Automatyczna kwalifikacja leadów i scoring z AI w n8n: jak priorytetyzować kontakty z formularzy i CRM

Jak działa automatyczna kwalifikacja leadów z AI w n8n

Automatyczna kwalifikacja leadów polega na przypisaniu priorytetu lub oceny (scoringu) każdemu nowemu kontaktowi, zanim trafi on do ręcznej obsługi. W n8n łączę dane z formularzy internetowych lub webhooków z modelem LLM, który analizuje treść zgłoszenia, porównuje ją z ustalonymi kryteriami i zwraca ustrukturyzowany wynik. Dzięki temu przepływy do sprzedaży trafiają kontakty o najwyższym potencjale, a zgłoszenia niespełniające kryteriów mogą być kierowane do automatycznej obsługi lub archiwizowane.

Projektowanie przepływu scoringowego: od formularza do CRM

Zanim dodam węzeł AI do workflowu, projektuję logikę oceny leadów. Muszę określić, które sygnały świadczą o jakości kontaktu i jak będą przetwarzane.

Ekstrakcja i standaryzacja danych wejściowych

Dane z formularzy często zawierają niesformatowany tekst, błędy lub niepełne informacje. W n8n używam węzłów kodu lub wcześniejszych przepływów czyszczących, aby ujednolicić nazwy firm, walidować adresy e-mail i wyciągać kluczowe pola. Model AI działa lepiej na ustrukturyzowanych danych, a standaryzacja zapobiega błędom w ocenie wynikającym z literówek czy braków w składni.

Zasady scoringu a ocena modelu AI

W wielu firmach scoring opiera się na sztywnych regułach, które łatwo zaimplementować w n8n za pomocą węzłów Switch lub If. Na przykład: jeśli branża to „IT”, dodaj punkt. Jeśli wiadomość zawiera słowo „budżet”, dodaj kolejny. Problem pojawia się, gdy klient opisuje potrzebę własnymi słowami, nie używając słów kluczowych. Wtedy regułowe podejście zawodzi.

Włączam model AI, aby ocenił semantyczne dopasowanie opisu do profilu idealnego klienta. LLM potrafi wyłapać intencję zakupową ukrytą w ogólnikowym opisie, co pozwala na bardziej trafną kwalifikację niż sama analiza słów kluczowych. W praktyce łączę oba podejścia: węzły warunkowe filtrują kontakty po twardych kryteriach, a LLM ocenia jakość opisu problemu i intencji. Wynik modelu zapisuję jako wartość numeryczną lub kategorię (np. „wysoki”, „średni”, „niski”).

Budowa workflowu kwalifikacji w n8n

Praktyczny przepływ składa się z kilku powtarzalnych kroków, które projektuję w n8n.

Krok 1: Odbiór danych z formularza lub webhooka

Workflow uruchamia się przez webhook lub integrację z formularzem (np. WordPress, Typeform). Odbieram payload z danymi kontaktu: imię, e-mail, nazwa firmy, treść wiadomości. W tym miejscu weryfikuję, czy payload zawiera wszystkie wymagane pola. Brak kluczowych danych może od razu kierować zgłoszenie do ścieżki „niekompletne dane”.

Krok 2: Wzbogacenie danych o kontekst z CRM

Zanim wyślę dane do AI, sprawdzam w CRM (np. przez API), czy kontakt już istnieje. Jeśli tak, wyciągam historię interakcji. Nowy lead z powtarzalnym zapytaniem może otrzymać niższy priorytet niż pierwszy kontakt z nowej firmy. W n8n używam węzła HTTP Request do komunikacji z API CRM i zapisuję pobrane dane w zmiennej, aby przekazać je dalej do modelu.

Krok 3: Zapytanie do LLM z promptem scoringowym

W węźle AI przygotowuję prompt, który zawiera: definicję idealnego klienta (ICP), kryteria oceny i format odpowiedzi. Model ma zwrócić JSON z wynikiem i uzasadnieniem. Aby uniknąć losowości w odpowiedziach, stosuję parametry takie jak niska temperatura w konfiguracji węzła AI w n8n. Gwarantuje to, że dla podobnych zgłoszeń model zwraca zbliżone oceny. Dodatkowo w prompcie wprost zakazuję modelowi dodawania informacji nieobecnych w danych wejściowych, ograniczam jego rolę wyłącznie do oceny i kategoryzacji podanych faktów.

Krok 4: Zapis oceny i routingu w CRM

Odpowiedź z LLM parsuję i aktualizuję rekord w CRM. Dodaję pole z oceną i na jego podstawie kieruję lead do odpowiedniego etapu lejka lub przypisuję go do konkretnego handlowca. Niski scoring może uruchomić automatyczną sekwencję e-maili edukacyjnych zamiast ręcznej obsługi.

Jak pisać prompty do oceny leadów

Jakość scoringu zależy od precyzji promptu. Zawsze podaję modelowi kontekst branży i typowe problemy, które rozwiązuję. Zamiast pytać „czy to dobry lead?”, określam konkretne sygnały: „Zwróć uwagę na obecność konkretnych problemów operacyjnych, wielkość firmy sugerowaną w opisie i jasność deklaracji budżetu”. Wymaganie odpowiedzi w formacie JSON ułatwia dalsze przetwarzanie w n8n bez konieczności ręcznego mapowania tekstu.

Ważne jest też zdefiniowanie, co stanowi lead negatywny. Często do formularzy trafiają zgłoszenia od dostawców szukających współpracy B2B, a nie klientów. W prompcie dodaję instrukcję: „Jeśli wiadomość jest ofertą handlową skierowaną do nas, a nie zapytaniem o nasze usługi, ustaw score na 0 i oznacz priority jako 'spam'”. Tego typu rozróżnienie drastycznie redukuje ręczne czyszczenie lejka sprzedażowego.

Checklist wdrożenia scoringu leadów

Przed uruchomieniem przepływu na produkcję weryfikuję:

• Czy dane wejściowe są czyste i ustandaryzowane?
• Czy prompt jasno definiuje kryteria oceny i format odpowiedzi?
• Czy workflow sprawdza historię kontaktu w CRM przed oceną?
• Czy wynik scoringu jest poprawnie zapisywany w CRM?
• Czy niskopriorytetowe leady mają zdefiniowany automatyczny scenariusz obsługi?
• Czy przepływ zawiera obsługę błędów na wypadek braku odpowiedzi z API modelu?

Jeśli chcesz zautomatyzować kwalifikację leadów w swoim CRM i zintegrować ją z n8n, pomogę zaprojektować i wdrożyć dedykowany przepływ AI dopasowany do Twoich kryteriów biznesowych.