Как мы автоматизировали маркетинг, продажи и контроль стеком ИИ-агентов

В нашей компании нет отдела маркетинга. Нет руководителя продаж. Нет SMM-щика, копирайтера, аналитика и таргетолога. Есть один CEO и стек из 12 ИИ-агентов, которые ведут восемь каналов коммуникации, контролируют менеджеров по продажам, мониторят расходы на рекламу 24/7, пишут персональные письма клиентам с цитатами из их звонков, и каждое утро в 6:00 МСК сами обучаются на ночной переписке команды.

Эта статья — разбор без купюр: как это устроено, что работает, где грабли. В конце — отдельный блок про применимость в любом бизнесе.

Никаких выдуманных диалогов и скриншотов «для презентации». Всё ниже — реальные сообщения из нашего рабочего Telegram-чата за последние две недели. С точными временами, реальными ID, и теми багами, которые мы публично признавали в той же переписке.

Кейс №1. «Ром, убери» — 9 минут от запроса до фикса

Менеджер Юля видит в хелпике CRM описание услуги, которая не работает, и пишет в общий чат с прикреплённым скриншотом: «уберите тогда пункт публикация на порталы».

CEO одной строкой даёт команду в чат: «Ром, можешь найти этот текст и убрать полностью первый пункт. Будет только один пункт 2».

Через 9 минут ИИ-ассистент отвечает: «Готово. Убрал первый пункт из хелпика — теперь там только один раздел про XML/ФИД. Обновлено в двух версиях хелпика (актуальной и предыдущей). Кеш сброшен — изменения видны сразу.»

В классической схеме это: тикет от менеджера → разработчик в спринт → деплой на следующей неделе. Здесь — одно сообщение в чат и фикс в двух версиях текста с автоматическим сбросом кеша. Девять минут.

Кейс №2. Статья родилась прямо в переписке

Утром менеджер пишет в чат: «Тестили нашу CRM, остановились на Битриксе. Конкретно по цене не знаю, но знаю, что Б24 очень тяжело настраивается под свои бизнес-процессы». Это сигнал: компания теряет клиентов из-за сравнения с универсальными CRM.

На следующее утро CEO в том же чате анализирует ситуацию: «Я посмотрел глубже, и у Bitrix24 «реальная стоимость» сильно отличается от цены на витрине. Что у них есть скрытые расходы». И дальше — детальный разбор скрытых тарифов с источниками.

ИИ-директор маркетинга в этот же тик читает чат, классифицирует это как сигнал на контент и сам — без явного запроса — формирует Decision: «статья «Специализированная CRM для недвижимости vs универсальная — что выгоднее»; сигнал: дискуссия CEO о Б24».

Через 1 час 28 минут после первой реплики CEO статья на 22 550 символов уже опубликована на сайте, появились анонсы в пяти каналах: Telegram, ВКонтакте, Дзен, Max, LinkedIn.

Эту статью не написал маркетолог — её написал ИИ-директор по сигналу из переписки.

Кейс №3. Один пост — пять каналов за минуту

12:03. Один материал — экс-премьер Степашин о вторичном рынке — публикуется параллельно в пять платформ. Ниже — четыре скриншота из Telegram, ВКонтакте, Max и Дзена. Время публикации — с 12:03 по 12:06.

Все четыре поста — одинаковая структура: заголовок, картинка, маркированный список «что это значит для риэлтора», вывод. Адаптацию под формат каждой платформы делает соответствующий субагент. Картинку для всех каналов один раз сгенерировал агент-художник.

Кейс №4. Каждое утро — детальная карточка по каждому менеджеру продаж

Каждый рабочий день в 12:00 МСК ИИ-агент собирает все звонки менеджеров продаж длиннее 10 секунд за прошедшие сутки, проводит распознавание через STT-сервис, подтягивает переписку из мессенджеров, и публикует в группу руководителей пять сообщений: одно сводное и четыре персональные карточки — по одной на каждого менеджера.

Так выглядит дневная карточка менеджера — с метриками, повторяющимися ошибками за 14 дней, рекомендацией на день и проверкой соблюдения внутреннего регламента:

За пять секунд чтения руководитель понимает: спокойное утро, один системный паттерн (шаблонный скрипт без адаптации, 25 повторов за две недели — красный флаг), конкретная задача на день («раскрывать причину отказа», а не «закрывать сразу после “нет, спасибо”»), нарушений нет.

Это работа РОПа со стажем 10 лет. Каждый день. По четверым менеджерам сразу.

