Генерация лидов с помощью ИИ: воронка, которую я реально веду, с чеками

Ищете генерацию лидов с помощью ИИ и находите одну и ту же статью восемь раз. Пронумерованный список инструментов. Абзац про персонализацию в масштабе. Призыв попробовать тот инструмент, который случайно продаёт автор. Номер один в Google сейчас это тред на Reddit с жалобой, что инструментов для лидогенерации слишком много. Когда жалобный тред обгоняет Salesforce и IBM, рынок говорит сам за себя. Инструментов хватает, метода нет.

Я маркетолог, а не вендор. Я работаю с ИИ каждый день два с половиной года, в основной работе в SSI Schäfer, швейцарской компании по интралогистике, и в собственной консалтинговой практике. Полный отчёт об этих годах я написал здесь. Эта статья про лидогенерационную часть того опыта, и в ней нет списка инструментов. В ней воронка, которую я реально веду, с чеками к ней.

Одна посылка перед чеками. Лид это человек, который решает, доверять вам или нет. ИИ не создаёт это доверие. Он его ускоряет. Машина сортирует, классифицирует, готовит черновики и убирает время ожидания. Обещание, цена и ответственность остаются на вас. Каждый провалившийся проект генерации лидов с помощью ИИ, который я видел вблизи, перепутал эти две половины. Поэтому эта статья сознательно держит их порознь.

Главное коротко

• Генерация лидов с помощью ИИ это работа воронки, а не работа инструментов. Списки ранжируют инструменты. Работа происходит на пяти станциях: квалификация, форма, атрибуция, follow-up и решения по каналам.
• Лучшая победа в конверсии, которую я выпустил, была более короткая форма. Пять полей, Stripe Checkout и вебхук, который автоматически засеивает черновик карточки клиента: 9 файлов, +164 и -506 строк, 97 юнит-тестов. Новая воронка буквально меньше старой.
• Атрибуция первого касания самый негламурный и самый мощный элемент. Мой кит отслеживает 44 вектора атрибуции и классифицирует каждый источник лида одинаково на клиенте и на сервере.
• ИИ не создаёт доверие. Он его ускоряет. Сортировка, черновики и классификация падают с часов до минут. Обещание и цена остаются человеческими.
• Новый канал не является бесплатной машиной лидов. В августе 2026 я оценил ChatGPT Ads и сказал нет при бюджете 600 франков: только контекстуальный и географический таргетинг, а значимый B2B-тест начинается с 5-10 тысяч долларов в месяц.
• Мой самый дешёвый источник лидов работает как сложный процент. Этот блог и его материалы, созданные под поиск с ИИ, приносят консалтинговые запросы, пока я сплю. Реклама останавливается в ту секунду, когда вы перестаёте платить.

Почему каждый список про ИИ для лидов звучит одинаково

Перед написанием я вытащил верхние результаты, потому что хотел понять, что реально получает искатель. Ответ: тред на Reddit про перенасыщение инструментами, два корпоративных разбора от Salesforce и IBM и пять страниц от компаний, продающих софт для лидогенерации. Шесть результатов из восьми ранжируют категорию, на которой зарабатывают. Никто не показывает живую форму. Никто не показывает таблицу атрибуции. Никто не показывает решение не тратить деньги.

Структурный дефект это мышление от инструмента. Если начать с вопроса, какой инструмент купить, каждая проблема выглядит как недостающая подписка. Начните с воронки, и вопрос меняется: где именно машина помогает превратить незнакомца в разговор? Я насчитываю пять мест, и только одно из них связано с покупкой. Слой стратегии над всем этим живёт в моём плейбуке по ИИ-маркетингу.

Пять мест, где ИИ касается лида

Вот карта, по которой я работаю, сверху вниз.

Квалификация. Лид приходит письмом, отправкой формы, сообщением. Первая задача сортировка: подходит ли, насколько срочно, кто должен это увидеть. ИИ готовит сортировку. Я её подтверждаю.

Форма. Сам момент конверсии. Мою перестроили вокруг простой идеи: спрашивать меньше, передавать автоматически. Результат конвертирует лучше и содержит меньше кода.

Атрибуция. Откуда пришёл этот человек. Сорок четыре сигнала, пойманные при первом касании, одинаково классифицированные в браузере и на сервере.

Follow-up. Ответ, который решает, станет ли запрос разговором. ИИ готовит его за минуты. Я проверяю и отправляю.

Решения по каналам. Где тратить и, чаще, где отказывать. ИИ питает анализ. Отказ остаётся моим, и ниже вы прочтёте один из них.

