Lightfield показала AI-native CRM: как Keith Peiris разобрал застопоренную сделку, собрал автоматизацию и нашёл 10 новых лидов
Lightfield показала AI-native CRM: как Keith Peiris разобрал застопоренную сделку, собрал автоматизацию и нашёл 10 новых лидов
Большинство демо CRM показывают более удобное место для хранения данных, которые всё равно нужно вносить вручную. Демо Lightfield на SaaStr сделало обратное: Keith Peiris, сооснователь и CEO, в реальном времени разобрал застопоренную сделку, превратил выводы в автоматизацию, а затем использовал тот же сигнал, чтобы сгенерировать десять новых потенциальных клиентов. Никаких слайдов о будущем продаж — полный цикл прошёл end to end на живых данных.
Lightfield — это CRM на естественном языке примерно для 3 000 клиентов. Идея сводится к одному: если CRM хранит полный контекст клиента и поверх него работает слой автоматизации, менеджеры перестают делать CRM-работу и начинают заниматься продажами. Вот как это выглядело вживую.
CRM собрался сам
До любой работы со сделкой Keith подчеркнул ключевую вещь, которая меняет восприятие продукта: в демо-экземпляр ничего не вводили вручную. Он подключил почту, календарь, data warehouse и call recorder, а Lightfield собрал остальное.
Аккаунты подтянулись с обогащением через несколько data provider. Opportunities автоматически создались из писем и звонков. Контактная книга заполнилась данными примерно из десяти разных vendor. Задачи и встречи появились сами.
На этом и держится весь продукт. CRM — это не форма для заполнения. Это engine контекста клиента, который строится на системах, где работа уже происходит, а go-to-market накладывается поверх него.
Работа с застопоренной сделкой в реальном времени
Сделка: продажа process automation в Johnson Controls, очень крупного производителя. На таймлайне были lead scoring, обновления opportunity и переписка с VP of Innovation. Сводка пометила сделку как stalled. Пытались сформировать 30-day POC, но не могли сдвинуть её дальше.
Вместо догадок Keith прямо спросил CRM: почему эта сделка застопорилась?
Дальше началось самое важное. Lightfield не просто пересказал цепочку сообщений. Он собрал все взаимодействия внутри opportunity, затем сравнил сделку с closed won и closed lost сделками и даже заглянул в QBR. Затем в sandbox был запущен код, чтобы найти похожие сделки и выявить паттерн.
Вывод: они ни разу не встречались с CIO. Анализ сам построил доказательство. Во всех выигранных сделках на раннем этапе участвовал head of IT или director of IT. В проигранных сделках раннего согласования с IT не было. Эта сделка застряла там же, где застревали проигранные.
Рекомендация была конкретной: нужно назначить встречу с CIO, которого champion несколько раз упоминал, но встреча так и не состоялась.
Тогда Keith сказал: найди CIO и добавь его в opportunity. Lightfield запустил web search, прошёл примерно через двадцать инструментов account и contact enrichment, перепроверил LinkedIn, создал контакт и привязал его к opportunity. Затем система сгенерировала письмо, чтобы вовлечь CIO в POC, в тоне самого менеджера и с конкретными деталями пилота.
Одна сделка — разблокирована за несколько минут. Механика интересна. Но ещё интереснее переосмысление: CRM диагностировал сделку через сравнение с историей, а не через статический playbook.
Одна сделка превратилась в автоматизацию
Урок из одной сделки оказался полезен для всей команды: каждый менеджер должен подключать IT до стадии POC.
Поэтому Keith превратил только что проделанную работу в автоматизацию одной фразой: запускай этот процесс каждый раз, когда сделка доходит до стадии POC без IT-контакта.
Lightfield собрал natural language automation, которая подтягивает нужные данные CRM, применяет логику, находит IT-контакт через web search и пишет outreach email, когда сделка меняет стадию. Keith сравнил это с Salesforce Apex, но с одним важным отличием: вы пишете и дорабатываете такие процессы на обычном языке, а в фоне они исполняются в Python.
При активации всплала проверка прав. У руководителя RevOps или у CEO может быть полный доступ к CRM, но у обычного менеджера — нет, поэтому система запросила конкретные permissions, нужные автоматизации: доступ к аккаунту, создание заметок, enrichment service. Подтвердить и активировать.
Этот workflow был найден в работе с реальной сделкой, а не придуман на планёрке. Именно в этом и смысл последовательности.
Из одной сделки — в новую воронку
Когда сделку удалось разблокировать и паттерн был зафиксирован, Keith сделал третий шаг: превратил выводы в prospecting.
Он спросил, какие паттерны в closed won сделках могут создавать новую воронку. Lightfield разобрал контекст Johnson Controls, затем весь набор closed won сделок и выдал несколько выводов. Крупные производители industrial hardware лучше реагируют на цифру downtime, потому что именно там находится реальная боль. IT-лидеры восприимчивы к value proposition, если он опирается на существующие QBR и sales engagement. А POC стоит сужать по scope — это полезно вернуть команде продаж.
Дальше: найти контакты в десяти компаниях, которые подходят под этот профиль. Lightfield запустил account discovery по CRM-аккаунтам, которым ещё не продавали, провёл ICP search по источникам данных, прочитал неструктурированные данные по каждой stalled и lost сделке и нашёл IT-лидера в каждой компании, перепроверив сведения по двум-трём источникам, включая LinkedIn.
Он создал контакты и связанные аккаунты, соблюдая чистую CRM-гигиену: если вы prospecting-ите человека, он должен быть в CRM и быть связан с операциями.
Затем Keith добавил фильтр, который показывает, где начинается самое интересное: покажи, какие из этих компаний уже используют legacy factory floor software. Логика реальна. Компании со старыми SCADA и PLC системами сильнее всего чувствуют боль downtime, и это и есть wedge.
