Nie nazwę tego agentem AI — choć tak byłoby modniej. To był CRM do obdzwaniania firm, z dwiema warstwami AI na wierzchu. Jedna okazała się ślepa. Druga — naprawdę dobra. A i tak najważniejszy w całości jest najnudniejszy kawałek kodu, jaki w nim napisałem.
Zbudowałem to, działa, nic się nie zepsuło. Problem jest subtelniejszy: wartość wylądowała zupełnie gdzie indziej, niż myślałem (nieprawda).
Co właściwie zbudowałem
Działało to tak: zaciągasz firmy z Google Places, wchodzisz na ekran dzwonienia, klikasz NAGRYWAJ, nagranie samo podpina się pod leada, lejek statusów prowadzi Cię przez sprzedaż. Na wierzchu dwie warstwy AI: jedna przed rozmową — czyta stronę firmy i podaje kontekst plus skrypt; druga po rozmowie — transkrypcja, analiza i wycena mailem.
Konkretnie proces sprzedaży wyglądał tak: dzwonię → przedstawiam się i pytam o chwilę → oferuję darmową, 20-minutową konsultację → jeśli chcą, proszę o SMS z mailem, na który wysyłam maila (jeśli tego nie zrobią, to i tak nie warto), natomiast jeśli nie są zainteresowani, to mówię okej, jak zmienią państwo zdanie, to proszę się odezwać (pozycja siły, brak straty czasu) → wysyłam link do spotkania (ręcznie, lub jak już mam maila, to ręcznie go wkładam i wysyłam z aplikacji), potwierdzenie terminu i ładną formułkę → po konsultacji robię analizę albo demo → wycena.
I dokładnie to odwzorowują statusy leada w systemie: NOWY → DO_ODDZWONIENIA → NIE_TERAZ (z datą follow-up) → NIE → UMÓWIONA KONSULTACJA → LINK WYSŁANY → PO KONSULTACJI → WYCENA → KLIENT / ODPADŁ. Cały system to w gruncie rzeczy maszyna do przesuwania firm przez ten jeden lejek.
Lejek statusów wprost w UI. Cały system to maszyna do przesuwania firm przez te etapy.
Co się dzieje, kiedy faktycznie przez to przejdę
A potem przeszedłem krok po kroku przez to, co realnie się dzieje — i okazało się, że to, co uważałem za rdzeń, jest ślepe, a działa coś innego.
Po pierwsze: ktoś musi wykonać te telefony. To jest cały problem. Nie technologia — telefony. A inżynier nie lubi dzwonić. Zbudowałem maszynę, która perfekcyjnie organizuje czynność, której sam unikam. To nie produkt. To wyrzut sumienia z paskiem postępu.
Po drugie: numer z Google Maps to prawie zawsze numer na recepcję. Albo musisz wejść na stronę i sam wyszukać bezpośredni numer do prezesa. Tak czy siak, żeby przebić się do kogoś, kto decyduje, potrzebujesz handlowca, który umie się przebić. Tej umiejętności nie ma w żadnym API.
(Ktoś zapyta: po co w ogóle dzwonić, skoro można kupić maile z Apollo i puścić zimną kampanię? Bo Apollo nie ufam — zwłaszcza w Polsce. Po pierwsze: jeśli te same adresy ma z Apollo każdy, to jestem jednym z wielu, którzy na nie piszą — i ląduję w spamie. Po drugie: baza dla polskiego rynku jest uboga. Mówię to z samej intuicji, nie z twardych danych — ale to wystarcza, żeby wrócić do słuchawki.)
Po trzecie — i to była „ta część z AI”, która najpierw poległa: fetch strony + ściąga + skrypt przed rozmową okazały się bezużyteczne. Strony firm są nieregularne, ubogie, chaotyczne. Handlowiec i tak musi na nie wejść — bo nie zaufa podsumowaniu od AI przy czymś, za co odpowiada własną twarzą. A jak już wchodzi, to rzut oka albo wklejenie treści do ChatGPT daje mu lepszy skrypt, szybciej, niż mój elegancki pipeline. To moja latarnia postawiona tam, gdzie nie ma żadnego sensownego wejścia.
