From 0 to 1 again. Go Global

Реальные кейсы применения AI для вдохновения (3/3) Обещал рассказать про наш кейс.

У нас в команде все используют AI, но каждый сидит со своим ChatGPT. По итогу, тебе нужно постоянно обновлять для AI контекст (ногда даже полностью его дублировать), чтобы выполнить задачу качественно.

Что мы сделали в Dashly 🔘 Внесли весь контекст в Notion Описание продукта, клиенты, звонки, офферы, бенчмарки, кейсы — все лежит в одном месте и доступно агентам.

🔘 Собрали правила и шаблоны Rules, templates, guides для разных задач: как писать кейсы, как готовить фичу к PBR, что использовать при составлении КП.

🔘 Настроили Notion-агентов Отдельные агенты под разные типы задач: пилоты, маркетинг, продажи, продукт и общий агент-менеджер.

Как это работает на практике Продуктовая задача: Я формулирую задачу агенту в Notion подготовить PBR, даю ссылки на нужные правила. → Агент выдает очень подробное структурированное описание фичи: проблема, ICP, JTBD-сценарии, решение, метрики.

Сейлз задача: Даем агенту запись встречи + правила разбора + наши бенчмарки и шаблон КП. → На выходе коммерческое предложение под конкретного клиента с разбивкой по сценариям и с реальными цифрами, которые мы уже подтверждали в других пилотах.

Как это влияет на работу команды: 🔵 Любой человек в команде получает стабильно высокий результат 🔵 Качество меньше зависит от того, кто именно пишет запрос 🔵 Агенты опираются на общие правила и общий контекст, что делает результат более глубоким и проработанным

Что в итоге Мы перестали зависеть от того, насколько хорош конкретный человек в промптинге. Теперь зависим от того, насколько хороши наши общие правила и контекст 😉

А это уже можно улучшать системно.

Если интересно посмотреть, как это работает на практике, ставьте 🔥

Будет много огонечков — запишу лум, как работаю с конкретной задачей с помощью Notion.

Реальные кейсы применения AI для вдохновения (2/3) Поделюсь еще парочкой классных кейсов. 3. Анна Шигарданова из Zalando: Claude Subagents как виртуальная dev-команда

Аня создала виртуальных разработчиков через subagents в Claude: 🔵 Frontend, Backend, ML, код-ревьюер; 🔵 У каждого свой системный промпт, контекст, инструменты; 🔵Один человек оркестрирует всех.

Результат: фичи, разработка которых тянулась несколько недель, теперь делаются быстро. Но сама Аня подчеркнула, что это больше подходит для легких/средних задач.

Аня прямо сказала: в их команде джунов нет, компании нанимают опытных людей для оркестрации агентов.

И я вижу этот тренд, где большая команда заменяется парой людей, которые хорошо владеют AI. У нас в dashly это работает так же. Например, в продукте. Раньше нужен был дизайнер для прототипов. Сейчас я с Notion агентом + Lovable делаю то же самое один.

Но (и это важно) это работает, потому что я знаю, что нужно. AI не заменяет экспертизу, он усиливает ее. Плохой продакт с AI сделает плохой продукт быстрее:)

4. Сева Устинов из Elly Analytics: Cursor как AI-операционка для всей компании Сева показал, как использует Cursor не для кода, а как универсального агента для компании (30+ человек).

Что подтягивается в Cursor: - Репозитории (только чтение для команды) - Документация по продукту - Product vision, roadmap, конкуренты, юзкейсы - Встречи (транскрипты из Fireflies) - Переписки с клиентами - Таски из ClickUp - Личная CRM

Как это работает: - Голосовая команда: "Найди встречу BMA, создай карточку пресейла, подготовь follow-up" - Cursor делает это за пару минут

Результат: любой сотрудник может задать вопрос про продукт/клиента, получить анализ, черновик письма быстро и без вовлечения других людей.

Мы с командой делаем похожую штуку в Notion — унифицируем весь контекст компании в одном месте.

Зачем? Проблема в том, что у каждого члена команды свой кусок контекста: - У продакта — в голове + в Notion - У маркетолога — в ChatGPT + в табличках и доках - У сейлза — в CRM + в переписках

А качество работы AI сильно зависит от того, какой контекст ты ему дал.

