовнішнього сервісу, тож збій Klaviyo не може завалити запис у CRM, а таймаут CRM не може зупинити сповіщення в Telegram.

Архітектура

Діаграма вище відповідає робочому workflow: один webhook нормалізує поля форми і напряму розходиться на Sheets, Telegram і Zoho CRM, поки паралельна гілка AI-кваліфікації оцінює намір і маршрутизує той самий лід у відповідний список Klaviyo через ноду Switch.

Уроки, які сформували систему

• Класифікатору потрібен «запасний» стан, а не лише щасливий шлях. 3-рівневий fallback — некоректний JSON, таймаут моделі чи будь-яка помилка парсингу — завжди веде до «warm», а не до втраченого ліда. Бездіяльність ніколи не була прийнятним сценарієм відмови для кроку захоплення ліда.
• onError: continue має стояти на кожній гілці, а не лише на AI-гілці. З чотирма незалежними напрямками ставлення до workflow як до єдиного цілого означало б, що один нестабільний API — скажімо, протермінований OAuth-токен Zoho — блокує заодно Sheets, Telegram і Klaviyo. Ізоляція кожної гілки утримує частковий збій частковим.
• Одна нода Klaviyo, а не три. У першій версії була окрема нода «додати в список» на кожну категорію. Об’єднання в одну ноду, де ID списку визначається динамічно з виходу Switch, скоротило кількість нод і зробило додавання четвертого сегмента в майбутньому зміною одного рядка, а не новою нодою.

Результати

Метрики виміряні в тестових прогонах — це демо-білд, а не відгук клієнта.

Метрика	До	Після
Обробка одного ліда	10–15 хв вручну	~8 секунд автоматично
Ручна робота на лід	~10 хв	0
Систем оновлюється з однієї форми	0 (ручний копіпаст)	4 (Sheets, Telegram, Zoho, Klaviyo) + AI
Сегментація лідів	0% (однакове повідомлення всім)	100% автоматично (hot/warm/cold)
Час реакції менеджера	години	миттєве сповіщення, <10 с
Вартість AI-кваліфікації	—	~$0 (безкоштовна модель OpenRouter)

Спробуйте самі

Лендинг працює за адресою everbeauty.mahinko.com — його форма запускає саме цей пайплайн. Надішліть лід і подивіться, як він за лічені секунди потрапляє в Sheets, Telegram, Zoho CRM і потрібний список Klaviyo.