Automatyczna kwalifikacja z JSON i regułami
Automation 11 min
0/21
Problem biznesowy
Ręczna kwalifikacja nie jest powtarzalna: 2 handlowców kwalifikuje ten sam lead inaczej, a ten sam handlowiec w poniedziałek inaczej niż w piątek. AI bez reguł też jest niespójna: raz powie 'qualified', raz nie — zależy od promptu. Bez structured output nie możesz zautomatyzować dalszych kroków.
Sprawdzona metoda
Automatyczna kwalifikacja w 3 warstwach:
- DANE: AI analizuje company (nazwa, branża), industry (branża), size (wielkość), role (rola kontaktu), website (strona), description (opis z enrichmentu),
- AI WYNIK (structured output JSON): {
icp_score
: 87,qualified
: true,reason
:branża docelowa + wielkość w zakresie + hiring sygnał
,priority
:HIGH
}, - DETERMINISTYCZNE REGUŁY (workflow, nie AI): jeśli icp_score >= 70 → przejdź do kampanii; jeśli 50-69 → nurture; jeśli < 50 → nie kontaktuj (oznacz); jeśli qualified=false → odrzuć z powodem; jeśli priority=HIGH → oznacz do szybkiego kontaktu. Zasady:
- AI ocenia, reguły decydują (AI nie routuje sama — workflow interpretuje JSON przez IF/THEN),
- schema musi być stała (ta sama struktura JSON zawsze),
- definicja 'qualified' jest Twoja (co znaczy 70 pkt w Twoim modelu),
- reason (uzasadnienie) jest krytyczne — bez niego nie wiesz, czemu AI tak oceniło.
Przykład z rynku
- ZŁY
- Ręczne, niespójne wykonywanie kroków lub chaotyczna automatyzacja bez walidacji danych.
- DOBRY
- Lead: 'MebelSoft, e-commerce, 40 osób, Head of Customer Service, shop.meble.pl, sprzedają meble online'. AI JSON: {
icp_score
: 87,qualified
: true,reason
:e-commerce w ICP, 40 osób w zakresie (10-100), rola decydencka, strona bez chatu — pain hipoteza
,priority
:HIGH
}. Reguły: score 87 ≥ 70 → kampania; priority HIGH → task 'kontakt dziś'. Drugi lead: 'Janex, budowlana, 3 osoby, brak strony' → score 31 → reguła: < 50 → nie kontaktuj, oznacz w CRM z powodem.
Gotowy prompt do skopiowania
Jesteś architektem kwalifikacji. Kontekst: Mój ICP: [KARTA]. Moje progi: [JAK DEFINIUJĘ DOBRY LEAD]. Używam: [AI + MAKE/N8N + CRM]. Zadanie: Zaprojektuj automatyczną kwalifikację: 1. Dane wejściowe: co AI analizuje (company, industry, size, role, website, description) 2. JSON schema: struktura wyniku (icp_score, qualified, reason, priority) z typami 3. Prompt kwalifikacji: jak prosić AI o uzasadnienie (reason musi być konkretny) 4. Deterministyczne reguły: IF/THEN na bazie score i priority (workflow) 5. Progi: co znaczy 70+ / 50-69 / <50 w moim biznesie + akcje per próg 6. Obsługa błędów: co, gdy AI zwróci zły format / brak danych (fallback) 7. Test: 5 przykładowych leadów przez system (wejście → JSON → decyzja reguł) Format: 7 sekcji.
Model rekomendowany: Claude 3.5 Sonnet / GPT-4o Skopiuj i wklej do ChatGPT, Claude lub Perplexity
ALTERNATYWNE SCENARIUSZE
Warianty i alternatywne scenariusze
Wersja bez reguł: AI scoring + ręczny routing (mniejsze ryzyko).
Wersja pełna: reguły + routing + oznaczanie w CRM.
Ćwiczenie praktyczne
Napisz JSON schema kwalifikacji (icp_score, qualified, reason, priority). Napisz progi i reguły IF/THEN dla swojego biznesu. Przetestuj na 3 przykładowych leadach (ręcznie symulując AI).
Zapisano w przeglądarce