Sytuacja wyjściowa
Jako IT Fixer pomagam firmom, które mają problemy z systemami, potrzebują automatyzacji albo szukają eksperta zamiast kolejnego junior developera. Problem: jak znaleźć te firmy zanim one znajdą mnie? Formularz kontaktowy i LinkedIn to za mało — trzeba aktywnie szukać sygnałów zakupowych.
Okazuje się, że najlepszy sygnał zakupowy jest na wyciągnięcie ręki. Ogłoszenie o pracę to publiczna deklaracja: "Mam problem, który kosztuje mnie pensję + ZUS + onboarding miesięcznie." Firma, która szuka kogoś do ręcznego wprowadzania danych do ERP, może nie wiedzieć, że ten problem da się rozwiązać automatyzacją za ułamek kosztu etatu.
Problem
Ręczne przeglądanie ogłoszeń nie skaluje się. 100 ofert na OLX to kilka godzin czytania, z czego 70% to oczywisty szum (stażyści, restauracje, gabinety lekarskie). Pozostałe 30% wymaga głębokiej analizy: czy firma ma problem IT? Czy stanowisko da się zautomatyzować? Kto jest decydentem? Jak napisać wiadomość, która nie wygląda jak spam?
- Skala: Ręcznie — max 20 ogłoszeń dziennie z analizą. Za mało.
- Jakość: Zmęczenie po 30 minutach obniża trafność oceny.
- Kontakt: Ogłoszenia trafiają do HR, a potrzebuję dotrzeć do właściciela/CTO.
Rozwiązanie
3-fazowy pipeline w Pythonie. Każda faza robi dokładnie jedną rzecz i robi ją dobrze.
Faza 1: Szybki filtr regułowy
Czyste reguły, zero API, milisekundy. Eliminuje ogłoszenia, które na pewno nie są triggerem: czyste kadry, księgowość, gastronomia, medycyna, staże. Jednocześnie przyznaje punkty za słowa kluczowe sygnalizujące potencjał: automatyzacja (+3), AI (+3), e-commerce (+2), ERP/CRM (+1), "wprowadzanie danych" (+2), "obsługa portali sprzedażowych" (+2).
Efekt: ze 100 ogłoszeń 70 odpada natychmiast. Do analizy AI przechodzi 30. Oszczędność ~70% kosztów API.
Faza 2: Analiza AI (Claude Haiku)
Przefiltrowane ogłoszenia trafiają do Claude API w batchach po 5. Dla każdego ogłoszenia AI ocenia:
- Automation potential (1-10): ile obowiązków da się zautomatyzować
- Trigger score (1-10): siła sygnału zakupowego
- Company pain: hipoteza problemu firmy
- Decision maker: kto jest decydentem (CEO, CTO, właściciel)
- Pitch angle: pod jakim kątem sprzedać usługę
Kluczowe pytanie, które AI zadaje: "Czy to, co ta firma chce zlecić człowiekowi, da się zautomatyzować?" Jeśli tak — to silny trigger dla usługi automatyzacji.
Faza 3: Strategia kontaktu (Claude Sonnet)
Dla leadów z trigger score ≥ 6 AI generuje gotową strategię: personalizowany hook nawiązujący do ogłoszenia, draft wiadomości OLX (3-5 zdań), draft cold emaila, sugestię kogo szukać na LinkedIn. Każda wiadomość zaczyna się od konkretnego problemu firmy, nie od "Dzień dobry, oferuję usługi...".
Output — raport HTML
Pipeline generuje interaktywny raport z rankingiem leadów, analizą AI i gotowymi draftami wiadomości. Poniżej preview z przykładowymi danymi:
Przykłady z realnych danych
Firma z branży spożywczej szuka "pracownika biurowego do obsługi zamówień, fakturowania i kontroli stanów magazynowych". Ma system ERP. AI score: Trigger 8/10, Automatyzacja 8/10. Pitch: "Zamiast zatrudniać, zautomatyzuj fakturowanie i zarządzanie zamówieniami."
Firma kredytowa szuka "specjalisty ds. weryfikacji i procesowania dokumentów" — wprowadzanie danych z umów do CRM, archiwizacja, monitorowanie terminów. AI score: Trigger 8/10, Automatyzacja 9/10. Pitch: "OCR + RPA załatwi 80% tej roboty — bez błędów, 24/7."
Firma e-commerce szuka kogoś do "obsługi portali sprzedażowych" — ręczne wystawianie ofert na Allegro, aktualizacja cen, kontrola stanów. AI score: Trigger 8/10, Automatyzacja 7/10. Pitch: "To się automatyzuje w weekend. Integracja API zamiast etatu."
Architektura
Celowo minimalistyczna. Zero frameworków, zero baz danych. Czysty Python + HTTP do Claude API + Jinja2 do raportu HTML.
- claude_client.py: Lekki klient HTTP (httpx) — 60 linii kodu zamiast SDK.
- phase1_prefilter.py: Regułowy filtr z dataclassami. Łatwo dodać nowe reguły.
- phase2_ai_analysis.py: Batch processing, structured JSON output z Claude.
- phase3_strategy.py: Generowanie copywritingu — Sonnet dla jakości tekstu.
- pipeline.py: Orchestrator + raport HTML z ciemnym UI, sortowaniem, filtrami.
Tryby uruchomienia: --prefilter-only (bez API, za darmo),
--strategy-only (pomija analizę, bierze wyniki z cache).
Ekonomia
Haiku na analizę 30 ogłoszeń: ~$0.05. Sonnet na strategię 21 leadów: ~$0.20. Łącznie: poniżej $0.30 za pełny run na 100 ogłoszeń. Dla porównania — godzina ręcznej analizy to koszt wielokrotnie wyższy, a jakość spada po 30 minutach.
Efekt
System przetwarza 100 ogłoszeń w ~2 minuty. Wynik: 21 zakwalifikowanych leadów z gotowymi, spersonalizowanymi wiadomościami. Każda wiadomość nawiązuje do konkretnego ogłoszenia i konkretnego problemu firmy.
Najważniejszy insight: firmy, które zatrudniają ludzi do powtarzalnej pracy, zwykle nie wiedzą, że alternatywa istnieje. Nikt im tego nie powiedział. Ogłoszenie o pracę to nie jest cold outreach — to odpowiedź na pytanie, które firma właśnie zadała publicznie.
Wnioski
Sygnały zakupowe są wszędzie — trzeba tylko wiedzieć, gdzie patrzeć. Ogłoszenia o pracę to jedno z najlepszych źródeł, bo firma wprost mówi: "mam problem warty 7000 zł miesięcznie". AI pozwala przetwarzać te sygnały na skalę, która ręcznie byłaby niemożliwa.
Pipeline jest generyczny — wystarczy zmienić profil w profil.txt
i reguły w pre-filtrze, żeby szukać leadów dla dowolnej niszy.
Całość powstała w 1 dzień.