В общем, дико рад, что вписался в это лайв, потому что это сильно расширяет носмотренность и дает новые идеи, как можно упростить жизнь себе и команде с помощью AI.

Своим выступлением не очень доволен (мало уделил времени на подготовку), поэтому в третьей части подробнее расскажу про наш кейс использования AI агентов в Notion:)

Реальные кейсы применения AI для вдохновения (1/2) На прошлой неделе был на AI буткэмпе у Макса Епифанова. Слушал, как другие компании внедряют AI. Ну и сам рассказывал, конечно. Хочу рассказать несколько зацепивших меня кейсов, которыми делилилсь ребята.

1. Макс Епифанов (TripleTen): AI решает спор между маркетингом и продажами Проблема классическая — маркетинг пригоняет лиды, продажи говорят "это мусор".

Ребята подключили Glyphic + Gemini 2.5 к HubSpot. Теперь AI анализирует ВСЕ звонки с лидами и по словам оценивает: - Платежеспособность - Мотивацию учиться

Результат: 80% точность в определении целевых/нецелевых лидов.

Очень классный способ добиться объективности и при этом сэкономить время команды. Недавно писал пост про аналитику звонков, поэтому мне сильно отозвалось то, что делают ребята в TripleTen. Мне кажется, это очень классный способ более эффективно работать с лидами и при этом разрешить этот вечный конфликт между маркетингом и продажами.

2. Дарья Щурик @ Greeneration: персонализированные отклики на вакансии с помощью n8n

Даша показала классный воркфлоу, как можно фильтровать подходящие тебе вакансии на LinkedIn и кастомизировать свое резюме под каждую.

Тратишь 4-5 часов на настройку, а потом это превращается в конвейер.

Да, поиск работы мне неактуален, но это идеальный пример того, КАК надо делать AI-инструменты.

Не просто просишь GPT переписать свое резюме под вакансию, а создаешь слаженную машину от сырых данных до готового результата. С четкими критериями, структурой, повторяемостью. Невероятный кайф 🔥

📌 А полную запись лайва (и записи вообще всех дней буткэмпа) можно забрать в канале Макса.

Как правильно делить AI-агента на задачи С агентами очень легко упасть в две крайности: либо один бог‑агент на все случаи, либо зоопарк микро‑агентов на каждый чих.

Как я это вижу: 1. Один агент — быстрое MVP, чтобы понять общую логику работы и постепенно начать ее развивать. 2. Декомпозиция на 2–3 крупные роли: диалог / обработка данных / действия. 3. Дальше — точечная специализация там, где это дает прирост в качестве, скорости.

Очень похоже на эволюцию классической архитектуры: плохой монолит → хороший монолит → и только потом осмысленные микросервисы.

С агентами по сути работают те же законы.

Делите агентов, когда видите конкретные проблемы: конфликты в поведении, невозможность нормально тестировать, задержка влияет на конверсии или данные расходятся.

И начинайте с простого. Один агент на MVP — это хороший старт. Два‑три специализированных агента на проде с реальным трафиком — это уже то, что действительно может работать и приносить результат.

Главный критерий: помогает ли разделение улучшить бизнес‑метрики или хотя бы качество работы?

Когда пора делить AI-агента — 5 сигналов Наткнулся на любопытный пост на реддите с вопросом: как вы понимаете, что нужно разделять одного агента на нескольких.

Мы так же начинали с одного агента. Но чем больше задач мы хотели закрывать, тем больше агентов становилось.

Часто кажется, что задача-то по сути одна, просто многосоставная. Но вот тут и начинаются проблемы.

Из нашего опыта работы с AI‑агентами для inbound‑воронки выделил несколько сигналов, что пора разделять.

1. Когнитивная каша в голове у агента Когда один и тот же агент отвечает на продуктовые вопросы, собирает данные, квалифицирует по ICP и бронирует встречу, мы видим рост странных ответов и ошибок.

Чуть подкрутил промпт для более жесткой квалификации — и агент уже несет хрень, отвечая на вопросы пользователей.

Сигнал: любое улучшение одной задачи стабильно ломает другую. Значит, вы смешали несколько ролей в одной голове.

2. Промпт уже похож на мини‑RFC Если промпт агента превращается в полотно на 10 экранов, почти всегда это симптом того, что вы пытаетесь описать несколько ролей сразу.

