Канали на кшталт Tech With Tim вже давно використовують штучний інтелект не лише як «розумнішу пошукову систему», а як повноцінний двигун для бізнес‑процесів. В одному з останніх розборів автор показує, як зібрати з нуля AI‑workflow, що щодня знаходить свіжі B2B‑ліди, збирає по них ключову інформацію, оцінює і одразу готує шаблони аутріч‑листів з доставкою в Slack.
Йдеться не про черговий Zapier‑сценарій, а про недетерміністичну AI‑автоматизацію: мозок на базі LLM сам шукає компанії, аналізує сайти, видобуває контакти та приймає рішення, кому варто написати сьогодні.
Вхідні дані: кого саме шукає AI‑воркфлоу
Конфігурація сценарію починається з чіткого визначення цільового портрета компаній. У цьому випадку мова про лідогенерацію для YouTube‑каналу з технічним контентом, який продає спонсорські інтеграції.
Завдання для AI сформульоване максимально конкретно. По‑перше, тип бізнесу: потрібні AI‑SaaS компанії. По‑друге, стадія розвитку: ті, що «нещодавно підняли гроші». По‑третє, розмір: відносно маленькі гравці, приблизно від 10 до 50 співробітників.
Такий фокус важливий з двох причин. З одного боку, компанії, що тільки залучили фінансування, зазвичай агресивно інвестують у маркетинг і видимість. З іншого — невелика команда означає, що рішення про співпрацю можуть ухвалюватися швидше, без довгої бюрократії.
AI‑автоматизація отримує цю рамку як текстову інструкцію: щодня знаходити набори компаній, що відповідають цим ознакам. Для цього використовується можливість «batch web search» і «batch web crawl» у GenSpark: система сама йде в інтернет, збирає результати, а далі LLM уже фільтрує їх під задані критерії.
Збирання контактів: AI як ассистент з ресерчу
Після того як кандидатів знайдено, наступний етап — глибинний ресерч по кожній компанії. Тут LLM працює як універсальний «junior SDR», який не втомлюється відкривати десятки вкладок.
Ціль сформульована просто: для кожної знайденої компанії потрібно знайти контактну адресу. У пріоритеті — емейли, прив’язані до sponsorships, collaborations або партнерств. Якщо таких немає, підходить будь‑який загальний контакт, яким реально можна скористатися для першого дотику.
GenSpark дозволяє комбінувати кілька інструментів: отримувати метадані сторінок, робити скріншоти, краулити сайти. Але критичною є саме участь LLM: він здатний зрозуміти, що конкретна адреса на кшталт «partners@…» чи «marketing@…» є більш релевантною для рекламних інтеграцій, ніж, наприклад, «support@…».
Замість жорстких регулярних виразів тут працює смислове розуміння. Алгоритм не просто шукає рядок «contact» — він інтерпретує контент сторінки, структуру блоку «About» чи «Team», помічає згадки про співпрацю, партнерства, медіа‑кіти і зіставляє це з початковою задачею.
У підсумку на виході кожна компанія в лістингу має набір базових атрибутів: назву, короткий опис, дані про фінансування, приблизний розмір команди та одну або кілька релевантних email‑адрес.
Скоринг лідов: як AI відбирає найцікавіших
Головна відмінність цього workflow від звичайного парсера — етап осмисленого скорингу. Саме він перетворює «таблицю зі стартапами» на корисний список B2B‑лідів.
У сценарії чітко сказано: потрібно ранжувати компанії як потенційні ліди на покупку YouTube‑спонсорства для конкретного каналу. Для цього AI отримує додатковий контекст про тип рекламодавців, з якими зазвичай працює цей канал. У фокусі — освітні продукти, open‑source проєкти, сервіси із софтом або AI‑агентами.
На основі цього система має дати кожній компанії оцінку від одного до п’яти. Враховуються кілька факторів: наскільки продукт перетинається з тематикою контенту, чи виглядає компанія достатньо «дорослою», щоб інвестувати в спонсорства, чи відчувається маркетинговий фокус у їхній комунікації.
Знову ж, немає жодної жорстко закодованої формули: скоринг робить LLM, який аналізує опис продукту, позиціонування, тон презентації, можливо, навіть тексти вакансій чи блоги, якщо вони потрапляють у краул. Це типова недетерміністична задача, де замість «if‑else» працює мовна модель з інструкцією.
Результат — список лідов, проставлені бали та коротке обґрунтування, чому саме ця компанія отримала свою оцінку. У демонстраційному прогоні виявилися знайомі імена з AI‑екосистеми, що додатково підтверджує адекватність вибірки.
