Общий объём запросов по n8n огромный — почти 30 тысяч в месяц, но большая его часть навигационная: люди ищут официальный сайт или скачивание. Куда интереснее узкий, но растущий кластер «n8n ИИ-агент» — 209 запросов в месяц от тех, кто хочет не просто установить инструмент, а собрать с его помощью работающего агента. Разбираем, как построить первого такого агента на примере отдела продаж — без единой строки кода, с реальными узлами, промптом и типовыми ошибками новичков.
Что такое n8n и почему это не просто «ещё один Zapier»
n8n — платформа для визуальной сборки автоматизаций: вы соединяете блоки-«ноды» стрелками, и данные текут от одного сервиса к другому. От Zapier его отличают две вещи: n8n можно развернуть на своём сервере (это важно для компаний с требованиями к хранению данных), и в нём есть нода прямого обращения к языковым моделям — GPT, Claude и другим, что превращает обычную автоматизацию в ИИ-агента, способного не просто передавать данные, а анализировать их и принимать решение о следующем шаге.
Бесплатная self-hosted версия покрывает большинство сценариев уровня одного отдела; облачный тариф имеет смысл, если не хочется заниматься администрированием сервера самостоятельно. Для первого агента это не критично: сначала стоит разобраться с логикой воркфлоу, тариф можно выбрать позже.
Задача: агент, который сам квалифицирует входящую заявку
Возьмём типичную боль отдела продаж: заявки с сайта приходят в одном формате, из мессенджера — в другом, и менеджер тратит время на то, чтобы просто понять, с чем имеет дело, прежде чем начать разговор. Задача агента — принять заявку в любом виде, определить её приоритет и записать структурированный результат в CRM, прежде чем заявка попадёт к живому менеджеру.
Пошагово: собираем воркфлоу от вебхука до ответа в CRM
Шаг 1. Триггер — приём заявки. Нода Webhook принимает данные с формы сайта или из мессенджера и передаёт их дальше по цепочке в исходном виде — имя, контакт, текст обращения. На этом шаге важно сразу зафиксировать структуру входных данных: если форма присылает JSON, а бот из Telegram — обычный текст, для каждого источника понадобится свой webhook или нода нормализации перед общей веткой.
Шаг 2. Нода с GPT/Claude — анализ и квалификация. Сюда попадает текст заявки и промпт с инструкцией. Рабочий пример промпта:
«Проанализируй заявку клиента. Определи: 1) тематику обращения из списка [консультация, покупка, поддержка, спам]; 2) готовность к покупке по шкале холодный/тёплый/горячий на основе явных сигналов в тексте (сроки, бюджет, конкретный продукт); 3) краткое резюме заявки в одном предложении. Верни строго в формате JSON с полями topic, priority, summary — без лишнего текста до или после».
Требование строгого JSON на выходе — не формальность: следующая нода должна распарсить ответ автоматически, и свободный текст вместо структуры её сломает.
Шаг 3. Запись результата в CRM или таблицу. Нода интеграции с CRM (или простой таблицей Google Sheets на старте, если полноценной CRM пока нет) принимает структурированный ответ модели и создаёт или обновляет карточку клиента — без ручного переноса данных. Здесь же можно добавить условную ветку: заявки с приоритетом «спам» не попадают в CRM вообще, а тихо архивируются.
Шаг 4. Уведомление менеджеру. Финальная нода отправляет сообщение в Telegram или на почту ответственному менеджеру — с уже готовым резюме заявки, а не с сырым текстом, который нужно расшифровывать. Для «горячих» заявок разумно добавить отдельный, более заметный канал уведомления — чтобы менеджер не пропустил их среди рутинного потока.
Второй сценарий: агент, который сам отвечает на типовые вопросы
Когда первый агент отработал стабильно, логичное развитие — добавить ветку, которая не просто квалифицирует заявку, а сама отвечает на самые частые типовые вопросы (цена, сроки, наличие), обращаясь к базе знаний компании через отдельную ноду, и передаёт менеджеру только те заявки, где нужен живой человек. Это уже не квалификация, а частичная автоматизация первого касания — логичный шаг после того, как первый агент подтвердил свою надёжность на реальных заявках.