Простой тест: могу ли я описать роль агента одной короткой фразой? Если получается “он и SDR, и саппорт, и аналитик” — это уже не одна роль.

3. Невозможно нормально дебажить и оценивать качество В проде важно не только что агент ответил, но и где именно сломалась цепочка: плохо заданы вопросы для квалификации? неверный скоринг? или данные просто не записались в CRM?

В оценке качества работы агентов очень помогают Evals (напишу про них отдельный пост обязательно.). И отчеты по агентам становятся сильно полезнее, когда есть отдельный Conversation Agent, отдельный Scoring Agent и отдельный CRM Agent.

4. Медленный ответ начинает бить по конверсии Когда мы общаемся с лидом в чате, мы не можем ждать 30-40 секунд, пока один монолит подумaет обо всем сразу и выдаст результат.

Типичный боевой сценарий: агент ведет диалог и решает, что спросить дальше, параллельно другой агент анализирует профиль лида и определяет тир лида, третий готовит карточку лида и саммари для сейлза.

Когда все это навешано на одного агента, он становится узким местом. Как только задержка начинает бить по конверсии и FRT — это очень сильный сигнал для разделения.

5. Конфликты в данных Самый болезненный момент, когда один агент и разговаривает, и пишет в несколько систем (CRM, таск‑трекер, внутренние логи).

Привет дубли, несходящиеся данные, пропавшие лиды.

Практичное решение: отделить “говорящую голову” от рук “рук” — пусть каждый делает свою работу, не мешая другому. А поверх поставить отдельного AI-менеджера, который решает, какие действия запускать.

От таблиц к дашбордам без кода: как мы замеряем результаты в проектах от заявки до продаж В прошлом посте рассказывал, какие у нас были проблемы с аналитикой и как мы их решаем. Мы пришли к Looker Studio. Сегодня хочу немного больше рассказать, почему мы выбрали именно его, в чем его плюсы и недостатки.

Почему мы выбрали Looker Studio - Он уже в нашем Google Workspace → ноль дополнительных костов. - На старте не было идеальной картины, что именно собирать. Значит, нам нужен инструмент, который можно полностью контролировать вручную и при этом любые данные можно легко перепроверить. - Нужно собирать много отчетов, часть из которых видна всем, а часть — только нашей команде. Looker позволяет развести это без сложной настройки.

У человека в нашей команде, который настраивал Looker, было ноль опыта сбора отчетов сложнее гугл таблиц.

И вот хак: Если вы тоже впервые сталкиваетесь с Looker, откройте его в браузере Comet от Perplexity и запустите AI агента. Он пошагово проведет и поможет собрать первые дашборды.

Но лучше не давать ему самостоятельно собирать — это долго и неэффективно (он вам каждую кнопочку в интерфейсе протыкает:))

Преимущества Looker (как мы их чувствуем) - Дашборды собираешь один раз - дальше раз в неделю просто обновляешь данные. - Можно собрать любой новый дашборд за пять минут под любой запрос клиента. - Полные данные по лидам: не только цифры, но и конкретные пользователи за ними. Это повышает доверие и помогает сверять данные (можно посмотреть пример отчета на скрине). - Отчеты визуально очень понятны (в отличие от гугл таблиц). Можно отправить клиенту заранее — он изучает цифры до встречи и приходит с вопросами. Больше не тратим время на звонке, вместе разбираясь в таблицах.

Недостатки Looker - Кастомизация допотопная: миллион кликов, чтобы добавить новый дашборд, угадываешь на сколько пикселей растянуть страницу, чтобы новый блок влез. - Интерфейс не всегда интуитивный, особенно в сравнении с гибкими современными конструкторами.

Но ценность перевешивает боль на данном этапе, когда мы все еще формируем видение: какие отчеты нам нужны на первом экране, что мы показываем клиенту, как оно должно выглядеть и тд.

Следующие шаги - Подключить BigQuery → Looker Studio, чтобы вообще убрать ручные выгрузки. - Допилить видение: окончательно определиться ,какие цифры нам важнее всего смотреть и показывать клиенту. - Возможно, когда мы полностью поймем картинку, перейти на более удобный ИИшный инструмент.

Это был большой проект (примерно на полтора месяца), и мы уже видим, насколько он упрощает нам жизнь. Я дико доволен.

Напоминалка: завтра в 18:00 встречаемся на лайве Завтра, 18 декабря в 18:00 МСК буду на AI буткэмпе у Макса Епифанова.

