# AI Sales Assistant > Ai Sales Assistant — Skill especializada para ai sales assistant - Skill: `kursku/ai-sales-assistant` (Agent Skill) - Install (CLI): `npx skillmds@latest add kursku/ai-sales-assistant` - Raw SKILL.md: https://api.skillmd.com/api/skills/kursku/ai-sales-assistant/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - License: MIT - Author: kursku (https://skillmd.com/u/kursku) - Updated: 2026-09-08 - Page: https://skillmd.com/skills/kursku/ai-sales-assistant --- # Ai Sales Assistant Esta skill capacita o Claude a configurar e gerenciar assistentes de vendas baseados em IA, otimizando qualificação de leads, personalização de comunicação e automação de agendamentos para equipes de vendas. --- ## Keywords Automação de Vendas, Qualificação de Leads, AI Generativa, CRM Automation, Outreach Personalizado, Webhooks Make, N8N Workflows, API LLM, Agendamento Inteligente, Sales Enablement, Lead Scoring AI, Conversational AI Sales. --- ## Quick Start 1. **Configurar Credenciais de API**: Obtenha chaves de API para seu CRM (Pipedrive, HubSpot), plataforma de e-mail (SendGrid, Mailgun) e LLM (Anthropic Claude, OpenAI). 2. **Mapear Campos de Lead**: Identifique os campos cruciais no seu CRM (Nome, Empresa, Cargo, Segmento, Necessidade) que serão usados para alimentar o prompt de qualificação da IA. 3. **Criar Webhook de Entrada**: Configure um webhook em sua ferramenta de automação (Make/N8N) para receber dados de novos leads do seu formulário web ou sistema de captação. 4. **Desenhar Prompt Inicial de Qualificação**: Elabore um prompt que instrua a LLM a qualificar um lead com base nos dados recebidos e critérios de ICP (Ideal Customer Profile) específicos. 5. **Testar Fluxo End-to-End**: Envie um lead de teste através do seu formulário, monitore o processamento pela automação, a resposta da LLM e a atualização no CRM. --- ## Core Workflows ### Workflow 1: Qualificação de Leads Inbound com IA e Atualização de CRM Este workflow automatiza a análise e qualificação de leads recém-capturados, utilizando uma LLM para determinar o "fit" e o "interesse" do lead, atualizando o CRM e notificando a equipe de vendas. **Passos Detalhados:** 1. **Captura de Lead e Acionamento de Webhook:** * Um novo lead preenche um formulário no site (ex: formulário do Typeform, HubSpot Forms). * O envio do formulário dispara um webhook POST para um endpoint configurado no Make.com ou N8N. * **Exemplo de Payload de Webhook (JSON):** ```json { "nome": "Ana Silva", "email": "ana.silva@techsolutions.com", "empresa": "Tech Solutions Ltda.", "cargo": "Gerente de TI", "telefone": "+5511987654321", "mensagem": "Buscamos uma solução para otimizar nossos processos de DevOps e reduzir custos." } ``` 2. **Processamento no Make/N8N e Chamada à LLM:** * O módulo de webhook no Make/N8N recebe o payload. * Os dados do lead são formatados e enviados para a API da LLM (ex: Claude 3.5 Sonnet). * **Configuração de Chamada HTTP (Make.com - Módulo "Make a request"):** * **URL:** `https://api.anthropic.com/v1/messages` * **Method:** `POST` * **Headers:** * `x-api-key`: `{{sua_chave_api_anthropic}}` * `anthropic-version`: `2023-06-01` * `content-type`: `application/json` * **Body (JSON):** ```json { "model": "claude-3-5-sonnet-20240620", "max_tokens": 500, ""messages": [ { "role": "user", "content": "Analise o seguinte lead e determine se ele é um SQL (Sales Qualified Lead) para nossa empresa, que oferece soluções SaaS para otimização de DevOps. Nossos critérios de ICP incluem: empresas de tecnologia com mais de 50 funcionários, buscando redução de custos ou melhoria de eficiência em TI. O lead deve ter cargo gerencial ou superior em TI. Retorne um JSON com 'qualificado': true/false, 'motivo': 'texto', 'score': 1-10, 'proxima_acao': 'texto'.