Четыре станции из пяти работают на инструментах, которые у меня уже были. В этом тихая правда генерации лидов с помощью ИИ: накапливающиеся выигрыши структурные, а не купленные.

Квалификация: ИИ сортирует, человек решает

Входящие лиды приходят в беспорядке. Письмо в одну строку. Форма с тремя заполненными и двумя брошенными полями. Сообщение, в котором только одно: это ещё доступно? До ИИ сортировка такой партии означала вечер открытых вкладок и таблиц.

Теперь проход сортировки занимает минуты. Модель читает сырой запрос и готовит классификацию: источник, заявленная потребность, язык, примерное соответствие профилю идеального клиента, сигналы срочности. Каждый черновик попадает в очередь. Ничто не отправляет себя само. Я проверяю, правлю примерно одну метку из десяти и решаю, кто получает ответ сегодня.

Линию я держу такую: ИИ готовит решение, но никогда его не принимает. Модель может оценить соответствие, но не может нести последствия ошибочной оценки. Если она автоматически отклонит лида, который выглядел мелким, а на деле был первым шагом компании к большему проекту, никакая модель за это не извинится. Извиняюсь я, либо стараюсь, чтобы этого не понадобилось.

Есть и вторая причина, почему человек остаётся в контуре. Потенциальные клиенты чувствуют автоматический отказ. Их запрос стоил усилий. Ответ по очевидному шаблону говорит им, что их усилия стоили скрипта. Сортировка может быть мгновенной. Суждение должно отвечать.

Форма это и есть воронка: пять полей, чекаут и вебхук

Время чеков, потому что все заявляют рост конверсии и никто не показывает дифф. Я веду проект aiexhibitions.net, каталог иммерсивных выставок и планетарных шоу с более чем 900 статически сгенерированными страницами на Astro. Площадки могут оформить подписку, чтобы попасть в список. Именно в этой подписочной воронке я перестроил путь конверсии.

Перестройка пошла по принципу pay-first. Новый поток почти ничего не спрашивает на входе: название площадки, email, выбранный тариф, интервал оплаты и чекбокс согласия. Пять полей. Дальше сразу в Stripe Checkout. Когда платёж проходит, вебхук автоматически засеивает черновик карточки для нового подписчика. Клиент видит начало своей ценности до того, как я прочитаю приветственное письмо.

Цифры, потому что чек это цифры. Перестройка затронула 9 файлов, добавила 164 строки, удалила 506 и вышла с 97 юнит-тестами. Строил я её, направляя ИИ так, как описываю в своём руководстве о выпуске инструментов без команды разработчиков. И это вторая половина истории про генерацию лидов с помощью ИИ, которую никто не рассказывает: модель помогает построить инфраструктуру, а не только наполнять её.

Урок шире подписочных сайтов. Конверсия рождается не из большего числа вопросов для жёсткой квалификации. Она рождается из меньшего числа вопросов и автоматизации квалификации после обязательства, когда потенциал тёплый, а не настороженный.

Атрибуция первого касания: 44 вектора и одна версия правды

Спросите маркетинговую команду, откуда приходят их лиды, и часто получите пожатие плечами в сторону корзины дашборда с названием Прочее. Мой ответ это небольшой кит, который я построил сам, и это самый полезный кусок сантехники в моей воронке.

Он ловит при первом касании 44 вектора атрибуции и классифицирует каждый лид в чистые корзины. Он работает на Node и на PHP, потому что мои сайты не все на одном стеке. И он классифицирует одинаково на клиенте и на сервере, что звучит как деталь, пока вы однажды не искали, почему двое расходятся.

Таксономия это место, где скучное становится ценным. Лид с youtube, whatsapp, telegram или tiktok это Social. Лид с duckduckgo, ecosia или brave это Органика, а не Прямой. Без этого сопоставления дружелюбные к приватности поисковики и мессенджеры схлопываются в корзину с именем none, и ваши решения по каналам принимаются на вымысле.

Атрибуция это ещё и предусловие всего остального на этой странице. Квалификация без источника это половина суждения. Follow-up без источника это шаблон. Бюджет на канал без источника это пожертвование. Если вы почините в этом квартале одну вещь в своей воронке, почините эту, и почините до покупки первого нового инструмента.

Follow-up: скорость ответа с человеческой подписью

Лид, который ждёт, остывает. Каждый час между запросом и ответом стоит намерения. Моя политика это черновик-первым: каждый входящий лид получает подготовленный ответ за минуты, а проверяю и отправляю его я сам.

Черновик это место, где ИИ отрабатывает своё, потому что он не шаблонный. Атрибуция говорит ему, откуда пришёл лид, поэтому черновик может начаться с контекста: статья, которую человек читал, канал, откуда он пришёл, тариф, который он выбрал. Ответ, который стартует с контекста читателя, читается как внимание, а внимание это большая часть того, что продаёт первый ответ.

