Automatyczna kwalifikacja z JSON i regułami
Automatyczna kwalifikacja: AI analizuje lead (company, industry, size, role, website, description) i zwraca: ICP Score (np. 87), Qualified (YES/NO), Reason, Priority (HIGH/MED/LOW). Łączysz AI (klasyfikacja, scoring, uzasadnienie) z deterministyczną logiką (reguły IF/THEN) — np. score < 50 → nie kontaktuj, kwalifikacja zbyt niska → odrzuć.
Problem i diagnoza
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.
Metoda działania krok po kroku
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.
Praktyczny przykład (ZŁY vs DOBRY)
- 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.
Warianty promptu i scenariusze
Wersja bez reguł: AI scoring + ręczny routing (mniejsze ryzyko).
Wersja pełna: reguły + routing + oznaczanie w CRM.
Ćwiczenie i checklista wdrożenia
Zadanie 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).
Kryteria sukcesu
Pytania wdrożeniowe i integracja z bazą CEIDG (FAQ)
Jak połączyć technikę „Automatyczna kwalifikacja z JSON i regułami” z arkuszem nowych firm CEIDG w Google Sheets?
W zadaniu z obszaru Automation podstaw pod zmienne w prompcie bezpośrednie kolumny z żywego arkusza prospekting.pl w Google Sheets: nazwę podmiotu (kolumna A), imię właściciela (kolumna E), główny kod PKD 2025/2007 (kolumna I), opis branży wygenerowany przez AI (kolumna K) oraz wykryte zawody decydenta (kolumna L). Pełne wdrożenie zajmuje średnio 11 min.
Jak zweryfikować poprawność wdrożenia lekcji „Automatyczna kwalifikacja z JSON i regułami” przed skalowaniem?
Przed podpięciem promptu pod automatyzację w Make.com lub n8n przetestuj go ręcznie na próbce 10–15 rekordów i sprawdź listę kontrolną: Mam JSON schema kwalifikacji • Mam progi i reguły IF/THEN • Przetestowałem na 3 leadach.
Jak stosować wiadomości wygenerowane w tej lekcji zgodnie z RODO (art. 14) i art. 398 PKE?
Przy kontakcie elektronicznym (e-mail lub telefon) z nowo zarejestrowaną działalnością gospodarczą z CEIDG stosuj dwuetapowy model kontaktu zgodny z art. 398 Prawa Komunikacji Elektronicznej (PKE): pierwsza wiadomość powinna weryfikować potrzebę biznesową i pytać o zgodę na przesłanie oferty handlowej wraz ze skróconą klauzulą informacyjną z art. 14 RODO (wzór znajdziesz na stronie Baza firm z e-mailami i telefonami — RODO i PKE).
Powiązane lekcje i następne kroki w procesie
Structured Outputs i JSON Schema w precyzyjnej ocenie fitu leada
Wymuszanie 100% poprawnej struktury danych z modeli LLM za pomocą natywnego JSON Schema: eliminacja błędów parsowania i automatyczna segmentacja w CRM.
Automation vs AI i reguła human-in-the-loop
Sales automation to system, w którym workflow (triggery, akcje, warunki) wykonuje powtarzalną pracę za handlowca, a AI dodaje decyzje i generowanie treści. Kluczowe pojęcia: workflow, trigger (co startuje proces), action (co się dzieje), condition (kiedy), human-in-the-loop (człowiek zatwierdza kluczowe kroki). Zasada: automatyzuj to, co się powtarza i nie wymaga osądu; zostaw człowiekowi to, co decyduje o relacji i jakości.
Mapa procesu i decyzje per krok
Zanim zautomatyzujesz cokolwiek, narysuj cały proces: Lead → Qualification → Research → Personalization → Outreach → Reply → Qualification → Meeting → Proposal → Follow-up → Close → CRM. Dla każdego kroku określ: manual / automated / AI-assisted. To jest fundament — bez mapy automatyzujesz na ślepo.
Metodologia (How & Why): Wszystkie szablony promptów i procedury w Akademii prospekting.pl są testowane na żywych strumieniach danych z API Hurtowni Danych CEIDG v3 (800–1 100 nowych JDG dziennie, 22 kolumny z mapowaniem PKD 2025 ↔ PKD 2007). Eliminujemy ogólnikowy żargon, stosując twarde ograniczenia negatywne (negative constraints) i weryfikowalne kryteria konwersji.
Zastrzeżenie prawne (YMYL Disclaimer): Materiały w Akademii mają charakter edukacyjno-techniczny i nie stanowią indywidualnej porady prawnej. Prowadząc komunikację elektroniczną B2B na bazie rejestrów publicznych, stosuj przepisy RODO (art. 6 ust. 1 lit. f oraz art. 14) i art. 398 Prawa Komunikacji Elektronicznej (PKE).
Otwórz darmowy arkusz 50 świeżych firm z CEIDG w Google Sheets i wypróbuj powyższy prompt na realnych rekordach z kodami PKD 2025.