Разберем на практике: - Как AI агенты могут упростить и ускорить работу; - Как внедрять их в процессы; - Каких результатов можно достичь.

Покажу, как мы в dashly используем AI‑агентов notion для задач продукта.

Когда: 18 декабря, 18:00 МСК

📅 Регистрируйтесь на эфир в боте

До встречи завтра 🔥

Внедрение AI — это карго-культ или must-have? Я много пишу про AI-агентов и недавно мне прилетел классный коммент: действительно ли нужно внедрять везде AI агентов, не превращается ли все это в карго-культ.

Разберу на примере автоматизации анализа звонков менеджеров, про который я писал выше.

1. Анализировать звонки нужно всегда Даже если у тебя профи-менеджер, это все равно человек. Качество звонков нестабильно, просто потому что мы люди. Можем быть супер сфокусированными, а можем что-то забыть.

Анализ, выводы, резюме звонка должны делаться автоматически. Чтобы убрать рутину с человека и ускорить команду.

2. Анализировать каждый звонок значит видеть общую картину Не в смысле вчитываться в каждое резюме. А в смысле видеть, где западают встречи.

Проблемные места это прекрасная возможность вернуться к клиенту и доработать.

Потому что с ростом стоимости клиента каждая встреча становится важнее.

Пример: Созвонились с клиентом сегодня. Не договорились про следующую встречу — менеджер забыл.

На утро проанализировали звонок → увидели проблему → у менеджера задача: «Вернуться к клиенту, договориться о звонке».

Вот мы уже улучшили работу с клиентом и подняли шансы на сделку.

Почему быстрая и детальная аналитика важна: Head of sales нужна аналитика по качеству встречи сразу (ну, через час-два). В момент, когда он анализирует день и работу менеджеров.

Ему важно видеть, где работу команды можно улучшить. И AI для этой задачи подходит идеально.

Важный поинт: AI — это джун на стероидах Я не говорю, что AI — решение всех проблем. Нельзя просто сказать: "О, GPT все сделает за нас".

AI — это джун, который НЕ знает, как делать работу хорошо, но ему доступны ВСЕ знания мира (что невозможно для человека). При этом с точки зрения софт-скиллов он дундук. И ровно так к нему нужно относиться.

Как с ним работать: - Ставить четкую задачу: "Проанализируй по ТАКИМ критериям, дай мне ТАКОЕ саммари"; - Проанализировать результат скептически (как тимлид оценивает работу джуна); - Перепроверить. AI совершает ошибки. AI умеет невероятно круто врать. Оперировать кучей данных, говорить умные вещи, но при этом нести тупую мысль. Про это невероятно важно помнить.

Но при этом и невероятно важно искать возможности упростить жизнь своей команде, ускорить ее и сосредоточить на вещах, которые AI сделать не может.

▶️ AI‑агенты: 30+ кейсов в маркетинге, продукте и бизнесе 2025 в dashly — это год постоянных экспериментов с AI. У многих так же. Но вокруг AI все еще есть этот FOMO: все понимают, что это полезно, но мало кто использует его каждый день.

Для этого Макс Епифанов собрал большой крутой буткэмп, где мы разберем 30+ кейсов того, как AI ускоряет и упрощает работу команд. Это серия лайвов 15-18 декабря.

В спикерах топовые фаундеры, маркетологи и продакты: — Сева Устинов, Founder @ Elly Analytics — Дима Зборовский, AI & Science director @ Deliveroo — Константин Сухачев @ Overgear — Настя Рябова, AI Product Manager @ TripleTen — Игорь Трунин, CMO @ WhisperAI

Всех спикеров можно посмотреть на скрине 👆

Я сам буду спикерить 18 декабря. Вместе будем разбираться: — Где AI реально может ускорить вашу команду; — Как внедрять его в процессы; — Каких результатов можно достичь.

Когда: 18 декабря, 18:00 МСК

➡️ Регистрируйтесь по ссылке

Всех жду, до встречи 🔥

Как AI-агент помогает контролировать и улучшать качество встреч На прошлой неделе созванивались с head of sales одной компании. Обсуждали анализ звонков менеджеров.

Проблема: Все менеджеры работают с клиентами по-разному. И постоянно системно выпадают важные кусочки из того, как должна проходить качественная встреча.