Кейс №5. Менеджер задал вопрос — ИИ дал готовый ответ из БД

Менеджер в общем чате: «Ром, посмотри какие действия делает аккаунт N, до этого говорил, что не нуждается в услугах».

Через несколько минут ИИ возвращает разбор:

Что сделал ИИ за это время: подцепился к продуктовой БД, нашёл аккаунт по номеру телефона, поднял профиль клиента, посчитал визиты с момента отказа от услуг (15 раз с 11 марта), посчитал каждое осмысленное действие в системе (ручных поисков 0, открытий телефонов 0, просмотров карточек 0), и сформулировал вывод человеческим языком: «он реально ничего не делает, просто заглядывает по привычке или смотрит “что нового”». В конце — связь с предыдущей задачей менеджера, которая теперь подтверждается данными.

В классической схеме менеджер бы пошёл в техподдержку. Техподдержка — к аналитику. Аналитик — к разработчику с просьбой написать SQL-запрос. Через два дня менеджер получит выгрузку, которую ему ещё нужно интерпретировать. Здесь — три минуты от вопроса в чате до готового ответа с трактовкой.

Кейс №6. Триггерные письма с цитатами из звонков

Когда клиент регистрируется и общается с менеджером, его звонки автоматически расшифровываются. ИИ хранит транскрипции 90 дней. Если клиент после звонка пропадает на 3 дня — триггерный агент читает все его звонки, понимает контекст, и сам пишет персональное письмо.

Пример настоящего письма, отправленного 27 апреля:

Здесь ИИ:

• Помнит, что половина офиса клиента болеет — это было сказано в звонке

• Помнит, что менеджер обещал перенести встречу на 30 апреля

• Достал из логов, что клиент сделал 656 действий в системе — даёт это как валидацию: «значит, основное уже попробовали»

• Зашил конкретную полезную ссылку на инструкцию по автопубликации, релевантную текущему этапу

Менеджер на такое письмо тратил бы 30 минут на каждого клиента. У нас регистрируются десятки в день. Один менеджер физически не успевает писать персональные касания всем — поэтому раньше клиенты получали или шаблоны, или ничего. Теперь — персональные письма с реальным контекстом.

Кейс №7. Утренний дайджест: что происходит в компании

Каждое рабочее утро в 12:07 МСК ИИ-агент публикует в общем чате компании дайджест за прошедший день. Это — ежедневная аналитика, которую в обычной компании готовит сотрудник.

В одном сообщении: динамика регистраций по дням за неделю, рекламные расходы и ROI, разбор каждого рекламного лида (статус из звонка, рекомендуемое действие), список горячих клиентов дня с конкретными причинами «почему горячий», и проверка соблюдения внутреннего регламента менеджерами.

Никто не сидит ночью и не готовит этот отчёт. ИИ собирает данные из четырёх источников (CRM, биллинг, метрика, телефония), классифицирует, расставляет приоритеты, и публикует.

Кейс №8. ИИ сам нашёл функцию в коде и предложил статью

Утром ИИ-директор делает регулярный обход git-коммитов нашей CRM. Замечает: модуль photo-editor разросся до 28 функций. На сайте описан только в общих чертах. Это контентный пробел.

В чат CEO падает Decision-карточка с предложением:

В одной карточке: тема, цели, приоритет, источник идеи («исследовал код CRM: 28 функций»), список каналов публикации (site, dzen, telegram, vk, max), и три кнопки для CEO — «одобрить → сразу запущу исполнение», «отклонить», «процитируй и напиши правки → сохраню как урок».

CEO одобряет. Через 2 часа — статья опубликована на сайте, посты во всех каналах. Иллюстрации к статье — реальные скриншоты CRM, ИИ их сам сделал через скриншотный сервис, использовав внутренние логины.

Кейс №9. Как ИИ закрыл слив бюджета 86 622 ₽ в Яндекс.Директе

Каждый час ИИ-директор делает ads-snapshot — фиксирует расход и конверсии Яндекс.Директа. Когда автоматическая стратегия Директа начала резать показы из-за нулевых конверсий, кампания фактически умерла. Бюджет тратится на единичные клики, регистраций нет.

На седьмой день ИИ присылает CEO в личку полный ROI-анализ за три месяца:

Цифры жёсткие: потрачено 86 622 ₽, регистраций 87 (CPA 996 ₽), оплат 0, ROI = -100%. Для сравнения ИИ приводит органику: 833 регистрации, 35 оплат, конверсия 4,2%.

