No-code автоматизация: как делегировать рутину искусственному интеллекту

Чтобы делегировать рутину алгоритмам, не обязательно быть программистом — достаточно освоить визуальную логику Make.com, которая превращает хаотичные лиды и почтовые завалы в отлаженные бизнес-процессы. Анна Кубо показывает, как с помощью GPT-4, HubSpot и простых вебхуков масштабировать продажи и клиентский сервис практически без участия команды поддержки.

🚀 Введение в автоматизацию бизнес-процессов с Make.com 0:00

Автоматизация становится необходимым навыком для любого современного бизнеса. Основная цель этого курса — помочь вам высвободить время, избавившись от рутинных задач и переключившись на более стратегические вызовы. Автор курса, Ана Кубо, разработчик и создатель контента, делает акцент на том, что для построения эффективных систем не требуется написание кода.

Курс охватывает широкий спектр инструментов и интеграций, подходящих как индивидуальным предпринимателям, так и маркетологам, специалистам по продажам или операционным директорам. В рамках обучения будут рассмотрены пайплайны автоматизации от простейших до продвинутых, а также возможности использования искусственного интеллекта для оптимизации рабочих процессов.

🛠 Регистрация и начало работы с Make.com 5:33

Make.com — это мощная платформа для no-code автоматизации, которая станет центральным элементом всех разбираемых в курсе проектов. Процесс регистрации максимально упрощен: можно создать аккаунт, используя Google, Facebook, GitHub или стандартную связку «имя и почта».

Платформа предлагает гибкую систему тарифных планов:

Бесплатный план: идеально подходит для старта, позволяя создавать неограниченное количество сценариев и тестировать возможности платформы.
Платные тарифы: начиная от $9 в месяц, они открывают доступ к большему количеству операций, расширенным возможностям API (до 300 конечных точек) и увеличению допустимого размера файлов.

После регистрации пользователю предлагается настроить рабочую область. Вы можете добавить участников команды, что особенно важно при масштабировании бизнеса, когда требуется делегирование прав доступа к сценариям.

📢 Настройка Facebook Lead Ads 8:24

Одной из самых эффективных точек входа для автоматизации являются рекламные формы сбора контактов. Facebook Lead Ads позволяют компаниям собирать данные о потенциальных клиентах, не заставляя их покидать социальную сеть.

Чтобы запустить сбор лидов, необходимо создать кампанию в Ads Manager. Основные шаги включают:

Выбор цели: укажите «Лиды» (Leads) как основную задачу кампании.
Настройка формы: выберите формат «Instant Forms» для сбора данных внутри Facebook.
Конфигурация полей: добавьте необходимые поля (имя, email, телефон) и ссылку на политику конфиденциальности вашего сайта, что является обязательным требованием для публикации рекламы.

После публикации рекламное объявление проходит стадию обработки, после чего система готова к передаче данных в автоматизированные цепочки.

📊 Автоматический экспорт лидов в Google Таблицы 15:20

Финальный этап создания первой автоматизации — связка входящих данных из Facebook с Google Таблицами. Это позволяет моментально сохранять контакты в структурированном виде.

В Make.com процесс выглядит следующим образом:

Триггер: выбирается модуль «Facebook Lead Ads» с событием «New Lead» (новый лид). При первом использовании необходимо настроить подключение: авторизовать доступ Make к вашему рекламному аккаунту и выбрать конкретную страницу и форму.
Действие: добавляется модуль «Google Sheets» с операцией «Add a Row» (добавить строку). После авторизации через Google-аккаунт вы выбираете целевой файл и лист.
Маппинг данных: поля из формы Facebook (ID лида, имя, email, телефон) сопоставляются с соответствующими колонками в таблице.

Для проверки работоспособности можно запустить сценарий в режиме обработки всех существующих лидов. Рекомендуется добавить заголовки в таблицу для удобства дальнейшей работы с данными. Ранее в разговоре они также упоминали, что для более сложных задач, таких как сбор лидов через вебхуки с Wix, маршрутизация данных и использование Clearbit, потребуются отдельные настройки в следующих главах.

🔌 Автоматизация лидогенерации: от вебхука Wix до скоринга в HubSpot и уведомлений в Slack 25:13

Сбор лидов с Wix через вебхуки 25:13

Построение сквозной автоматизации бизнес-процессов начинается с чистого листа — в буквальном смысле. Вместо использования готовых шаблонов разработчик выбирает создание сценария с нуля. В качестве отправной точки всей цепочки действий выступает форма на живом сайте под управлением Wix. Настройка триггера требует точности: система должна срабатывать исключительно в момент отправки формы (form is submitted), а не при выборе отдельных элементов внутри неё. Чтобы сценарий не реагировал на лишнюю активность, выбирается конкретная контактная форма обратной связи — «contact form».