Читайте по теме:
Частые ошибки новичков в n8n
Самая частая ошибка — доверить модели решение без структуры ответа: если не задать модели строгий формат вывода, она иногда «свободно» пишет текст вместо структурированных данных, и следующая нода не может его обработать. Вторая — проверить воркфлоу только на паре аккуратных тестовых примеров и не прогнать его на реальных обращениях: они бывают неполными, написанными с ошибками или на смеси языков, и воркфлоу, который отлично работает на трёх аккуратных тестовых примерах, может ломаться на настоящем потоке.
Третья ошибка — забыть про обработку сбоев: если CRM временно недоступна, воркфлоу без явной обработки этого случая просто потеряет заявку молча, и никто не узнает об этом, пока клиент не напишет повторно. Четвёртая, менее очевидная — не ограничивать длину входного текста перед отправкой в модель: очень длинное сообщение (например, форвард целой переписки) может превысить лимит токенов или резко увеличить стоимость запроса.
Хороший ИИ-агент в n8n — это не «магия из одной ноды», а обычная инженерная дисциплина: чёткий формат данных на входе и выходе каждого блока, понятный сценарий на случай сбоя и тестирование на реальных, а не идеальных примерах.
Сколько это стоит и сколько времени занимает первая сборка
Сама платформа n8n в self-hosted варианте бесплатна, и основная статья расходов — токены языковой модели: для потока в несколько сотен заявок в месяц это обычно сопоставимо со стоимостью одной подписки на облачный сервис, а не с зарплатой отдельного сотрудника. Сборка первого воркфлоу из четырёх шагов, описанных выше, у человека без опыта в n8n занимает один-два вечера, включая тестирование на реальных заявках и правку промпта после первых неудачных срабатываний.
Что дальше — как масштабировать одного агента на весь отдел
После того как первый агент отработал стабильно на реальных заявках, его логику легко тиражировать: добавить обработку заявок из других каналов, подключить второго агента для автоматического ответа на типовые вопросы (см. второй сценарий выше), или расширить квалификацию до полноценного скоринга лидов — эта тема разобрана в статье про автоматизацию скоринга лидов в отделе продаж. А если агенты нужны не только в продажах, но и в логистике — обзор реальных пилотов есть в статье про агентный ИИ в логистике.
Собрать первого агента с нуля под задачи именно вашего отдела продаж — тема курса «ИИ-агенты и n8n».
Частые вопросы
Нет, n8n — визуальный конструктор: вы соединяете готовые блоки-ноды без написания кода. Технический бэкграунд ускоряет процесс и упрощает отладку, но не обязателен для базовых сценариев вроде описанного выше.
Готовый чат-бот решает узкую задачу «из коробки» и подключается за несколько минут. n8n — конструктор, в котором вы собираете логику под свои конкретные процессы и интеграции, включая нестандартные CRM и внутренние системы, но с более долгой первой настройкой.
Да, в одном воркфлоу можно использовать разные модели для разных задач — например, одну более дешёвую для быстрой классификации заявок, другую для генерации развёрнутого ответа клиенту.
Поэтому в воркфлоу закладывают проверочные шаги — например, менеджер всегда видит исходный текст заявки рядом с оценкой модели и может её скорректировать, а не просто доверяет автоматике вслепую. Ошибка в приоритете заявки при таком дизайне не приводит к потере заявки — только к неточной сортировке.
Основные расходы — токены языковой модели, пропорциональные объёму заявок; для потока в несколько сотен обращений в месяц это, как правило, не больше стоимости одного платного SaaS-инструмента.
Начните с одного простого сценария на реальной, но не критичной задаче — и постепенно добавляйте сложность. На курсе «ИИ-агенты и n8n» это разбирается пошагово с нуля.
На курсе «ИИ-агенты и n8n» пошагово соберём рабочий воркфлоу под задачи вашего отдела.
Получить консультацию →