\n\nDados do Lead:\nNome: {{1.nome}}\nEmail: {{1.email}}\nEmpresa: {{1.empresa}}\nCargo: {{1.cargo}}\nMensagem: {{1.mensagem}}" } ] } ``` * *(Onde `{{1.nome}}`, etc., são variáveis do webhook de entrada)* 3. **Análise da Resposta da LLM e Tomada de Decisão:** * A LLM retorna um JSON com a qualificação. * O módulo seguinte no Make/N8N parseia a resposta e usa um roteador (router) ou condicional para direcionar o fluxo. * **Exemplo de Resposta da LLM:** ```json { "qualificado": true, "motivo": "A empresa Tech Solutions atua no segmento de tecnologia, o cargo de Gerente de TI é decisor e a mensagem indica busca por otimização de DevOps, alinhado ao nosso ICP.", "score": 8, "proxima_acao": "Enviar e-mail de apresentação de caso de sucesso e agendar demonstração." } ``` 4. **Atualização do CRM e Notificação:** * **Lead Qualificado (qualificado: true):** * Módulo "Update a Person/Deal" no Pipedrive ou HubSpot para marcar o lead como "SQL", atualizar um campo customizado "AI Qualification Score" e adicionar notas da LLM. * Módulo "Send a Message" no Slack ou Email para o time de vendas com os detalhes do lead e a recomendação da LLM. * **Exemplo de Mensagem Slack:** ``` 🔥 NOVO SQL QUALIFICADO POR AI! Lead: Ana Silva (Tech Solutions Ltda. - Gerente de TI) Email: ana.silva@techsolutions.com Score AI: 8/10 Motivo: Alinhado com ICP em tecnologia, busca otimização DevOps. Próxima Ação Sugerida: Enviar caso de sucesso e agendar demo. Link CRM: [Link para o lead no Pipedrive] ``` * **Lead Não Qualificado (qualificado: false):** * Módulo "Update a Person" no CRM para marcar o lead como "Não Qualificado pela AI" e direcioná-lo para uma trilha de nutrição de marketing. * Opcional: Enviar um e-mail automático de nutrição genérico. ### Workflow 2: Geração de E-mails de Prospecção Personalizados e Agendamento Automatizado Este workflow utiliza a IA para criar e-mails de prospecção altamente personalizados, baseados em dados do lead, e automatiza o processo de agendamento de reuniões. **Passos Detalhados:** 1. **Acionamento Pós-Qualificação ou Manual:** * O workflow é acionado quando um lead atinge um estágio específico no CRM (ex: "SQL - Pronto para Contato") ou por um acionamento manual de um vendedor. * Módulo "Watch Deals/Persons" no Make/N8N para monitorar o CRM ou um webhook de acionamento manual. 2. **Coleta de Dados do Lead e Contexto:** * Recupera todos os dados relevantes do lead do CRM (Nome, Empresa, Cargo, Segmento, Interesses identificados, Notas de qualificação da IA). * Opcional: Busca informações adicionais sobre a empresa (notícias recentes, menções) via APIs de enriquecimento de dados (ex: Clearbit, Apollo). 3. **Geração do E-mail Personalizado pela LLM:** * Os dados coletados são enviados para a API da LLM com um prompt detalhado para gerar um e-mail de prospecção. * **Configuração de Chamada HTTP (N8N - Módulo "HTTP Request"):** * **URL:** `https://api.anthropic.com/v1/messages` * **Method:** `POST` * **Headers:** `x-api-key`, `anthropic-version`, `content-type` * **Body (JSON):** ```json { "model": "claude-3-5-sonnet-20240620", "max_tokens": 1000, "messages": [ { "role": "user", "content": "Crie um e-mail de prospecção altamente personalizado para o lead {{Nome Lead}} da {{Empresa Lead}}, cargo {{Cargo Lead}}. Nossa solução é para otimização de DevOps e nosso ICP são empresas de tecnologia. O lead demonstrou interesse em '{{Interesse Identificado}}' e sua empresa '{{Contexto Empresa}}'. Use um tom profissional e amigável. O objetivo é agendar uma conversa inicial de 15 minutos para entender melhor os desafios dele. Inclua um link para agendamento via Calendly. Limite-se a 3 parágrafos curtos. Assinatura: [Seu Nome], [Seu Cargo] na [Sua Empresa].