Создание ИИ-агента — это многоэтапный процесс. Маркетологам необходимо определить задачу агента, подключить проверенные данные и инструменты, а также установить ограничения на его действия. Как только основы будут освоены, любой специалист — будь то маркетолог, менеджер по продажам или сотрудник службы поддержки — сможет легко создавать таких агентов.

Сегодня внедрение ИИ-агентов набирает обороты. Опрос 5000 взрослых жителей США, проведенный в 2026 году компанией Menlo Ventures, показал, что каждый четвертый пользователь ИИ уже использовал агента, причем 24% респондентов отметили, что делают это регулярно.

Чтобы получить максимальную отдачу от этой технологии, командам нужно найти подходящие сценарии использования и начать экспериментировать. В этой статье рассказывается, как создать ИИ-агента для тех, кто только начинает. Узнайте, как развертывать, тестировать, улучшать и устанавливать защитные барьеры для вашего первого ИИ-агента.

Что такое ИИ-агент?
Подходит ли ИИ-агент для вашего рабочего процесса?
Как создать ИИ-агента
Как создать ИИ-агента без написания кода
Тестирование, оценка и улучшение
Добавление защитных барьеров и передача управления человеку.
Как внедрить ИИ-агента в реальный рабочий процесс
Сценарии использования ИИ-агентов в маркетинге, продажах и обслуживании
Когда стоит рассматривать модели, протоколы или использование нескольких агентов
Часто задаваемые вопросы о том, как создать ИИ-агента
Начните с одного агента, на которого ваша команда сможет положиться.

Что такое ИИ-агент?

ИИ-агент — это программное обеспечение, которое использует модель искусственного интеллекта для достижения цели автономно, без участия человека. Агенты могут выбирать из одобренных инструментов, анализировать результаты и решать, что делать дальше, пока задача не будет выполнена или не будет достигнут установленный лимит.

Агентам нужны заранее определенные цели или функции. Для маркетинговой команды это может быть анализ эффективности кампании и рекомендации по оптимизации. Агенту потребуется изучить показатели каналов, сравнить результаты с целями кампании, выявить вероятные причины и объяснить рекомендуемые изменения.

Хотите создать своего первого агента? Пользователи HubSpot теперь имеют доступ к конструктору ИИ-агентов без кода. Маркетологи могут описать автоматизацию, которую хотят создать, а Agent Builder сделает все остальное.

ИИ-агент против чат-бота против автоматизации на основе правил: в чем разница

Агенты, чат-боты и рабочие процессы обладают разными возможностями решения проблем и выполняют разные функции:

Чат-боты отвечают на запросы или поддерживают диалог, отвечая на вопросы, которые вводит пользователь.
Агенты способны принимать решения самостоятельно и решать проблемы независимо.
Автоматизация на основе правил выполняет предопределенную задачу при наступлении заданного триггера. Например, если покупатель переходит на другой этап сделки, может быть отправлено электронное письмо с кодом скидки.

Агенты, чат-боты и автоматизация также могут работать вместе. Чат-бот, например, может выступать в качестве окна диалога для агента, а предопределенный рабочий процесс может включать в себя агентский шаг.

Пример в маркетинге

Отвечает на вопрос посетителя о продукте.

Оповещает владельца кампании, когда стоимость привлечения лида превышает установленный порог.

Анализирует показатели кампании, исследует возможные причины изменений и рекомендует корректировки.

Как это работает

Сопоставляет вопрос с подготовленным ответом или использует ИИ для составления ответа.

Следует четким правилам, таким как «если происходит это, сделай то».

Выбирает разрешенный инструмент, изучает его результат и решает, нужно ли сделать еще один шаг или вернуть ответ.

Конфигурация

Справочные материалы, ответы и правила ведения диалога.

Триггеры, условия и действия для каждого определенного пути.

Задача, инструкции, доступные инструменты и данные, разрешения, защитные барьеры и критерии успеха.