Качественная встреча состоит из 3 блоков: 🔵 Discovery — выявление потребностей; 🔵 Презентация решения; 🔵Отработка возражений и закрытие в следующий шаг.

В каждом блоке есть критичные моменты, которые надо проанализировать, насколько качественно их реализует менеджер.

Как мы делали это раньше У нас был отдельный менеджер, который занимался только этим: - Слушал записи встреч; - Анализировал по блокам; - Проводил ролевки для подготовки; - Ставил оценки от 1 до 10 по каждому блоку; - Давал обратную связь команде.

Это работало, но было очень затратно. На потоке делать это без инструментов или отдельного человека — очень сложно.

Как это делается сейчас с AI Сейчас эту задачу можно делегировать AI-агенту: 1. Берет запись встречи; 2. Транскрибирует ее; 3. Вытаскивает ключевые блоки (discovery, презентация, закрытие); 4. Анализирует каждый блок; 5. Ставит оценку по критериям; 6. Записывает результаты в Google-табличку.

Итог: head of sales получает готовую аналитику качества встреч и промптов. Остается анализировать паттерны и давать фидбек команде.

Как это помогает команде в целом: *️⃣ Системный контроль качества продаж; *️⃣ Масштабируемость — можно анализировать 100% встреч, а не выборку; *️⃣ Объективность — AI не устает и оценивает по одним критериям; *️⃣ Скорость обратной связи — результаты сразу после встречи.

Никаких отдельных менеджеров. Никаких часов на прослушивание. Ну кайф же?

Еще немного про Notion‑агента для продукта: что внутри моего шаблона для PBR Я итерационно подходил к сбору правил для AI агента. Чтобы он собирал описание фичи по моим требованиям и криетриям. Вот что сейчас в темплейте:

Что включено в темплейт: 🔵 Feature Info: название, цель/метрика, проблема, сформулированная в одно предложение, Epic/OKR, Tier, статус, owner, ссылки на ресерч и созвоны. 🔵 User & Product Context: проблема и JTBD, "почему сейчас", базовое → целевое значение метрики и как измеряем. 🔵 Design Flow: user story flow "триггер → действие → реакция системы → исключения → финал". Без UI, только логика. Прототип - отдельной ссылкой. 🔵 PBR Summary: два раздела — что делаем и от чего сознательно отказываемся. 🔵 Test cases: happy path, edge, negative.

Как я собираю бриф вместе с AI агентом Notion: 1) Даю агенту краткий промпт: проблема, гипотеза ценности, целевая метрика, ограничения. 2) Агент расписывает структуру по темплейту, вытягивает JTBD и формулирует Main result. 3) Генерит черновые test cases из user story flow. 4) Я добавляю фактуру: базовые числа, ссылки на звонки/исследования, известные исключения.

Я вчера был на реюнионе ФИзТеха в Белграде. Абалденный движ. Жаль что я только как спикер приезжал на один день. Потому что самые классные разговоры происходят как обычно по вечерам)) Но и в течении дня было несколько глубоких бесед, класс, как я люблю.

Меня пригласили рассказать про AI агентов. Я рассказывал как использую Notion как гипреагента:) со всем контекстом о продукте и нашей работе.

Тут расскажу по частям. Постарасюсь в итоге дать какие-то темплейты и правила для примера.

Вот первый юзкейс - Продуктовый Перед Product Backlog Refinement нужно расписать фичу: JTBD, user flow, test cases, edge cases.

Обычно это 2-3 часа работы продакта.

С Notion AI: - Описываю проблему в 3 предложениях - AI генерирует полный PBR-документ по шаблону - Я правлю только специфику

Итого: черновик за 20 минут вместо 2-3 часов. На встречу прихожу с готовым документом, обсуждаем по делу.

Пример: фича «определения MQL по данным пользователя» — полный PBR с user stories, test cases и scope был готов за 25 минут.

В скриншоте пример что мне подготовил Агент по это задаче.

AI‑агенты с поведенческими данными = контекст с первой реплики Я уверен, что вся мощь агентов раскрывается, когда они обладают контекстом. И чем более качественный контекст, тем лучше работают агенты.

Сейчас мы запустили для теста фичу, которая прокачивает диалоги AI агентов. Назвали ее get lead data.