Данные передаются на платформу Make.com с помощью кастомного вебхука (custom webhook). Механизм интеграции прост: Make генерирует уникальный целевой URL (Target URL), который копируется в буфер обмена и вставляется в панель автоматизаций Wix. Это позволяет бесшовно перенаправлять все ключи и значения из полей формы на сторону платформы автоматизации. Для порядка созданный вебхук переименовывается в «leads». Перед первой проверкой системы автор очищает кэш браузера, чтобы исключить старые данные. Тестовый пользователь Бобби Браун с корпоративной почтой bobby@google.com отправляет запрос: «hello Hogan Holiday Homes I am looking to rent a two bed for one month». Проверка логов Wix подтверждает — триггер успешно сработал один раз, зафиксировав точную передачу данных на вебхук.

Обогащение данных компании через Clearbit 29:14

Простого получения email-адреса для качественного B2B-маркетинга и продаж недостаточно. Следующим шагом в сценарий интегрируется модуль Clearbit — мощная B2B-платформа данных, позволяющая извлекать подробное досье на компанию по одному лишь домену. Для авторизации в сервисе используется существующий аккаунт HubSpot CRM для компании «Three Hogan». Интеграция Make с Clearbit требует ввода секретного API-ключа, который копируется со страницы официальной документации по адресу dashboard.clearbit.com/docs.

Главная техническая задача на этом этапе — изолировать домен из полного email-адреса лида. Для этого в Make прописывается кастомная функция, комбинирующая операторы get и split. Строка разделяется по символу «@», и система забирает вторую часть значения, превращая адрес типа «bobby@google.com» в чистый домен «google.com». Тестирование на новом лиде (Сандра Су с адресом sandra@google.com) показывает отличные результаты обогащения. Clearbit возвращает огромный массив данных: официальное юридическое наименование (Google LLC), подробное описание компании, год основания, локацию, часовой пояс, логотип и социальные сети.

Условная маршрутизация данных через роутер 36:12

Полученные данные необходимо сегментировать, чтобы менеджеры не тратили время на ручную сортировку нецелевых заявок. Для этого в цепочку добавляется модуль Router из категории Flow Control, разделяющий поток данных на несколько независимых веток (рутов). Каждая ветка оснащается жесткими многоуровневыми фильтрами, определяющими условия прохождения лида дальше по воронке.

Целевым сегментом для вымышленного агентства недвижимости выступают крупные американские IT-компании с высоким уровнем дохода сотрудников. Фильтр под названием «continent equals America, employees > 100, category = software» включает в себя три обязательных условия, связанных оператором «AND»:

Часовой пояс компании (Time Zone) должен содержать слово «America» (поиск настраивается без учета регистра — case insensitive).
Количество сотрудников (метрика Employees из Clearbit) должно строго превышать 100 человек.
Индустрия (Category Industry) должна содержать ключевое слово «software», причем регистр букв также игнорируется.

Очередной тестовый лид от Ксавье Зу (xavier@google.com) с запросом короткой аренды в Дубае успешно проходит валидацию роутера, так как Google LLC идеально соответствует всем трем критериям фильтра.

Автоматическое создание контактов в HubSpot 40:43

Прошедшие первичный отбор лиды автоматически направляются в HubSpot CRM для заведения карточек клиентов. После стандартной процедуры авторизации и предоставления Make прав на управление данными CRM-системы для аккаунта «three Hogan», начинается этап маппинга — сопоставления полей. Информация собирается из двух источников сразу.

Имя и фамилия клиента (First Name, Last Name), а также его прямой email подтягиваются из первоначального вебхука Wix. В то же время название компании (Legal Name) и годовой доход (Annual Revenue из раздела Metrics) берутся из обогащенных данных Clearbit. Особое внимание уделяется скорингу клиентов. Поскольку этот фильтр обрабатывает только премиальный сегмент, в поле ценности (clout score) передается жестко закодированный кастомный балл, равный 10. Повторный тест с пользователем Гари Г. (gary@google.com), желающим арендовать студию в Дубае, подтверждает корректность интеграции: в панели HubSpot мгновенно появляется карточка контакта с подгруженной иконкой Google, email-адресом и максимальным баллом значимости.

Уведомления команды о лидах в Slack 46:12

Финальный штрих автоматизации — мгновенное информирование сотрудников компании о появлении важного потенциального клиента. Для этого к ветке HubSpot подключается модуль Slack с действием «Create a message». Авторизация происходит через тип подключения Slack User, предоставляя сценарию доступ к корпоративному пространству по адресу threehogan.slack.com.