Четыре строительных блока ИИ-агента

Эффективный кастомный ИИ-агент нуждается в повторяемой работе, релевантных данных, четкой отправной точке и измеримом результате, как определяет Элль Оширо, преподаватель HubSpot Academy. Эти четыре строительных блока помогают маркетологам превратить идею в рабочий процесс, который можно использовать на практике.

1. Повторяемая работа

ИИ-агенты превосходно справляются с регулярными задачами, которые необходимо выполнять последовательно. Например, маркетинговая команда может ежемесячно просматривать сорванные сделки, чтобы выявить проблемы покупателей. Несмотря на то, что каждая сделка содержит разные данные, задача агента остается прежней: изучить проблему, проверить существующие активы и порекомендовать следующий шаг.

При этом выбирайте задачу, которую команда может четко описать и которую планирует выполнять снова и снова.

2. Данные, уже имеющиеся в вашей CRM

Разработка ИИ-агента опирается на высококачественные обучающие данные. Данные CRM дают ИИ контекст, который он может использовать для принятия решений. Релевантная информация может включать свойства сделок, данные о компании, заметки по продажам и записанные разговоры с клиентами.

Перед созданием агента проверьте, существует ли необходимая информация, является ли она актуальной и доступна ли она агенту.

3. Триггер, срабатывающий при правильных условиях

Триггер определяет, когда агент начинает свою работу. Это может быть ручной запрос, расписание или изменение записи в CRM. В HubSpot маркетологи и специалисты по продажам могут использовать любой из этих вариантов с помощью триггеров рабочих процессов Agent Hub.

4. Четко определенный, измеримый результат

Определите, что должен предоставить агент, как выглядит правильный результат и как команда будет измерять успех. Для анализа кампании результатом может быть отчет, который отмечает неэффективные каналы и рекомендует одно изменение для тестирования. Каждая рекомендация должна содержать ссылки на соответствующие показатели, объяснять обоснование и учитывать пробелы в данных.

Подходит ли ИИ-агент для вашего рабочего процесса?

ИИ-агенты заслуживают более пристального внимания, когда задача является повторяемой, утомительной и требует интерпретации информации и принятия решений о дальнейших действиях. Если все, что вам нужно, — это краткое изложение текста или анализ данных, которые вы вставляете в чат, может быть достаточно одного промпта для ИИ. Даже Anthropic recommends рекомендует начинать с самого простого подхода, который отвечает потребностям, поскольку агенты могут увеличить затраты и время выполнения.

Три вопроса, которые нужно задать перед созданием:

Где в этой задаче требуется суждение?
Может ли агент получить доступ к достаточной информации для выполнения работы?
Сэкономит ли это время после проверки человеком?

Когда лучше использовать автоматизацию на основе правил

Выбирайте автоматизацию на основе правил, когда следующие шаги ясны. Автоматизация хорошо работает, когда результаты следуют по одной или нескольким определенным веткам. Каждый шаг процесса должен следовать дереву решений, которое команда может определить заранее и автоматизировать.

Распространенные примеры автоматизации на основе правил включают:

Назначение лида региональной команде на основе поля страны
Создание задачи для последующего контакта после запроса на демонстрацию
Уведомление владельца аккаунта о приближении даты продления
Исключение отписавшихся контактов из аудитории рекламной рассылки

Даже сложный процесс маршрутизации лидов может хорошо работать с автоматизацией на основе правил. Рабочий процесс может проверять территорию, размер компании и интерес к продукту, а затем назначать лида подходящему менеджеру. Если никто не принимает лида в течение установленного периода, система может оповестить менеджера или переназначить контакт.

Как создать ИИ-агента без написания кода

Для команд, которые учатся настраивать ИИ-агента, начните с четкой цели. Определите, что должен делать агент и каков должен быть его результат. Затем напишите четкие инструкции для агента и протестируйте его перед полным развертыванием.