Вердикт: «Кампания мертва 8-й день. Рекомендация: остановить. Нужно решение.» CEO отвечает «Останавливаем!». Директ выключен.

Главное здесь — не цифры, а то, что без ИИ это просто бы не произошло. Ни один человек в маленькой компании не сидит и не считает ROI Директа за три месяца с разбивкой по неделям и сравнением с органикой. Это работа аналитика. У нас аналитик — это часовой cron, который читает API Метрики, биллинг и Директ, и раз в неделю подсвечивает аномалии CEO в личку.

Кейс №10. Как ИИ дебажит свой собственный стек

Самый неожиданный — и для нас самый показательный — кейс. CEO замечает, что в отчётах менеджерам время указывается со сдвигом. Пишет ИИ: «разберись».

Через несколько часов ИИ возвращается с диагнозом:

Что произошло: сервер в UTC, CRM хранит время в МСК. Скрипты, которые читали время сервера через стандартный datetime.now(), получали UTC и сдвигали все события на 3 часа назад. Из-за этого:

• Менеджер видела в утреннем отчёте «звонок в 13:28», хотя реально звонила в 10:15

• Расчёт «рабочих часов» ломался — 8:00 UTC интерпретировалось как 11:00 МСК

• Расписание ежедневных задач срабатывало не в то время

Самое интересное — что было дальше. ИИ нашёл root cause, создал единый модуль now_msk(), заменил все 60+ старых вызовов в 20 файлах, и в том же сообщении публично признал ошибку: «Менеджеры правы — цифры в том отчёте были неверные. Претензии к задержкам в понедельник были ошибочными». Никто из менеджеров об этом не просил. ИИ сам инициировал correction.

Это работа архитектора-разработчика с правом коммитить в продакшн. У нас этим архитектором стала маленькая обвязка вокруг LLM с доступом к коду.

Что НЕ автоматизировано — и почему

Финальные решения по контенту согласует CEO. Каждый пост, статья, email-рассылка, реклама — приходят CEO в личку как Decision-карточка с тремя кнопками: одобрить, отклонить, процитируй правки.

Случаи, когда CEO отвергал, — реальные. Decision-карточка «WebPhone — пост с видео» отклонена, потому что видео было плохого качества. Карточка «email-дайджест середины апреля» отменена вечером того же дня, потому что повестка изменилась. Это не редкость, это норма.

Логика простая: ИИ предлагает, человек одобряет. ИИ выполняет, человек контролирует. Никаких «полностью автоматических публикаций» — мы пробовали, поняли что это плохая идея, вернули контур человека.

Что ломалось

• Race condition с дублями публикаций. Если CEO нажимал «одобрить» в момент, когда параллельно работал автоматический тик — два процесса делегировали публикацию, посты выходили дважды. Закрыли через CAS-блокировку (атомарный UPDATE статуса).

• Капча Дзена при частых публикациях. Дзен ставит капчу, если публикуешь чаще чем раз в 5 минут. Увеличили интервал между постами до 300 секунд.

• STT-сервер уходил в OOM. Сервис распознавания звонков на собственной инфраструктуре. Поставили мониторинг и автоматический рестарт.

• Конфликт UTC/МСК — описан в Кейсе №10. Закрыт фундаментально, два этапа фикса.

Все эти инциденты разбирались публично в том же Telegram-чате. История ошибок и решений хранится в шине событий — мы используем её как обучающие материалы для самой системы.

Архитектура — для тех, кому интересно

Стек минимально необходимый. Никакой энтерпрайз-обвязки.

• Оркестратор — Claude Code (CLI Anthropic), запускает агентов в нужный момент по cron или по событию

• 12 субагентов — каждый под свой канал/задачу: telegram-poster, vk-poster, content-writer, seo-monitor, ads-monitor, sales-analyst, chatwoot-responder, video-producer, market-analytics, company-report, trigger-engine, director

• Шина событий — SQLite с одной таблицей на всю активность. 90 дней истории, 2900+ событий

• GitHub Issues — канбан задач, читается агентами

• Память — markdown-файлы в репозитории + индексация в Qdrant. На сегодня в памяти 441 факт, индексируется ежедневно в 6:00

• Интеграции — Telegram Bot API, NotiSend (email), VK API, Instagram (instagrapi), Дзен (через Playwright), Yandex.Direct API, MySQL CRM (read-only через SELECT-юзера, write — через ограниченного publisher), Asterisk + STT, и инструмент агрегации сообщений из мессенджеров клиентов (web-chat.org)

Один сервер. Один человек поддерживает. Никаких монорепо, очередей сообщений, Kubernetes и прочей классики. Скриптовая обвязка вокруг LLM с правильными промптами и доступом к нужным API.