В самом мессенджере создается выделенный публичный канал q1 leads, куда автоматически добавляются все новые сотрудники компании. Текст уведомления собирается динамически и содержит всю ключевую информацию, необходимую для быстрого реагирования. Сообщение включает в себя email лида и его скоринговый балл. Финальный прогон сценария с тестовой заявкой от Фреда Фи (fred@google.com) демонстрирует безупречную работу всей экосистемы: через секунду после клика по кнопке «Отправить» на сайте Wix, в канале Slack появляется аккуратное сообщение с текстом о новом лиде и заветным clout score 10. Оставшиеся ветки роутера настраиваются по аналогичному алгоритму.

🏠 Автоматизация продаж: от формы Typeform до сделки в HubSpot 58:01

Переход от простого сбора контактов к полноценному управлению продажами требует более структурированного подхода. В то время как ранее в обучении рассматривалось создание контактов в HubSpot на основе вебхуков, на текущем этапе фокус смещается на автоматизацию «сделок» (Deals). Сделки позволяют отслеживать путь клиента от первичного интереса до закрытия продажи, что критически важно для таких ниш, как недвижимость.

Проектирование квалификационной формы в Typeform 59:34

Для сбора данных в этом сценарии используется Typeform — инструмент, позволяющий создавать интерактивные формы с высокой конверсией. В примере рассматривается гипотетическое агентство недвижимости, которому необходимо квалифицировать собственников жилья, желающих продать или сдать свою собственность в аренду .

Процесс создания формы начинается с выбора триггера «Watch responses» в Make.com, который срабатывает мгновенно (instant) при заполнении анкеты . В самом интерфейсе Typeform разработчик может использовать AI для генерации структуры, однако для точного контроля параметров лучше создавать форму с нуля .

Квалификационная форма должна включать следующие ключевые элементы:

Имя пользователя: Поле «Hello, what's your name?», которое настраивается как обязательное .
Персонализация: Использование функции «Recall information» (через символ @), чтобы приветствовать пользователя по имени в последующих вопросах .
Контактные данные: Обязательное поле для ввода Email .
Оценка актива: Выпадающий список с вопросом «How much is your property worth?». Важно использовать числовые значения в вариантах ответа (например, 100,000–500,000), так как в дальнейшем эти данные будут передаваться в финансовое поле HubSpot .

После публикации формы и проведения тестового заполнения (на примере имени Anna Kubo), данные становятся доступны для маппинга в сценарии автоматизации.

Интеграция с HubSpot CRM: создание и настройка сделок 1:06:06

В отличие от простого создания контакта, модуль «Create a Deal» в HubSpot требует более детальной настройки полей. Главная цель — превратить каждый ответ из Typeform в карточку сделки, которая автоматически попадает в воронку продаж.

В процессе маппинга данных в Make.com настраиваются следующие параметры:

Название сделки (Deal Name): В это поле передается имя пользователя, заполнившего форму .
Стадия сделки (Deal Stage): Этот параметр определяет положение карточки в CRM. В ходе демонстрации было предложено «захардкодить» (прописать вручную) начальную стадию . Это гарантирует, что каждый новый лид будет попадать именно в начало воронки.
Сумма (Amount): Сюда передаются данные из вопроса о стоимости недвижимости. Важно, чтобы в Typeform были выбраны именно числа, иначе CRM не сможет корректно отобразить общую стоимость потенциальных сделок .

Отладка воронки и валидация данных 1:08:39

В процессе тестирования сценария с данными «Bobby Brown» возникла типичная ошибка: стадия «Prospecting» не была распознана системой как валидный ID этапа воронки . Это важный момент в обучении — Make.com предоставляет инструменты отладки, которые показывают список всех доступных ID для конкретного аккаунта HubSpot.

После изменения стадии на корректный вариант — «Qualified to buy» — сценарий был запущен повторно с тестовым лидом «Ken Fang». В результате в панели HubSpot CRM мгновенно появилась новая сделка со следующими характеристиками:

Владелец сделки: Не назначен (unassigned) .
Этап: Qualified to buy.
Сумма сделки: Соответствует выбранному значению из формы .

Такая система позволяет отделу продаж мгновенно видеть потенциальную выручку и приоритезировать работу с клиентами, чьи объекты недвижимости имеют более высокую стоимость. Завершив настройку этой связки, автор переходит к подготовке следующего этапа — массовой квалификации лидов через таблицы, подготавливая структуру Google Sheets для Michael Scott из Dunder Mifflin и других тестовых персонажей .