Хотите создать собственного агента? В HubSpot теперь есть конструктор AI-агентов. Просто опишите свою задачу на обычном языке, а Agent Builder сделает все остальное. Пользователи HubSpot также имеют доступ к готовым агентам, которые могут помочь с такими задачами, как управление данными или prospecting.

Определите узкую цель и критерии успеха.

Сначала запишите ручную задачу, которую вы хотите передать агенту. Например, просмотр проигранных сделок и рекомендация контента, который отвечает на вопросы покупателей, оставшиеся без ответа.

Прежде чем открыть Agent Builder, составьте краткое описание задачи. Это объяснение должно охватывать цель агента, его область применения и то, какой результат вы ожидаете получить. См. пример ниже.

Цель: Помочь маркетологам определять потребности в контенте на основе задокументированных проблем покупателей.
Область применения: Одна выбранная закрытая проигранная сделка и утвержденный каталог контента.
Результат: Краткая сводка с описанием проблемы, подтверждающими данными и рекомендацией по повторному использованию, обновлению или созданию контента.
Рецензент: Маркетолог, который проверяет рекомендацию, прежде чем кто-либо начнет действовать на ее основе.

Примечание: Предоставьте своему первому агенту доступ только к одной сделке, чтобы у рецензентов был управляемый набор записей при оценке качества работы агента.

Затем определите критерии успеха или проверки, которые вы будете использовать, чтобы судить о том, правильно ли агент выполнил задачу. Для этого примера успех выглядит так:

У каждой проблемы покупателя есть ссылка на источник, которую можно проверить.
Любой рекомендованный существующий актив присутствует в утвержденном каталоге и решает проблему.
Предлагаемая сводка контента содержит вопрос покупателя и объяснение того, что должен раскрывать контент.
Агент отмечает отсутствие доказательств или проблемы, которые контент не может решить.
Включите случаи, когда рекомендация контента не требуется.

Напишите четкие инструкции.

Учитесь обучать AI-агента? Начните с превращения своих заметок в четкие инструкции, которым агент сможет следовать. Объясните, как агент должен изучать доказательства, выбирать рекомендации и обрабатывать недостающую информацию.

Для маркетологов, использующих HubSpot: откройте выбранного агента в Agent Builder и просмотрите его существующие инструкции. Обновите поле инструкций, чтобы отразить определенную вами задачу. Опишите роль, цель, подход и ожидаемый результат.

Вот отправная точка для нашего примера. Обратите внимание, как эти инструкции объясняют, что делать в разных ситуациях:

Роль и цель: Вы помогаете маркетологам определять потребности в контенте на основе одной выбранной закрытой проигранной сделки.

Подход: Прочитайте доступные детали сделки и соответствующие связанные записи. Определите задокументированную проблему покупателя, затем сравните ее с утвержденным каталогом контента. Отличайте прямую обратную связь от покупателя от интерпретации продавца.

Рекомендуйте существующий актив, когда он отвечает на вопрос покупателя. Если актив отвечает на него лишь частично, укажите, что требует обновления. Предлагайте новый контент только тогда, когда в предоставленном каталоге нет подходящего актива.

Недостающие доказательства: Если записи не подтверждают вывод, объясните, какой информации не хватает. Если контент не может решить проблему, укажите почему. Не предполагайте, что отсутствие контента стало причиной проигрыша сделки. Запрос на неподдерживаемую интеграцию должен быть помечен как ограничение продукта.

Результат: Верните краткую сводку из четырех разделов: Проблема покупателя, Подтверждающие источники, Рекомендация по контенту и Пробелы в информации.

Добавьте инструменты и разрешения.

В зависимости от работы агенту может потребоваться поиск в Интернете, получение записей CRM или обновление информации о клиентах. Ему также могут понадобиться коннекторы для связи с другими приложениями, такими как Zoom, Appcues или Google Docs. Для нашего анализа проигранных сделок настройка проста: агенту нужно только получить соответствующую информацию из CRM и сравнить ее с утвержденным маркетинговым контентом.