Ale jest druga połowa — i z niej jestem szczerze dumny, bo ona działa: analiza transkrypcji po rozmowie. Nagrywasz konsultację, transkrybujesz, a AI wyciąga to, co się realnie wydarzyło — bóle klienta, ustalenia, następne kroki — i składa z tego wycenę mailem, żebyś po odłożeniu słuchawki nie gapił się w pustą kartkę. Tu AI w końcu robi coś sensownego, bo pierwszy raz dostaje prawdziwy materiał: nie chaotyczną stronę firmy, tylko zapis żywej rozmowy, którą człowiek właśnie wydobył.
Jeden cierń: RODO. Bierzesz nagranie czyjegoś głosu, transkrybujesz i wysyłasz do modelu — przetwarzasz cudze dane osobowe na zewnątrz. Mały problem, nie wyrok. Ale go nie było, dopóki rozmowa zostawała w mojej głowie (albo i był).
Cierń RODO wbudowany w UI: dopóki nie zaznaczysz zgody, przycisk NAGRYWAJ jest zablokowany.
I jeszcze jedno, co wygląda jak zaleta: cała sztywność tego lejka — albo idziesz ze mną krok po kroku, albo odpadasz — faktycznie sprzedaje. Tylko nie dlatego, że jest tam AI. Sprzedaje, bo to reguła niedostępności: mam proces, jestem wybiórczy, kto nie wchodzi w mój rytm, ten wypada — a to, co selektywne, rośnie w cenie. To Cialdini z lat 80., nie GPT z 2025.
Co w tym naprawdę ma wartość
Więc co w tym systemie naprawdę ma wartość? Dwie rzeczy — i obie po tej samej stronie linii.
Jedna nudna jak flaki z olejem: sam CRM. Zapisz nagranie, podepnij pod leada, oznacz status. Kod do napisania w 2010 roku, bez jednego tokena. Druga sprytna, z której jestem dumny: analiza transkrypcji zamieniająca rozmowę w wycenę.
Zobaczcie, co je łączy: obie wchodzą do gry dopiero po telefonie. Po tym, jak człowiek przebił się przez recepcję, odbył rozmowę i wydobył z obcej osoby prawdę. AI tego materiału nie zdobywa — AI go porządkuje.
Dlaczego szukamy nie tam, gdzie trzeba
I tu jest wzorzec, którego nie umiem już odzobaczyć.
Znacie tę przypowieść:
Pijany facet szuka kluczy pod latarnią. Pytasz, gdzie je zgubił — wskazuje ciemność kilka metrów dalej. „To czemu szukasz tutaj?” — „Bo tu jest jasno.”
Architektura — pętla agenta, RAG, tool calling, eval — to nasza latarnia. Jasno, ciepło, umiemy się w tym poruszać, robota na weekend. Więc tam szukamy wartości. A klucze — sprzedaż, zaufanie, przebicie się przez recepcję, sama rozmowa — leżą w ciemności, której nie lubimy i do której nie zaglądamy. Nieprzypadkowo: celujemy w architekturę nie dlatego, że tam jest problem, tylko dlatego, że to część, którą umiemy i lubimy.
AI świetnie oświetla i porządkuje to, co przyniesiesz z ciemności. Tylko w tę ciemność po to nie wejdzie.
Smutny wniosek, którego nie umiem obejść: inżynier AI nadal potrzebuje ludzi. Człowiek wchodzi w ciemność i wraca z rozmową. My — i nasze modele — robimy z niej porządną notatkę i ładną wycenę. Przydatne, naprawdę. Ale to nie my zdobyliśmy klienta.