Что она делает: *️⃣ Автоматически подхватывает профиль лида из CDP/CRM в момент старта диалога; *️⃣ Подтягивает историю действий на сайте и воронке: какие страницы смотрел, оставлял ли заявку; *️⃣ Добавляет атрибуты пользователя и компании: имя, email, телефон, бюджет, локация, язык, браузер и т.д.; *️⃣ На основе этого агент квалифицирует и отвечает релевантно, без повторяющихся вопросов.

Как это помогает клиенту *️⃣ Меньше лишних уточнений по известным полям → чище опыт, выше конверсия в квалификацию/встречу *️⃣ Зная контекст пользователя, AI агент закрывает больше вопросов самостоятельно, не переключая на поддержку; *️⃣ Больше диалогов за счет более персонализированных вовлекающих сообщений.

Пока следим, как агент использует эту фичу в диалогах, собираем результаты. А примеры диалогов с get lead data можно посмотреть на скринах 👇

Вообще, это только первый эксперимент с тем, чтобы кормить агентов данными. Постепенно расширяем юзкейсы использования данных агентами. И более качественно собираем профили для них.

Нужна ваша помощь

Слушайте, столько всего происходит прямо сейчас в нашем стартапе Dashly, что я теряюсь о чем именно рассказывать.

Списком перечислю. Может быть, вы подскажете, что рассказать в первую очередь.

1. Кейсы с цифрами и результатами, которые явно показывают перфоманс входящей воронки построенной на агентах.

2. Дашборды и сквозная аналитика от заявок до продаж. Горжусь что мы свели наши отчеты так, что они сходятся в плоть до каждого лида с данными клиентов. Дашборды и сквозная аналитика, которой можно верить.

3. AI агенты, которые пользуются данными о поведении пользователей на сайте.

4. Evals. Это тема на несколько постов. О том как измерять черную AI коробку. И почему я фрустрирую и стресую без эвалов:))

5. Первый шаг к фандрайзингу.

6. AI агенты в Notion. Как оптимизировать работу команды и кратно ее ускорить?

7. Мой мини курс по AI агентам (абалдеть, дожили).

8. Почему Call to action "забронировать заявку" это плохо!?

https://blog.google/products/gemini/gemini-3/

🧠 AI-агенты: как закрыть дыры инбаунд-воронки и удвоить пайплайн, решив проблему №1 Я в этом канале много пишу про AI-агентов, в работе почти каждый день тестирую их, правлю промпты и прочее. А в пилотах напрямую вижу, как они реально меняют процессы в командах и приносят результаты. Теперь хочу поговорить об этом детальнее. Даже целый вебинар собрал!

Что будет на вебинаре: 🔵Почему бизнес теряет до 63% лидов 🔵Как AI-агенты меняют игру в inbound-маркетинге 🔵Что такое Data-driven AI agents и зачем они нужны 🔵Реальные кейсы внедрения в IT продукте и недвижимости: — 653% ROI, — Сокращение speed-to-lead с 5 часов до секунд, — Как AI генерирует 34% лидов и 23% MQL.

🎁 Бонус: 2 промпта для маркетологов, которые помогают генерить ICP лидов.

📅 Встречаемся 18 ноября

👉 Зарегистрироваться можно через бота.

Если работаете с лидами, inbound-маркетингом или строите AI в продукте, приходите обязательно. Будет полезно.

🧠 Notion недавно зарелизил своих агентов, тестирую - ускоряю продакт менеджмент Решил собрать шаблон для PBR в разработке, чтобы ускорить подготовку и ставить задачи так, чтобы всем сразу было понятно, что делать.

Контекст: Мы с командой разработки перед тем как делать любую фичу проводим PBR. По сути, проговариваем сценарии, обсуждаем решение, смотрим подводные камни. Придумываем как реализовать фичу.

Проблема: Описание для фичи надо прописывать качественно и часть мне. А у меня времени не всегда хватает. Сценарий надо хорошо продумать, подумав про разные детали, кейсы когда что-то ломается и т.д. Ну и после PBR надо зафиксировать решение. В следующий раз пригодиться.

Смеркалось... На улице стало быстро темнеть, выходить из дома вечером не хотелось. Думаю, “надо пиграться с Агентами в Notion” :)) Сел вечером и за пару часов собрал шаблон для PBR и агента для работы с ним.