В Agent Builder используйте «Знания» (Knowledge) для справочных материалов и «Входные данные» (Inputs) для информации, которая меняется при каждом запуске, например, клиент или сделка для проверки. Например, агент службы поддержки может ссылаться на ваши политики поддержки при рассмотрении проблемы выбранного клиента.

Agent Builder позволяет пользователям создавать хранилище знаний, поддерживающее изображения, веб-страницы, статьи в блогах и загруженные документы, включая электронные таблицы, презентации PowerPoint и PDF-файлы.

С помощью HubSpot команды также могут задавать контекст AI для агентов. Когда контекст заполнен, AI будет знать практически все о вас и вашем бизнесе.

Команды также должны решить, кто может использовать агента и кто имеет право его редактировать. Agent Builder позволяет пользователям назначать тех, у кого есть разрешение.

Тестируйте на репрезентативных сценариях.

Попробуйте агента на записях, которые вы понимаете достаточно хорошо, чтобы оценить его ответ. Проверьте, просмотрел ли агент нужную сделку или показатели, использовал ли утвержденные ссылки и подтвердил ли свою рекомендацию. Обязательно проверьте процитированный материал самостоятельно.

Совет: Тестовые запуски в Agent Builder не требуют дополнительных кредитов. Повторяйте тестирование, пока результат не станет стабильным и не будет соответствовать вашим требованиям.

Сравните время, необходимое для проверки и исправления результата работы агента, со временем, необходимым для выполнения задачи вручную. Полезный агент должен выполнять работу надежно и экономить усилия команды.

Итерируйте область применения и инструкции.

Неудачный тест — это не обязательно провал! Это возможность определить, что нужно исправить. Это шанс пересмотреть инструкции и перенастроить промпты. Меняйте по одному параметру за раз, затем перезапускайте неудачный пример и ранее успешный. Это помогает командам увидеть, решило ли изменение проблему, не создав при этом новую.

Тестируйте, оценивайте и улучшайте

После создания агента постоянная оценка помогает командам решить, работает ли он должным образом и приносит ли пользу. Команды должны проверять агентов после редактирования их инструкций, а также при изменении инструментов, разрешений, моделей или подключенных источников данных. Планируйте ежемесячные проверки и запускайте тест после сообщения об ошибке.

Создайте практический набор тестов.

Набор тестов — это коллекция примеров работы, которую обычно выполняет агент, например, анализ закрытых проигранных сделок. В этом случае каждая закрытая проигранная сделка считается одним примером в наборе тестов.

Храните набор тестов в электронной таблице, чтобы можно было сравнить ожидаемое с тем, что произошло. Проанализируйте каждый пример перед запуском агента. Внесите свои ожидания в таблицу. Затем пропустите каждую сделку через агента и оцените его результат.

Совет: Запускайте выбранные случаи несколько раз. Результаты модели могут варьироваться от попытки к попытке.

Просматривайте сбои и граничные случаи.

Ведите журнал сбоев в тестовом листе. Для каждой проблемы добавьте столбец «примечания рецензента» и объясните, что пошло не так и что требует проверки. Будьте предельно конкретны в отношении ошибок. Затем сгруппируйте похожие сбои, исследуйте причину и примените соответствующее исправление. Перезапустите затронутые случаи после внесения изменений. Запишите изменение и новый результат рядом с исходным, чтобы их можно было сравнить.

Распространенные сбои агентов и способы их устранения:

Устаревшие ответы. Проверьте, какой источник использовал агент. Замените устаревшие документы или удалите их из утвержденных ссылок.
Отсутствующая информация. Проверьте, подключен ли требуемый источник и доступен ли он. Если информация отсутствует, дайте агенту указание запросить ее или отметьте этот пробел.
Неверная запись или получатель. Проверьте входные данные, передаваемые агенту, и то, как он определяет свою цель. Используйте уникальный идентификатор записи.
Необоснованные выводы. Требуйте подтверждающие доказательства и объясните, когда агент должен оставить вопрос без ответа.
Нежелательные действия. Удалите ненужные инструменты или ограничьте их разрешения. Требуйте одобрения человека для внесения существенных изменений.

