Значительная часть деятельности разработчиков связана с использованием инструментов вроде Cursor, Windsurf, OpenAI Codex и Claude Code, что существенно повышает эффективность труда. Тем не менее, общение с представителями сфер, не связанных с техникой, часто выявляет множество процедур, поддающихся оптимизации посредством искусственного интеллекта.
В этой публикации демонстрируется, как отрасли, далекие от IT, могут извлечь выгоду из применения ИИ. В качестве примера рассматривается автоматизация поиска потенциальных клиентов — типичная задача в продажах, требующая значительных рутинных усилий. Основная цель — показать, что даже специалисты без технического бэкграунда способны задействовать современные кодогенерирующие агенты для разработки эффективных инструментов автоматизации.
В ходе изложения ключевые рекомендации будут выделены следующим образом:
Это ключевая рекомендация
Зачем требуется автоматизированный поиск потенциальных клиентов
Специалисты по развитию бизнеса занимаются:
- Поиском перспективных кандидатов
- Сбором их контактных данных, включая профили в LinkedIn или адреса электронной почты
- Обращением к кандидатам с целью организации встречи
Далее обычно подключается аккаунт-менеджер, но акцент здесь делается на улучшении первых трех этапов.
Этот трехэтапный цикл зачастую бывает весьма трудоемким, поскольку выявление кандидатов в сети подразумевает тщательный просмотр множества профилей в LinkedIn или на других ресурсах для отбора подходящих фирм. После выбора компании начинается поиск конкретных сотрудников для контакта. Как правило, это ключевые лица, принимающие решения: в крупных организациях — менеджеры среднего звена, в малых — финансовые директора. Найдя подходящего человека, необходимо добыть его контакты, обычно доступные в LinkedIn или на сайте компании. В заключение следует отправить персонализированное сообщение этому лицу.
Поиск перспективных кандидатов
Разработка этого инструмента начинается с Claude Code. Подойдут любые аналогичные средства, такие как Codex, Cursor, Windsurf или Replit. Главное — в командах, которые применяются для создания приложения.
Перед разработкой нового приложения всегда активируйте режим планирования
Процесс всегда инициируется в режиме планирования, где модель анализирует запрос, формирует пошаговый план и запрашивает уточнения при необходимости. Это крайне полезно, поскольку позволяет сузить рамки проекта и устранить неоднозначности. К примеру, были заданы вопросы о:
- Целевом регионе (в данном случае — Норвегия)
- Предпочтительном языке программирования (выбран Python, хотя TypeScript или иные варианты тоже возможны)
- Ресурсах для анализа (в Норвегии proff.no содержит обширные данные о фирмах и персонале; можно использовать похожие сервисы или поручить агенту найти их через поиск в сети)
- Формате результата (предпочтен Excel)
Такие уточнения идеально проясняют задачу, подчеркивая ценность режима планирования.
Кроме того, убедитесь, что модель опирается на общедоступные API и фокусируется на данных релевантных компаний. Сбор личной информации может нарушать нормы, в зависимости от юрисдикции.
Предоставляйте кодогенератору максимум доступных инструментов, включая серверы MCP, ключи OpenAI или API для программ
Дополнительно был создан ключ OpenAI, который Claude Code загружает из файла .env под переменной OPENAI_API_KEY. Это актуально, поскольку многие операции потребуют LLM для поиска или обработки данных. Поэтому доступ к мощному API-сервису для Claude Code обязателен. Если есть другие подходящие API, передайте документацию и укажите на их использование.
Например, Claude было сообщено о наличии веб-поиска, реализуемого функцией:
response = client.responses.create( model="gpt-5", tools=[{"type": "web_search"}], input="What was a positive news story from today?" )После ответов на все вопросы Claude приступил к созданию, разработав приложение для составления списка кандидатов в формате CSV. Это охватывает как первый, так и второй этапы: выявление подходящих фирм и сбор контактов.
Получив список, рекомендуется провести ручную проверку на точность. Также полезно задействовать GPT-5 или аналогичную модель для анализа результатов и выявления несоответствий.
Пусть LLM проверит результаты на верность
Наконец, при поиске кандидатов важно соблюдать регуляции. Ограничьтесь онлайн-данными о компаниях, а личные сведения собирайте вручную, чтобы соответствовать GDPR. Поэтому для получения деталей вроде имени, email и должности отдельных лиц информация извлекается вручную из фирм, выявленных приложением.
Обращение к кандидатам
Собрав контакты, пора переходить к связи. Существует множество данных о холодных email-рассылках, но здесь акцент на технологиях и их роли в оптимизации, без углубления в тактики.
Предполагается, что список релевантных кандидатов с контактами готов, и можно начинать общение. Теперь требуется генерировать индивидуальные сообщения, что идеально подходит для LLM.
LLM способны формировать персонализированные послания
На этом этапе для каждого кандидата доступны:
- Имя лица
- Адрес email
- Должность
- Название компании
- Размер компании
- Доход компании
В целом, чем больше деталей в запросах, тем лучше. Если нужен определенный стиль или тон, укажите это. Полезно также привести примеры прошлых email, демонстрируя свой подход, для few-shot prompting и повышения качества.
Включайте в запросы максимум информации
Теперь на основе этих данных составляется персонализированное сообщение. Это просто реализуется, например, через GPT-5:
prompt = f""" You are an expert at creating personalized emails. You are given information about an individual and have to create an email to reach out to them for the first time. Name: {name} Email: {mail} Role: {role} Company name: {company_name} Company size: (company_size} Company revenue: {company_revenue} Create both a subject tag, and the full email, including no other comments or reasoning. """ client = OpenAI(api_key=OPENAI_API_KEY, base_url=API_URL) import os from openai import OpenAI result = client.responses.create( model="gpt-5", input=prompt, reasoning={ "effort": "low"}, text={ "verbosity": "low" }, )Получив черновик, его можно доработать вручную под конкретного получателя, опираясь на собранные данные.
Далее сообщения отправляются. Чтобы избежать нарушений условий сервисов и спама, рекомендуется ручная рассылка, без автоматизации. Не поддерживается массовая нежелательная почта. ИИ служит для помощи и повышения эффективности, не исключая человеческий фактор полностью.
Заключение
В этой публикации рассмотрено применение передовых инструментов кодогенерации, таких как Claude Code, для автоматизации рутинных задач. Конкретно показано, как улучшить процесс контакта с кандидатами: ИИ автоматически выявляет подходящие компании и генерирует email, сохраняя соответствие нормам. За последние годы ИИ достиг значительного прогресса, но внедрение все еще отстает. Быстрая интеграция ИИ в повседневную практику дает существенное преимущество перед коллегами.