Сначала дал агенту контекст, прикрепил скрины, как у нас сейчас выглядит планирование, дал несколько правок и по итогу получил полноценный шаблон, где есть: — краткое описание сценария с JTBD описанием; — контекст — зачем нам эта фича и почему сейчас; — design flow — как выглядит дизайн и CJM; — technical scope — что конкретно делаем и как; — расчет стори поинтов; — тест кейсы

Сейчас пользуемся и тестируем как работает на проктике в процессе. Клево что я даю несколько вводных агенту по сценарию и он описывает фичу по шаблону. С этим можно идти в команду и дотюнивать до реального решения.

Пока нравится. Есть еще задумки как дальше это использовать.

P.S. Не очевидные выгоды: Агент, собирая сценарии, подсвечивает такие нюансы, о которых я не думал. Помогает глубже прорабатывать сценарий.

Такс. Я что-то давно не рассказывал что у нас с продуктом. А мы за последний месяц сильно усилились.

1. Мы запустили 3 версию ai агентов в dashly. Если коротко:

- первая была полностью из клея собранная. Промты которые в чатике как-то общаются с лидами.

- вторая - клей + палки. Был руководящий промт, который собирал диалоги из ответов qualifier агента и support агента. Мы получали неплохие результаты по квалификации лидов, по консультированию. Построили аналитику для support и qualifier агентов. Полечили самые простые болячки (например данные ответов не записывались в CDP).

ТРЕТЬЯ версия - текущая. Это уже домик из дерева. Есть отдельный агент qualifier. Есть агент отвечающий за общение. Они могут пользоваться tools-ми, чтобы выполнять дополнительные задачи.

Повзрослели;) Собираем метрики как работает новая версия агентов и развиваем для него набор инструментов. Чтобы он становился умнее и мог сам решать разные задачи.

Ничего не понятно, но что-то интересное? Я позже примеры покажу;)

Пока следующую картинку покажу:

Последние пару дней ковырялся в n8n и, честно, немного страдал... Задача была не очень сложная: обработать несколько больших баз инвесторов, отфильтровать, найти их контакты и инфу про них (для персонализации) и собрать все данные в одну табличку. Решили автоматизировать этот процесс, чтобы не делать все вручную.

Но все оказалось веселее, чем ожидалось...

— В n8n до сих пор нет встроенного инструмента web search для AI агентов. Тебе нужно подключить отдельный тул через API. Несложно, но поиск подходящего занимает какое-то время.

— Научить агента использовать этот поиск корректно оказалось еще сложнее. Как я ни уточнял промпт, мой агент так и не смог адекватно использовать серч на большом объеме данных. В итоге web search пришлось выносить в отдельный HTTP Request нод.

— Loop нод — отдельная песня. Каждый раз, когда меняешь что-то в воркфлоу, он запускается заново. Внес небольшие правки в один нод, хочешь проверить, и половина воркфлоу запускается заново. Сильно замедляет процесс тестирования.

— А Google Sheets нод в какой-то момент у меня вообще зажил своей жизнью. Удалял данные, которые трогать не должен был 🫠

В общем, чинишь в одном месте, ломается в другом.

Но воркфлоу собрали, можно заценить его на скрине. Теперь можем обрабатывать большие базы инвесторов и находить нужные контакты за пару минут 💪

🎯 Один агент — одна задача Заканчиваю тему с нашей аналитикой через n8n:) Небольшой инсайт о том, как сделать работу агентов более корректной.

Анализировать нужно МНОГО: — валидность самого диалога (полноценный ли это диалог с пользователем или спам/тест), — корректность работы AI SDR (правильно ли он определяет MQL, все ли данные собирает), — качество поддержки (помог ли саппорт агент, был ли вопрос реально решен, передал ли на человека, если нужно), — работу менеджера (включился ли он в диалог, помог ли пользователю).

Мы долго пытались засунуть это все в один огромный промпт. По итогу — ошибки, непредсказуемость, сложно и долго править.

А потом мы собрали в n8n цепочку агентов, где каждый отвечает за свой аспект: один проверяет валидность диалога, другой — работу SDR, третий — саппорт и так далее.

Теперь можно дотюнивать кусочки: поменял промпт у агента-валидатора и сразу видишь, повлияло ли это на результат. Не надо ковыряться в едином гигантском промпте.

Чем конкретнее задача у агента, тем выше качество ответа. Править и масштабировать становится в разы проще.