Отслеживайте показатели успеха.

Используйте тестовую электронную таблицу, чтобы измерить, выполняет ли агент полезную работу и сокращает ли он усилия вашей команды. Добавьте столбцы для времени проверки, необходимых исправлений, стоимости запуска и версии агента.

После каждого теста записывайте, сколько времени вы потратили на проверку и исправление результата. Введите стоимость запуска, если она доступна. Затем обобщите эти показатели на отдельной вкладке, рассчитав коэффициент успеха задачи, коэффициент исправления, время, затраченное человеком, и стоимость одной успешной задачи.

Коэффициент успеха задачи

Разделите количество случаев, соответствующих вашим критериям успеха, на общее количество протестированных случаев. Учитывайте также неудачные запуски.

Коэффициент исправления

Разделите количество результатов, требующих существенных изменений, на общее количество проверенных результатов.

Время человека на задачу

Сложите время на подготовку, проверку и исправление, затем разделите на количество задач.

Стоимость одной успешной задачи

Разделите общие затраты на запуск, включая повторные попытки, на количество успешных задач.

Сравните время человека со временем, необходимым для выполнения аналогичных задач вручную. Например, если подготовка передачи клиента вручную занимает 20 минут, а с агентом — восемь минут, это экономия 12 минут — при условии, что результат соответствует тем же требованиям к качеству.

Добавьте защитные барьеры и передачу управления человеку.

Защитные барьеры ИИ определяют, с чем агент может работать, каких данных он не должен касаться и когда управление должен взять на себя человек. Установите эти правила перед запуском, чтобы снизить риск несанкционированных действий, утечки данных и вредоносных инструкций, скрытых в подсказках или исходных материалах.

Вот как командам следует подходить к установке защитных барьеров:

Определите границы работы в инструкциях агента, включая то, как обрабатывать не относящиеся к делу запросы и инструкции, найденные в исходном материале.
Ограничьте инструменты и разрешения агента тем, что требуется для работы.
Обеспечьте соблюдение ограничений доступа с помощью элементов управления подключенных приложений.
Укажите, когда агент должен остановиться и кто должен взять управление на себя.
Требуйте одобрения уполномоченного лица перед выполнением конфиденциальных или высокоэффективных действий, что обеспечивается через рабочий процесс или инструмент.
Протестируйте полную передачу управления.

Конструктор агентов позволяет командам устанавливать защитные барьеры по четырем направлениям: инструкции, действия, хранилище знаний и разрешения. Создавайте безопасных агентов для маркетинговых и торговых целей через Agent Hub.

Выберите первую поверхность развертывания.

Поверхность развертывания — это место, где люди используют агента или получают результаты его работы. Внутренний почтовый ящик, рабочий процесс CRM и чат с клиентами относятся к разным поверхностям развертывания. Выберите одну поверхность, которую поддерживает ваш агент.

Затем определите, как запускать агента, основываясь на следующих категориях.

По запросу: человек решает, когда начать задачу, и предоставляет входные данные.
Рабочий процесс, запускаемый событием: задача должна начинаться, когда что-то происходит, например, отправка формы или обновление записи.
Запланированный рабочий процесс: задача должна выполняться в установленное время или с определенным интервалом.

Для любого рабочего процесса определите начальное условие, входные данные, передаваемые агенту, и место, куда направляются его результаты. С помощью Agent Hub команды могут перемещать и подключать действия рабочего процесса и агентов, не нарушая общую логику.

Выполните предстартовую проверку.