\n\nDados do Lead:\nNome: {{Nome Lead}}\nEmpresa: {{Empresa Lead}}\nCargo: {{Cargo Lead}}\nInteresse: {{Interesse Identificado}}\nContexto Empresa: {{Contexto Empresa}}" } ] } ``` * *(Onde `{{Nome Lead}}`, etc., são variáveis do CRM ou enriquecimento)* 4. **Envio do E-mail via API de E-mail Marketing:** * A resposta da LLM contendo o e-mail é extraída e enviada via API (ex: SendGrid, Mailgun) para o lead. * **Configuração de Envio de E-mail (SendGrid - Módulo "Send an Email"):** * **From:** `[seu_email_vendas]@suaempresa.com` * **To:** `{{Email Lead}}` * **Subject:** `Ideias para otimizar DevOps na {{Empresa Lead}} - [Seu Nome] da [Sua Empresa]` * **Content (HTML ou Plain Text):** `{{Resposta LLM.choices[0].message.content}}` (Assumindo que a LLM retorna o corpo do e-mail diretamente) 5. **Monitoramento e Follow-up (Opcional):** * Configurar módulos para monitorar aberturas e cliques no e-mail (via webhooks do SendGrid). * Se não houver resposta em X dias, disparar um prompt para a LLM gerar um e-mail de follow-up diferente. * Se houver clique no link de agendamento, atualizar o status no CRM. * **Exemplo de Link de Agendamento (Calendly):** `https://calendly.com/seu-nome/conversa-inicial-devops?name={{Nome Lead}}&email={{Email Lead}}` (Parâmetros pré-preenchidos) --- ## Templates ### Prompt para Análise de Sentimento em Mensagens de Lead ``` Você é um especialista em vendas e precisa analisar o sentimento e a urgência de uma mensagem de um lead. A mensagem pertence a um cliente em potencial para soluções de automação de processos de negócios. Analise a mensagem a seguir e retorne um JSON com os seguintes campos: - `sentimento`: 'positivo', 'neutro', 'negativo' - `urgencia`: 'alta', 'media', 'baixa' - `palavras_chave_interesse`: uma lista de 3 a 5 termos que indicam o foco principal do lead (ex: 'redução de custos', 'otimização de tempo', 'integração de sistemas'). - `proxima_acao_sugerida`: uma frase curta com a melhor próxima ação para o vendedor, baseada no sentimento e urgência. Mensagem do Lead: "Olá, estou com dificuldades em integrar o CRM com nosso ERP e o time de vendas está perdendo muito tempo com tarefas manuais. Precisamos de algo que acelere isso urgentemente, pois estamos perdendo vendas." ``` ### E-mail de Follow-up para Lead com Agendamento Pré-preenchido ``` Assunto: Re: Conversa sobre otimização de processos na [Nome da Empresa do Lead] Olá [Nome do Lead], Espero que esteja tudo bem. Vi que você baixou nosso e-book "5 Estratégias para Acelerar Vendas com Automação" e pensei que talvez tivéssemos uma conversa interessante. Muitas empresas como a [Nome da Empresa do Lead] enfrentam desafios na integração de sistemas e na otimização de processos de vendas, resultando em perda de tempo e oportunidades. Tenho algumas ideias sobre como a [Sua Empresa] poderia ajudar a resolver isso. Que tal agendarmos uma breve conversa de 15 minutos? Você pode escolher o melhor horário diretamente aqui: [Link do Calendly com parâmetros de lead pré-preenchidos, ex: https://calendly.com/seunome/15min?name=NomeDoLead&email=email@empresa.com]. Fico à disposição! Atenciosamente, [Seu