Как тот же подход применить в другом бизнесе

Всё, что описано выше, мы построили для своей компании. Но та же архитектура применима к любому бизнесу, где есть менеджеры, клиенты, CRM, звонки и реклама. Это особенно показательно для агентств недвижимости — там каждый из перечисленных кейсов решает реальную и больную задачу.

Утренний дайджест руководителю. В 9:00 в чат руководителя падает сводка: сколько объектов добавлено вчера и какие из них качественные, сколько звонков клиентам сделано, какие сделки активны и что застряло, какие сотрудники в норме, какие нарушают регламент.

Анализ всех звонков сотрудников клиентам. Самое больное место большинства компаний — никто не слушает реальные звонки. РОПа на это не хватает физически: 10 сотрудников × 30 звонков в день = 300 разговоров. Послушать всё невозможно. ИИ не устаёт. Слушает все 300, ставит вердикт по каждому, цитирует факапы дословно, отслеживает повторяющиеся ошибки.

Триггерные письма клиентам с контекстом. Клиент сказал в звонке: «нужна квартира до конца года, до 15 млн, для родителей в Бутово». Сотрудник завёл лид и забыл на 4 дня. ИИ читает звонок, видит цели и дедлайн, через 3 дня сам пишет клиенту с упоминанием его конкретных болей. Без участия сотрудника. Клиент чувствует внимание.

Аудит расходов на платное продвижение. Компания тратит на платное продвижение десятки тысяч в месяц. Никто не считает по каждому объявлению ROI. ИИ-аудитор каждое утро говорит руководителю: «вот эти 50 объявлений за 3 месяца дали 0 звонков. На рекламу потрачено 47 800 ₽. Отключаем?» Прямой возврат денег.

Контент для блога — из обсуждений в чате. Клиент в чате жалуется руководителю на сложность ситуации. ИИ слушает чат, понимает что это типичная боль рынка, и сам предлагает: «делаю гайд». За час — статья в блоге, анонс в Telegram-канале. Без копирайтера.

Продуктовая аналитика клиента в один запрос. Сотрудник пишет в общий чат: «посмотри что делал клиент N за последний месяц». ИИ читает CRM, видит активность, сравнивает с похожими профилями и возвращает вывод за минуту. Сотрудник не идёт в техподдержку, не ждёт выгрузку — получает готовый ответ.

Любой из этих сценариев строится по одной и той же схеме: подцепиться к данным CRM, прописать правила/триггеры, дать ИИ доступ к нужным API. Разовая работа. Дальше работает само.

Главный вывод

Сейчас принято говорить «ИИ заменит работников». Это не про нас. ИИ не заменил у нас работников — он заменил ту работу, которую раньше никто не делал: круглосуточный мониторинг, ежедневный детальный анализ, персональные касания каждому клиенту, ROI-аудит каждого рекламного канала, перекрёстная проверка действий менеджеров.

На бумаге всё это должны были делать люди. На практике — никогда не делалось, потому что физически невозможно. ИИ заполнил вакуум.

Если у вас 5 сотрудников — вакуум закроет один человек на полставки. Если 50 — нужен отдел из 5 человек. Если ИИ — разовая настройка и дальше работает само.

FAQ

Сколько времени заняла настройка стека?

Через две недели после старта стек уже работал в автоматическом режиме — публиковал, считал, отчитывался. Дальше — постоянная тонкая донастройка под новые задачи и обратную связь команды. Это нормальный режим: не «сделали и забыли», а постепенно дорабатываем под бизнес. Сейчас вся обвязка работает автономно, вмешательство нужно только когда меняется бизнес-процесс.

Сколько стоит инфраструктура?

Один сервер (200/мес при текущей нагрузке) + сторонние API (STT, NotiSend, VK Ads — по тарифам провайдеров). Итого порядка 25–30 тыс. ₽/мес. Замена отделу из 5–7 человек.

Можно ли это повторить?

Да. Ключевые компоненты — Claude Code (или аналог), SQLite для шины событий, доступ к API нужных сервисов. Промпты для агентов придётся писать самостоятельно под свои бизнес-процессы — это самая трудоёмкая часть.

Что делать, если ИИ ошибся?

Разобрать публично в том же чате, обновить промпт, добавить факт в память. Каждая ошибка превращается в урок. У нас в библиотеке памяти 441 факт — почти все родились из конкретных уточнений в чате.