Перед публикацией агента просмотрите его настройки с предполагаемыми пользователями. Проверьте следующее:

Инструкции, инструменты и справочные материалы верны.
Пилотные пользователи могут выполнить работу, а проверяющие могут открыть результат и подтверждающие источники.
Начальные условия соблюдены (записи, триггеры, события).
Установлены использование кредитов на запуск и ежемесячный лимит запусков.
Уполномоченное лицо отвечает за проверку.
Существует резервный вариант (решите, кто выполнит задачу вручную, если агент выйдет из строя).

После завершения проверок сохраните и опубликуйте версию агента.

Контролируйте первый запуск в реальном времени.

Сначала проведите небольшой пилотный проект и просмотрите каждый начальный результат. Проследите за каждой задачей от начала до конца. В Agent Hub команды могут фильтровать агента и проверять его запуски. Пользователи могут проверять статус, вывод, источники и предполагаемые кредиты.

Статус «Успешно» означает, что запуск завершился без ошибки выполнения. Человеку все равно нужно оценить, является ли ответ агента полезным и точным.

История запусков помогает командам выяснить, начался ли рабочий процесс и где произошел сбой выполнения. Если возникает серьезная проблема, приостановите рабочий процесс, определите затронутые запуски и используйте ручной резервный вариант, пока вы исправляете и повторно тестируете рабочий процесс.

Варианты использования агентов ИИ для маркетинга, продаж и обслуживания

Интересно, каких агентов ИИ создали команды для разных целей? Посмотрите, как реальные маркетологи использовали агентов для упрощения своих рабочих процессов.

Вариант использования в маркетинге: выявление сделок, на которые повлияли перекрестные ссылки на взаимодействие в LinkedIn

Не каждый, кто видит рекламу в LinkedIn, кликает по ней. Но это воздействие все равно может повлиять на сделку. Филиппо Ирди, старший менеджер по маркетингу спроса в Unmuted, создал агента, который перекрестно ссылается на данные о показах рекламы в LinkedIn с закрытыми сделками в HubSpot, чтобы выявить это влияние. Я попросил Филиппо провести меня через подробную настройку агента.

Вот как вы можете воссоздать его работу.

1. Получите данные о показах в LinkedIn.

Используя API LinkedIn, получайте данные о показах неделю за неделей за определенный период времени. Данные показывают, каким компаниям показывалась ваша реклама и сколько показов они получили. LinkedIn не предоставляет детализированные данные о показах на уровне компании. Еженедельных данных достаточно для выявления полезных закономерностей.

2. Сопоставьте их со сделками в HubSpot.

«За тот же период времени — например, за последние шесть месяцев — получите данные о сделках из HubSpot. Для каждой сделки зафиксируйте компанию, время создания сделки, время изменения этапов и время закрытия. Затем сопоставьте два набора данных», — предлагает Ирди.

С этого момента вы можете увидеть, была ли компания подвержена воздействию рекламы в LinkedIn до входа в воронку продаж или закрытия сделки. Используйте следующие конфигурации для получения сделок.

3. Постройте временную шкалу.

Результаты будут возвращены в двух таблицах. Я рекомендую переформатировать результаты в временную шкалу, которую легче понять. Затем маркетологи могут просматривать временную шкалу по неделям или месяцам, что упрощает отслеживание взаимосвязи между показом рекламы и активностью продаж. Вот как выглядит временная шкала Ирди.

4. Автоматизируйте анализ.

Используя MCP LinkedIn и HubSpot, агент может справиться с этим процессом, получая оба набора данных, сопоставляя компании и автоматически генерируя временную шкалу.

«Я запускаю агента каждый месяц, чтобы иметь повторяемый способ выявления совпадений между показом рекламы в LinkedIn и закрытыми сделками, даже если эти клиенты никогда не кликали по рекламе», — делится Филиппо.

Несколько защитных барьеров для агентов, чтобы начать работу

Перед получением данных

Не делайте никаких запросов, пока не будут определены рекламный аккаунт, точный диапазон дат, временная детализация и формат вывода.
Не интерпретируйте расплывчатые периоды вроде «3-й квартал» или «прошлый квартал». Переводите их в точные даты и подтверждайте их.
Перед запуском анализа показывайте ожидаемую стоимость API при месячной и недельной детализации.

