AI w sprzedaży B2B — lead scoring i routing (case study krok po kroku)

Lead scoring „na czuja" to standard w polskim B2B. Handlowiec rano wchodzi do CRM, patrzy na nowych leadów, wybiera te wyglądające „obiecująco" i dzwoni. W tym tekście pokazujemy, jak zastąpiliśmy tę intuicję modelem AI w jednej polskiej firmie SaaS — z konkretnymi liczbami z 5 miesięcy produkcji.

Punkt startu — co nie działało

Klient: polski SaaS B2B dla branży gastronomicznej, 12 handlowców, 800 leadów miesięcznie z formularzy na stronie i Ads. Konwersja lead → płacący klient: 4,2%. Średni czas reakcji na nowy lead: 6 godzin. „Hot leady" (firmy 50+ pracowników z konkretnym briefem) ginęły w stosie 800 wpisów.

Co wdrożyliśmy

Trzy moduły: scoring (każdy lead dostaje ocenę 0-100), routing (przypisanie do handlowca pasującego do segmentu) i flagging „hot" (powiadomienie push do handlowca w 2 minuty od wpadnięcia leada).

Dane wejściowe — co model widzi

• Dane z formularza (nazwa firmy, NIP, email, telefon, opis potrzeby).
• Wzbogacenie z otwartych źródeł — KRS (forma prawna, kapitał, rok założenia), Bisnode (przychody, liczba pracowników), strona WWW firmy.
• Kontekst kampanii (z jakiej reklamy/strony przyszedł, słowa kluczowe).
• Historia danej domeny w CRM (czy ktoś z tej firmy się odzywał wcześniej).

Co model ocenia

Model dostaje pełny pakiet danych i zwraca strukturalny JSON: score 0-100, segment (gastro-mała / gastro-średnia / gastro-sieciowa / inny / spam), prawdopodobieństwo konwersji, sugerowany handlowiec, sugerowany skrypt rozmowy (z 4 wariantów), pytania kwalifikacyjne.

{
  "score": 78,
  "segment": "gastro-srednia",
  "p_conversion": 0.31,
  "assigned_to": "anna.kowalska@klient.pl",
  "script_variant": "warianta-srednia-restauracja",
  "qualifying_questions": [
    "Ile lokali macie obecnie?",
    "Jaki system POS używacie teraz?",
    "Czy planujecie ekspansję w 2026?"
  ],
  "flags": ["hot_lead", "high_intent"]
}

Routing — kto dostaje którego leada

Każdy z 12 handlowców ma profil: doświadczenie w segmentach (1-10 dla każdego), aktualne obciążenie (liczba aktywnych leadów), strefa czasowa pracy. Model dobiera handlowca, dla którego prawdopodobieństwo zamknięcia jest najwyższe i obciążenie pozwala na obsługę nowego leada w <2 godziny.

Hot lead alert

Jeśli score > 75 i prawdopodobieństwo konwersji > 0,25 — handlowiec dostaje push do telefonu w 2 minuty od wpadnięcia leada. W reszcie przypadków lead trafia do kolejki do obsługi w godzinach pracy.

Wyniki po 5 miesiącach produkcji

Metryka	Przed	Po 5 mies.	Zmiana
Konwersja lead → klient	4,2%	8,7%	+107%
Średni czas reakcji	6 godz.	18 min	-95%
Czas reakcji na hot lead	3,8 godz.	7 min	-97%
Średnia wartość klienta	3 248 zł MRR	4 470 zł MRR	+38%
Spam odfiltrowany	ręcznie	87 leadów/mies	~11 godz./mies czasu

Trzy błędy, których nie polecamy popełniać

Błąd 1 — nie pytaj handlowców, „komu chcecie być przypisani"

W pierwszej wersji pytaliśmy handlowców o ich preferencje. Wszyscy chcieli „dużych klientów, sieciowych". Praca w „małych" robiła się walka o uniknięcie. Zmieniliśmy podejście — przypisanie na podstawie historycznej konwersji, nie preferencji.

Błąd 2 — nie ufaj „p_conversion" w tygodniu 1

Pierwsze prawdopodobieństwa były wymyślone przez model bez kalibracji. Po 6 tygodniach mieliśmy realne dane konwersji i przeszliśmy z „LLM as estimator" na „LLM + klasyczny model regresji". Trafność wzrosła o 23 pp.

Błąd 3 — zbyt wąska definicja „hot lead"

Początkowo „hot" = score > 90. Mieliśmy 4 hot leady tygodniowo. Po analizie konwersji zauważyliśmy, że score 75-89 też ma wysoką konwersję jeśli reagujemy <30 min. Obniżyliśmy próg.

Architektura — co używamy

Pipedrive jako CRM (webhook na nowy lead) → kolejka Redis → worker w Pythonie pobiera dane i wzbogaca (KRS API, Bisnode API, scraping strony) → Claude Sonnet 4.5 do scoringu → zapis wyniku w Pipedrive jako custom field → trigger powiadomień. Cały pipeline < 90 sekund od zapisania formularza.

Koszty

Wdrożenie: 42 000 zł jednorazowo (4 tygodnie pracy). Utrzymanie: 1 870 zł/mies. (API + infra). Przy 800 leadach miesięcznie to 2,33 zł na lead — w stosunku do 38 dodatkowo zamkniętych klientów po 4 470 zł MRR daje ROI < 2 tygodnie.

Macie podobne wyzwanie? Pokażemy Wam ten pipeline live, na Waszych danych w 90 minut.