Lightfield прогнал web search по десяти контактам и оценил сигнал. У одной aerospace-компании оказался высокий сигнал, извлечённый из job postings, — Keith отметил это как надёжный источник prospecting. Ещё один сигнал пришёл из LinkedIn post. Несколько контактов вернулись с более низким сигналом по heuristic-ам.
Последний шаг собрал кастомную three-step sequence для аккаунтов с высоким сигналом, используя предыдущие sequence, только что проведённое исследование и стиль письма менеджера. Структура такая: сначала legacy burden, затем удар по opportunity cost, затем открытая дверь. Из данных QBR с крупным производителем лифтов система подтянула proof point и собрала sequence в реальном времени.
Подключить CRM к почте, определить, почему сделка застопорилась, извлечь урок, закодировать его в автоматизацию и применить тот же вывод к outbound. Это и есть цикл — и он работал на одном экране.
Вопросы и ответы разобрали самые сложные темы
Демо — это простая часть. Вопросы из зала обычно и ломают AI-native CRM. У Lightfield на них были ответы.
Data governance. На вопрос, что происходит, если кто-то перезапишет важную информацию, Keith объяснил архитектуру. Всё хранится на базовом уровне, включая письма и события, а сверху лежит CRM schema. Они отслеживают изменения и version history для каждого поля, каждого атрибута, каждого объекта. Можно увидеть, изменил ли что-то agent или человек, и откатить изменение. Role-based access control применяется к каждому фрагменту данных.
Adoption. CEO компании We Crush Events, восьмизначного event planning бизнеса с тринадцатью менеджерами на Zoho, задал вопрос, который задаёт каждый operator: как заставить нетехнических менеджеров принять новый инструмент? Keith ответил тремя пунктами. Миграция быстрая — часто около двух часов с Zoho или HubSpot, так что люди быстро переходят в новый инструмент. Главный плюс в том, что у менеджеров больше нет CRM-работы: поля, forecasting и reporting обновляются сами. Обучение занимает 30–45 минут, и любой, кто пользовался ChatGPT, быстро осваивается.
Deliverability. Тот же operator ведёт cold outbound farm с пятьюдесятью inbox и примерно 200 000 contacts и спросил, как Lightfield контролирует качество email на таком объёме. Keith описал внутренний email warming, распределение по inbox и интеллектуальные rules синхронизации. Для большинства менеджеров outbound синхронизируется с CRM только тогда, когда кто-то отвечает, так что не появляется полмиллиона мёртвых контактов. Контакт попадает в CRM, когда он реален и встреча уже забронирована.
Metrics. На вопрос о том, как измерять двадцать сочетаний ICP и углов, Keith указал на code sandbox. Можно сгенерировать любой custom report по запросу, сохранить его и собрать интерактивные charts по каждой кампании, чтобы сравнивать performance.
Security. На вопрос о том, как agent может свободно генерировать и исполнять код, Keith объяснил, что agent, внешние системы и UI работают через один и тот же Lightfield API. Rate limits и доступ к данным контролируются через этот API. Agent, действующий как AE, ограничен тем же уровнем доступа к информации и теми же rate limits, что и сам AE, а на уровне администратора это можно принудительно соблюдать.
Ещё одна деталь в конце: Lightfield не прячет продукт за sales team. Есть self-serve signup, 14-day free trial и sales team на случай, если нужна помощь.
Пять неожиданных выводов
1. CRM остаётся чистой, потому что отказывается записывать большинство контактов. Все остальные CRM собирают всё подряд и тонут в мёртвых записях. Lightfield делает наоборот: outbound-контакты синхронизируются только после ответа. База остаётся чистой по умолчанию, а не после ежеквартальных уборок. Для компании с 200 000 контактов и outbound farm на пятьдесят inbox это разница между рабочей CRM и кладбищем.
2. Автоматизация была найдена, а не спланирована. Лучший workflow в демо не родился на RevOps-стратегии. Он появился из работы с одной застопоренной сделкой и распознавания паттерна. Сначала сделка, потом урок, потом кодирование. Большинство команд делают наоборот: сначала придумывают сложные автоматизации, а потом смотрят, как менеджеры их игнорируют. Когда автоматизацию находят в реальных сделках, она действительно отражает то, как вы побеждаете.
3. Job postings — сильный сигнал для prospecting, и CRM умеет его читать. Самый сильный аккаунт в этой просчётной волне всплыл из вакансий, которые раскрывали legacy SCADA и PLC системы. Hiring activity — один из самых честных индикаторов того, какой софт использует компания и какую боль испытывает, но почти ни одна CRM это не анализирует. Использование неструктурированного публичного сигнала как полноценного prospecting data — это реальное преимущество.
4. Version history на каждом поле — это то, что делает autonomous agents приемлемыми. Ответ про governance не был поздним дополнением для compliance. Это и есть ключ. Вы позволяете agent писать в CRM только если видите каждое изменение и можете откатить любое. Отслеживание version history на уровне поля, атрибута и объекта — это скучная инфраструктура, которая делает безопасным включение интересного поведения агентов.
5. Agent наследует права человека, поэтому не нужен отдельный security model для агентов. Ответ по security оказался проще, чем ожидалось. Agent работает через тот же API, что и UI, и ограничен уровнем доступа того, кто им управляет. Agent AE может делать только то, что может сам AE. Это убирает целую категорию governance-работы вокруг вопроса «к чему AI вообще может прикасаться», потому что ответ уже зашит в существующий role-based access control.
The 21+ AI Agents We Actually Use
Plus, the latest on how to deploy AI agents.
Материал — перевод статьи с английского.