Nome] [Seu Cargo] [Sua Empresa] [Seu Telefone] ``` --- ## Checklist - [x] Configurar autenticação para APIs do CRM (Pipedrive/HubSpot). - [x] Mapear campos de lead do formulário de entrada para o prompt de qualificação da LLM. - [x] Implementar webhook de entrada para captura de leads em Make/N8N. - [x] Testar o prompt de qualificação da LLM com cenários de leads qualificados e não qualificados. - [x] Configurar regras condicionais no fluxo de automação para leads qualificados e não qualificados. - [x] Integrar API de e-mail marketing (SendGrid/Mailgun) para envio de e-mails personalizados. - [x] Validar o tom de voz e estilo dos e-mails gerados pela IA para alinhamento com a marca. - [x] Incorporar link de agendamento de reuniões (Calendly/SavvyCal) com pré-preenchimento de dados do lead. - [x] Criar um sistema de notificação (Slack/Email) para o time de vendas sobre novos SQLs. - [x] Implementar um fallback manual para revisão de leads complexos ou ambíguos. --- ## Métricas de Referência | Métrica | Benchmark (Indústria) | Meta (Ai Sales Assistant) | |------------------------------------|----------------------------|---------------------------| | Taxa de Qualificação de Leads (SQL) | 15% - 25% | 30% - 40% | | Tempo Médio de Resposta ao Lead | 24 horas | < 1 hora | | Taxa de Conversão de SQL para Reunião | 20% - 35% | 40% - 55% | | Custo por Lead Qualificado (CPL) | R$50 - R$200 | R$30 - R$80 | | Taxa de Abertura de E-mails (Outreach) | 20% - 30% | 35% - 50% | | Taxa de Resposta de E-mails (Outreach) | 5% - 10% | 12% - 20% | --- ## Erros Comuns 1. **Prompts Genéricos e Pouco Contextualizados**: Muitos usuários iniciam com prompts vagos como "Qualifique este lead". Isso resulta em respostas superficiais e pouco úteis. * **Como evitar**: Forneça à LLM um contexto detalhado do seu ICP, critérios de qualificação específicos e exemplos de boas/más qualificações. * **Exemplo**: Em vez de "Qualifique este lead", use "Avalie se este lead é um SQL para nossa plataforma SaaS de automação de RH, considerando que empresas com menos de 100 funcionários ou sem departamento de RH estruturado não são nosso ICP. O lead {{dados_do_lead}} indica busca por {{problema_mencionado}}." 2. **Falta de Sincronização de Dados Bidirecional com o CRM**: A automação envia dados para o CRM, mas não lê de volta ou não atualiza status de forma consistente, levando a informações desatualizadas. * **Como evitar**: Implemente módulos de "Get a Record" (Pipedrive) ou "Search Objects" (HubSpot) antes de atualizações, e configure webhooks no CRM para disparar ações de follow-up ou re-qualificação quando um status for alterado manualmente. * **Exemplo**: Após um e-mail automatizado ser enviado, o fluxo deve atualizar um campo no CRM como "E-mail de Prospecção Enviado" e a data. Se o vendedor alterar o status do lead para "Reunião Agendada", um novo fluxo pode ser acionado para pausar follow-ups automatizados. 3. **Ignorar a Intervenção Humana para Casos Complexos**: Confiar 100% na IA para qualificação ou prospecção sem um "plano B" para leads que a IA não consegue processar ou que são ambíguos. * **Como evitar**: Implemente uma condição no fluxo de automação onde, se o score de qualificação da IA estiver abaixo de um certo limite (ex: 5/10) ou se a LLM indicar incerteza, o lead seja direcionado para uma fila de revisão humana ou receba uma notificação para um vendedor analisar manualmente. * **Exemplo**: A LLM retorna `{"qualificado": null, "motivo": "Dados insuficientes para qualificação"}`. O fluxo