Slack як щоденний інбокс для лідогенерації
Остання ланка ланцюга — доставка результатів туди, де засновник чи менеджер з продажів дійсно живе щодня. У цьому кейсі обрано Slack.
Workflow налаштований працювати на щоденній основі: раз на день запускається пошук, ресерч, скоринг, і в результаті формується звіт лише по топ‑п’яти компаніях з найвищим балом. Саме їх і варто опрацьовувати в першу чергу.
Звіт надсилається у Slack у вигляді приватного повідомлення. Попередньо автор зіштовхнувся з тим, що повідомлення приходили у вигляді DM самому собі, а не в окремий канал від імені додатку — через це їх спершу просто не помітили. Після з’ясування цієї деталі стало зрозуміло, що «все працює, але нотифікації потрібно правильно відслідковувати».
У повідомлення включаються:
- список п’яти пріоритетних компаній;
- ключова інформація про кожну (назва, короткий опис, релевантні параметри);
- контактні адреси;
- оцінка як ліда та короткий коментар.
Таким чином Slack перетворюється на щоденний інбокс лідогенерації: замість того, щоб самостійно шукати стартапи, дивитись новини про раунди та копатися в сайтах, користувач отримує стислий, але насичений дайджест.
Шаблони листів: AI дописує останній крок за вас
Окремий штрих, який робить workflow по‑справжньому практичним, — автоматичне формування шаблонів листів для контакту з кожним лідом.
У специфікації сценарію прямо вказано: у щоденному Slack‑репорті має бути швидкий template message, який можна надіслати обраній компанії. Тобто LLM не лише знаходить лід, а й одразу пропонує варіант первинного аутрічу.
У структурі згенерованого повідомлення зазвичай поєднуються кілька елементів:
- персоналізоване звернення, прив’язане до ніші або продукту компанії;
- коротке пояснення, чому аудиторія каналу може бути релевантною;
- пропозиція формату співпраці (спонсорський блок, інтеграція, огляд тощо);
- запит на подальший контакт чи кол.
Хоча фінальний текст усе одно варто переглянути й трохи адаптувати вручну, сама наявність готового шаблону різко знижує бар’єр до дії. Замість чистого аркуша у поштовому клієнті користувач бачить already‑готовий меседж, який можна відредагувати за одну‑дві хвилини й відправити.
У підсумку ланцюг виглядає цілком замкненим: від виявлення потенційного клієнта до натискання кнопки «Send» усе робиться в межах одного workflow.
Архітектура сценарію: шість кроків до щоденного потоку лідів
Уся автоматизація зібрана в GenSpark у вигляді послідовності кроків, які система сформувала на основі однієї великої текстової інструкції. Усередині редактора видно чітку структуру:
Перший крок — пошук недавно профінансованих AI‑SaaS компаній. Це той самий етап, де використовуються інструменти веб‑пошуку й краулінгу.
Другий — дослідження кожної кандидатної компанії. Тут LLM читає сайти, сторінки «About», контакти, можливо, профілі у відкритих джерелах.
Третій — скоринг як потенційного ліда на спонсорство. Саме на цьому кроці модель накладає фільтр «чи підходить для купівлі YouTube‑інтеграції на цьому каналі» та виставляє бали.
Четвертий — вибір топ‑п’яти компаній і написання текстів аутріч‑листів. Генеруються короткі, ділові template messages, які враховують профіль кожного ліда.
П’ятий — форматування й надсилання Slack‑звіту. Сюди збираються всі результати в читабельному вигляді.
Шостий — запис результатів у файл. Це дає історію лідогенерації, яку можна аналізувати й допрацьовувати з часом.
Користувачу не потрібно вручну конструювати кожну дію: досить один раз описати бажаний процес, а далі вже редагувати згенерований ланцюг, якщо щось працює не так, як очікується.
Що це змінює для невеликих команд
Головний ефект такої AI‑лідогенерації — перетворення того, що зазвичай забирає години ручного пошуку й ресерчу, на напівавтономний процес, який працює щодня без участі людини.
Замість того, щоб:
- стежити за новинами про раунди;
- фільтрувати компанії за розміром і профілем;
- відкривати кожен сайт і шукати релевантні контакти;
- думати над формулюванням кожного першого листа,
користувач отримує в Slack короткий звіт із уже відібраними лідами та готовими шаблонами повідомлень.
Цей підхід не гарантує ідеальної якості на кожному кроці — автору довелося, наприклад, розібратися з тим, куди саме Slack відправляє повідомлення. Але ключовий факт залишається: LLM‑орієнтований workflow здатен взяти на себе «брудну» частину B2B‑лідогенерації й зробити її рядовою щоденною процедурою, а не окремим проєктом на півдня.
Джерело
Build 3 AI Automations From Scratch – Complete Beginner Guide