Как сэкономить 2 недели на ресёрче для ABM: автоматизируем B2B-исследования и OSINT-прогрев ЛПР с помощью ИИ

Задача: нужно выйти на лиц, принимающих решения (ЛПР) по маркетингу, PR и коммерции в 20 крупнейших медицинских компаниях России из рейтинга Forbes. Но не просто найти их контакты в базах, которые довольно быстро устаревают, а подготовить под каждого детальное досье. Знать, на каких конференциях они выступали, что говорили, какие ценности транслируют и, что важнее, как составить персонализированное, адаптированное под актуальный контекст ЛПРа, письмо так, чтобы его открыли и прочитали.

Обычно на такую задачу уходит две-три недели плотной работы толкового ресерчера. Я решил пойти другим путем и построить автономный ИИ-пайплайн.

В кейсе я расскажу, как мне удалось автоматизировать этот процесс всего за 2,5 часа реального времени, потратив 100 рублей на API, с какими подводными камнями (от кодировок PowerShell до капризов дешевых LLM) я столкнулся в процессе, и как повторить этот опыт в вашем проекте.

Контекст: в чем была главная боль

Мой партнер — крупная компания, предоставляющая специализированные услуги для бизнеса, — поставил цель: провести точечную outbound-кампанию на топ-менеджмент крупнейших частных клиник страны.

На старте у нас был довольно «грязный» черновик: список из 75 имен по 18 компаниям (2 исключили так, как с ними уже велась работа), собранный когда-то вручную. Часть данных устарела, по девяти клиникам информации почти не было.

Что требовалось:

1. Полностью верифицировать текущий состав ЛПР (убедиться, что люди всё еще работают на своих должностях).
2. Найти новые контакты по незаполненным позициям.
3. Обогатить данные цифровыми следами (ссылки на статьи, выступления, Telegram, VK, LinkedIn).
4. Сформировать персональные OSINT-портреты для 30 ключевых фигур: с реальными цитатами, возможными точками контакта и готовыми шаблонами для первого сообщения.

При этом у меня было жесткое ограничение: бюджет на генерацию должен быть минимальным, сроки - вчера. Поэтому в качестве базовой модели я выбрал легкую модель Anthropic Haiku 4.5, а управлять процессом и собирать финальные данные поручили мощной Claude Opus 4.7.

Архитектура решения: как я научил ИИ думать «снизу вверх»

Вместо того чтобы скармливать нейросети весь список огромным промтом и надеяться на чудо, я спроектировал двухфазный пайплайн. Основной принцип — идти снизу вверх. Мы начали разбор с самых непубличных компаний в конце топ-20 рейтинга. Если алгоритм справится со сложными закрытыми клиниками, то с лидерами рынка проблем точно не возникнет.

Фаза 1: Верификация и чистка данных 

20 компаний разделили на 4 группы. ИИ-агент получал на вход текущие данные по клинике и отправлялся в свободный поиск по сети (WebSearch + WebFetch). Его задача — подтвердить статус человека. На выходе агент отдавал строго структурированный JSON со статусами:

1. existing_confirmed — человек на месте, данные актуальны;
2. existing_updated — работает, но сменил должность;
3. existing_marked_ex — уволился;
4. newly_found — найден новый сотрудник на вакантную позицию.

Фаза 2: Глубокий OSINT-анализ для «теплого» захода

Для 30 самых активных ЛПР я запустил вторую волну. Здесь целью была не сухая биография, а создание практического руководства по продажам. Агент анализировал интервью, посты в соцсетях и доклады спикеров, вытаскивая на поверхность:

1. 3–5 дословных цитат ЛПР по профильным темам с URL-ссылками на первоисточники;
2. Tone of Voice спикера и его любимые выражения;
3. Крючки для начала диалога (общий вуз, конкретный проект, выступление на недавней конференции);
4. Раздел «Что НЕ делать» (самая ценная часть, предостерегающая от глупых шаблонов продаж);
5. Готовый персонализированный шаблон первого письма, опирающийся на реальные слова ЛПРа.

Технические грабли, на которые я наступил (и как их обойти)

Если вам говорят, что автоматизация на базе ИИ проходит гладко — вам врут. Вот четыре реальных факапа, которые заставили меня понервничать в процессе настройки:

1. Битва за кодировку (PowerShell vs Кириллица). Для автоматического внесения данных в итоговый Excel-файл я использовал консольную утилиту officecli. Запустил скрипт импорта через PowerShell, консоль ответила: «Успешно обновлено 49 ячеек». Заглядываю в таблицу — пусто. Оказалось, что PowerShell при чтении JSON по умолчанию исказил кириллические пути в духе /Р_Р°С_кетинг/. Решение: Никогда не доверяйте стандартным кодировкам вашей ОС при работе с не-ASCII символами. Я переписал чтение файлов через явное указание UTF-8. После этого данные «встали» идеально.

2. Глюки легкой модели. Во время обработки третьей порции контактов на этапе OSINT модель Haiku сделала колоссальный объем работы (с десяток поисковых запросов, куча переходов по ссылкам), но в самом конце проигнорировала системное требование вернуть структурированный JSON и выплюнула обычный текст. Пайплайн упал, итерацию пришлось запускать заново. Решение: Я обернул выполнение каждого агента в изолированный блок try/catch (чтобы падение одного элемента не рушило весь процесс) и добавил жесткий финальный промт-напоминание о необходимости вызова функции StructuredOutput. Дальше всё шло гладко.

Результаты в цифрах

Я получил полностью готовый к работе инструмент продаж.

1. Наполнение таблицы: 6 листов, около 2100 ячеек выверенных данных.
2. База контактов: 79 верифицированных ЛПР со всеми ссылками и источниками.
3. Глубокий анализ: 31 подробный OSINT-портрет с готовыми хуками для писем.
4. Главный инсайд: Мы вовремя пометили плашкой EX бывшего директора по маркетингу одной из крупнейших сетей. ИИ обнаружил открытую вакансию на его место, опубликованную в апреле 2026 года. Без этой проверки мы бы отправили холодное письмо человеку, который уже не принимает решений в компании, и рисковали потерей доверия с первого касания.
5. Экономия времени: Вместо 2–3 недель ручного поиска одного сотрудника — всего 2,5 часа работы скрипта под моим контролем.

Главные выводы для бизнеса

ИИ не заменяет человека на 100% — финальную отправку писем и проверку сложных контактов все еще делает менеджер. Но ИИ-шечка убирает до 90% рутины.

Главный секрет успеха здесь кроется не в «хитрых промтах», а в правильном проектировании системы. Разделение процесса на фазы (сначала чистим, потом обогащаем), жесткий контроль форматов данных через JSON и фокус на практическую применимость (анти-паттерны общения оказались гораздо полезнее стандартных советов по продажам) — вот это и дает реальный бизнес-результат.

Если вы хотите внедрить подобные AI-решения, автоматизировать рутинные B2B-исследования, настроить умный сбор данных или оптимизировать процессы продаж в своей компании — напишите мне напрямую в Telegram @Nik_TT. Мы с вами детально разберем задачу и найдем лучшее техническое решение!