então envia uma notificação no Slack para o time de vendas: "Lead {{Nome Lead}} precisa de revisão manual - AI sem dados suficientes." --- ## Dicas Avançadas 1. **Uso de Embeddings para Personalização Profunda**: Em vez de apenas passar dados brutos para o prompt, gere embeddings (representações vetoriais) de documentos da sua empresa (casos de sucesso, descrições de produtos) e da mensagem do lead. Use RAG (Retrieval Augmented Generation) para que a LLM tenha acesso a informações contextuais relevantes para gerar respostas ainda mais precisas e personalizadas. * **Exemplo Prático**: Armazenar descrições de soluções por segmento em um banco de dados vetorial. Quando um lead da indústria 'Varejo' é qualificado, o assistente busca embeddings relacionados a 'Varejo' e os injeta no prompt da LLM para gerar um e-mail que mencione especificamente desafios e soluções para esse setor. 2. **A/B Testing Automatizado de Prompts e Mensagens**: Crie variantes de prompts para qualificação ou e-mails de prospecção. Use a ferramenta de automação para distribuir leads entre as variantes (ex: 50% para Prompt A, 50% para Prompt B) e monitore as métricas de performance (taxa de qualificação, taxa de abertura/resposta) para identificar qual prompt gera melhores resultados. * **Exemplo Prático**: No Make/N8N, use um módulo "Router" com um "Random Switch" para enviar leads para dois caminhos diferentes. Cada caminho terá um prompt ligeiramente diferente para a LLM gerar o e-mail. Monitore as taxas de abertura e clique de cada e-mail para otimizar o prompt. 3. **Sistema de Feedback Contínuo e Fine-tuning (Opcional)**: Crie um mecanismo onde os vendedores podem dar feedback rápido (positivo/negativo) sobre a qualificação ou a qualidade do e-mail gerado pela IA. Colete esse feedback e use-o para refinar os prompts ou até mesmo para fazer fine-tuning de modelos menores de LLMs para tarefas específicas. * **Exemplo Prático**: Adicionar botões de "✅ Útil" / "❌ Não Útil" na notificação do Slack sobre o lead qualificado. Ao clicar, um webhook envia o feedback para um banco de dados, que pode ser usado para analisar a performance do prompt e ajustá-lo periodicamente. 4. **Geração Proativa de Relatórios e Insights pela IA**: Configure a IA para analisar periodicamente os dados do CRM e das interações e gerar relatórios com insights sobre tendências de leads, gargalos no funil de vendas ou oportunidades de otimização dos prompts e fluxos. * **Exemplo Prático**: Uma vez por semana, um módulo no Make/N8N extrai dados de leads qualificados e não qualificados do CRM. Esses dados são enviados para a LLM com um prompt como "Analise as tendências de qualificação dos últimos 7 dias. Identifique padrões de leads não qualificados e sugira 3 ajustes potenciais nos critérios de ICP ou no prompt de qualificação." O resultado é enviado por e-mail para o gerente de vendas. 5. **Integração com Ferramentas de Enriquecimento de Dados Condicional**: Em vez de enriquecer todos os leads, use a IA para identificar leads com potencial alto, mas com dados incompletos. Somente para esses, dispare um processo de enriquecimento de dados via APIs como Clearbit ou Apollo, economizando custos e otimizando o uso de créditos. * **Exemplo Prático**: Após a qualificação inicial, se o score for alto (ex: >7) mas o campo "Cargo" ou "Telefone" estiver vazio, a LLM pode indicar a necessidade de enriquecimento. O fluxo então usa essa indicação para disparar a API de enriquecimento para aquele lead específico antes de prosseguir com o contato.