Линия, снова: черновик, а не отправка. Автоответы распознаются за одно предложение, и они превращают доверие в раздражение с машинной скоростью. Рассылочная сторона контакта работает на пайплайне, который я описал в статье об автоматизации рассылки. Сторона один-на-один остаётся ручной намеренно, потому что момент один-на-один это место, где доверие реально создаётся.

Канальный тест на 600 франков, от которого я отказался

В августе 2026 я сел оценивать ChatGPT Ads как лид-канал для своего консалтинга. Тестовый бюджет на столе был 600 франков. Разумно, думал я, для первого сигнала.

Оценка убила идею до того, как бюджет сдвинулся. Таргетинг там контекстуальный и географический. Нет таргетинга по должности, нет таргетинга по компании, ничего, что позволило бы достучаться до людей, которые покупают то, что я продаю. Для B2B-предложения 600 франков по таким правилам покупают шум. Тест, достаточно большой, чтобы пробить это ограничение, начинается с 5-10 тысяч долларов в месяц, и это совсем другое решение.

Поэтому я сказал нет и записал причину, потому что урок больше канала. Новый канал не бесплатная машина лидов. Хайп говорит, что ранние последователи получают дешёвое внимание. Возможно, но только если таргетинг способен выразить, кто ваш клиент. Проверьте это против вашей собственной математики стоимости привлечения клиента до того, как бюджет уйдёт со счёта, а не после.

Пока я отказывался от того канала, мой настоящий источник лидов продолжал работать. Этот блог и есть источник моих консалтинговых запросов: статьи, отвечающие на реальные вопросы и устроенные так, чтобы их могли цитировать люди и ИИ-системы. Этот сложный процент и есть весь смысл. Процитированная статья приносит запросы годами с нулевыми предельными затратами, а реклама работает ровно столько, сколько вы платите, и ни днём дольше. Статья, которую вы читаете, часть той самой машины.

Что я никогда не делегирую ИИ в генерации лидов

Я веду список про ИИ в своей воронке, и это список отказов. Машина никогда не даёт обещаний. Она никогда не назначает цену и не защищает её. Она никогда не извиняется за провал, потому что извинение из шаблона не извинение. И она никогда не отказывает потенциальному клиенту, потому что отказ это суждение с последствиями.

Практические ограждения следуют из этого. Ничто не уходит без моей проверки. Никакие клиентские данные не попадают в публичную модель, правило, которое я держу для данных работодателя с той же силой, что и для своих. И каждый черновик, подготовленный ИИ, уходит под моим именем, а это значит, что я читаю всё, каждый раз.

Если вы начинаете с нуля, порядок важен. Почините сначала атрибуцию, чтобы видеть. Сократите затем форму, чтобы больше людей доходило до конца. Введите третьим правило черновик-первым, чтобы скорость перестала зависеть от настроения. Покупайте инструменты последними и только там, где станция всё ещё медленная после первых трёх починок. Эта последовательность стоит почти ничего, и это весь метод.

Частые вопросы

Может ли ИИ сам генерировать лиды?

Нет, и сама постановка вопроса это проблема. ИИ не создаёт доверие, а лид это доверие с приложенной формой. Машина убирает ожидание и гадание на каждом шаге после того, как вас заметили: сортирует, классифицирует, готовит черновики и питает анализ. Заметить вас по-прежнему должны ваши материалы, ваше предложение или ваш рекламный бюджет. Команды, ждущие от модели спроса из воздуха, заканчивают в куче провалов.

Что автоматизировать первым в воронке лидов?

Атрибуцию, без колебаний. Она невидима, негламурна и делает каждое следующее решение честным. Вторая автоматизация это черновик follow-up со строгой проверкой перед отправкой. Последним автоматизируют суждение, что означает никогда.

Работает ли генерация лидов с помощью ИИ при маленьком бюджете?

При маленьком бюджете она работает лучше всего, потому что структурные выигрыши стоят почти ничего. Сократить форму стоит один вечер. Черновик follow-up стоит подписки, которую вы, вероятно, уже платите. Честный ответ про генерацию лидов с помощью ИИ при тугом бюджете такой: результаты приходят от структуры, а не от трат. Смотрите, откуда приходят лиды, просите у них меньше, отвечайте быстрее и отказывайтесь от каналов, чей таргетинг даже не способен описать вашего клиента. Отложите эксперименты по 5-10 тысяч в месяц на тот момент, когда воронка под ними станет достойна такого трафика.