Периоды времени

Определите полную временную сетку перед выгрузкой данных.
Явно отмечайте неполные недели или месяцы.
Группируйте показы LinkedIn по неделям или месяцам, но сохраняйте точные даты закрытия сделок.

Данные LinkedIn

Никогда не используйте для исторического анализа только текущие активные кампании.
Никогда не используйте список кампаний одного периода повторно для другого периода.
Если данные на уровне компании возвращаются пустыми, но эффективность кампаний показывает показы, рассматривайте это как вероятную проблему выбора кампании, а не как «отсутствие данных».
Сохраняйте идентификаторы организаций LinkedIn для дедупликации.

Данные HubSpot

Перед обработкой дат закрытия получите часовой пояс портала HubSpot.
Идентифицируйте сделки в статусе «закрыто-выиграно» по полю hs_is_closed_won, а не по захардкоженным идентификаторам этапов.
При расчете сумм в разных валютах используйте значения в базовой валюте.

Сценарий использования в продажах: ИИ-агент по расчету комиссионных

Споры по поводу комиссионных редко возникают из-за одного неудачного месяца. Они возникают потому, что менеджеры не могут разобраться в расчетах. ИИ может помочь.

Driven, платформа для расчета комиссионных за продажи, создала агента для HubSpot, который принимает вопрос или документ для планирования. Агент анализирует данные Driven о компенсациях и возвращает объяснение, основанное на конкретных сделках и плановых показателях.

Андрес Де Йонге (Andres De Jonge), соучредитель Driven, рассказывает, как работает агент.

Как менеджеры используют агента: Менеджер задает вопрос: «Почему моя выплата в этом месяце меньше?» Агент извлекает данные о его выплате, зачтенных сделках и выполнении плана. Затем он объясняет разницу, например: «Две сделки перенеслись на следующий период, а показатель выполнения плана упал ниже порога 100-процентного ускорителя».
Как администраторы используют агента: Администратор вставляет правило, загружает PDF- или Excel-файл с планом либо выбирает поля CRM. Агент преобразует это в структурированный проект плана, включая формулы, уровни, ссылки на квоты и фильтры. Он также запускает предварительный просмотр на реальных исторических сделках.

Входными данными для этого агента являются вопросы на естественном языке, документы планирования (PDF, Word, Excel) и выбранные поля CRM из HubSpot или Salesforce, синхронизированные с базой данных Driven. Выходными данными являются объяснения выплат со связанными с ними сделками, анализ отклонений между периодами и проекты конфигураций планов с предварительным просмотром расчетов.

Если вы попытаетесь воспроизвести этого агента, вы можете столкнуться с трудностью, так как модель агента никогда не выполняет вычисления. Выплаты рассчитываются формульным движком Driven с использованием decimal.js для финансовой точности округления. Задача агента — получить трассировку расчета и объяснить ее либо предложить конфигурацию, которую затем выполнит движок.

Сценарий использования в поддержке: Поиск повторяющихся проблем техподдержки с помощью HubSpot и ChatGPT

Ваша команда поддержки может отвечать на один и тот же вопрос десятки раз, даже не подозревая, как часто он возникает. Подключение HubSpot к ChatGPT позволяет изучить повторяющиеся темы тикетов и решить, какая проблема заслуживает лучшей документации или более пристального внимания со стороны продуктовой команды.

Вот как это работает.

1. Подключите HubSpot к ChatGPT.

Попросите своего суперадминистратора HubSpot одобрить коннектор и предоставить доступ к данным тикетов, которые вы будете анализировать. Затем в ChatGPT откройте «Настройки» > «Приложения» > «HubSpot» > «Подключить». Следуйте инструкциям на экране, чтобы выбрать учетную запись HubSpot и авторизовать подключение.