📊 Глубокая аналитика и генерация контента: Lead Qualification и OpenAI 1:15:11

В этой части курса мы переходим от простого сбора данных к их интеллектуальной обработке. Мы разберем два продвинутых сценария: первый превращает «сырой» список контактов в сегментированную базу потенциальных клиентов, а второй использует мощь нейросетей для автоматизации работы отдела маркетинга в сфере недвижимости.

Автоматическая квалификация лидов через Clearbit и Google Таблицы 1:15:25

Процесс начинается с настройки модуля Google Sheets, который должен «слушать» появление новых строк в таблице. Для этого выбирается триггер «Watch new rows» . После авторизации через Google-аккаунт и выбора нужного файла (в нашем примере это «Leads to qualify»), Make.com получает доступ к данным о потенциальных клиентах, включая их имена и email-адреса . Ранее в курсе уже упоминалось использование Clearbit для обогащения данных, но здесь мы строим на его основе полноценную логику принятия решений.

Для работы с Clearbit требуется API-ключ, который можно найти в панели управления сервиса . Стоит отметить, что для активации Clearbit может потребоваться связь с аккаунтом HubSpot — это интеграция, которую мы рассматривали в предыдущих главах как часть воронки продаж . Основная задача Clearbit в данном сценарии — предоставить глубокие метрики компании по одному лишь адресу электронной почты лида.

Ключевым инструментом здесь выступает «Router» (роутер) из раздела Flow Control . С его помощью мы создаем два пути для данных:

Квалифицированный лид (Qualified lead): Путь, по которому данные пойдут только при выполнении определенных условий.
Неквалифицированный лид (Not qualified lead): «Запасной» путь (fallback), куда попадают все остальные заявки .

В качестве фильтра мы используем метрику количества сотрудников компании (metrics -> employees), которую возвращает Clearbit. Например, если в компании более 50 сотрудников, лид считается качественным . Можно настроить и более сложные правила, используя операторы AND/OR: например, квалифицировать тех, у кого либо более 50 сотрудников, либо годовой доход превышает 10 000 долларов .

Когда лид проходит фильтр, система автоматически обновляет соответствующую строку в Google Таблицах. В колонку «Lead Status» записывается значение «Qualified», а также добавляются дополнительные данные: название компании, точное количество сотрудников, рыночная капитализация и даже глобальный рейтинг Alexa . Если лид не проходит по критериям, статус меняется на «Not qualified», но данные о компании всё равно подгружаются для истории. Это позволяет отделу продаж мгновенно видеть, на каких контактах стоит сосредоточить усилия .

Искусственный интеллект в недвижимости: Генерация SEO-описаний через GPT-4 1:29:51

Второй сценарий демонстрирует, как автоматизация решает проблему масштабирования контента. Представьте агентство недвижимости с сотнями объектов. Написание уникальных, SEO-оптимизированных описаний для каждого — это огромные трудозатраты . С помощью модуля OpenAI и модели GPT-4 этот процесс можно сократить до одной минуты.

Логика работы сценария:

Сбор исходных данных: Модуль Google Sheets отслеживает новые объекты в таблице «My properties». Исходные данные включают название объекта, количество спален и ванных комнат, тип вида из окна (на город или море) и точный адрес .
Обработка в OpenAI: Мы используем модуль «Create a chat completion» . Важно использовать именно Chat Completion, так как это дает доступ к более совершенной модели GPT-4 . Для подключения требуется API-ключ и ID организации из личного кабинета OpenAI .
Формирование промпта: Мы задаем нейросети роль и четкую инструкцию. Запрос звучит так: «Напиши описание длиной не более семи предложений, укажи ближайшие достопримечательности на основе адреса и время пешей прогулки до метро, если оно составляет менее 15 минут» .

Сила этого метода в том, что GPT-4 обладает глобальными знаниями о картах и локациях. Даже если в вашей таблице нет информации о метро или парках, нейросеть «узнает» адрес и дополнит описание контекстом. Например, для квартиры в Дубае (Standpoint Tower) ИИ автоматически добавил информацию о близости к центру города, элитных ресторанах и торговых зонах .

Результат работы нейросети возвращается в ту же таблицу в колонку «Description» через модуль «Update a row» . Система берет текст из объекта message.content, который сгенерировал ИИ. Таким образом, менеджеру достаточно просто вписать базовые характеристики квартиры в таблицу, и через несколько секунд он получает готовое рекламное объявление, готовое к публикации на сайте .

🎫 Автоматизация билетной системы: от QR-кода до готового документа 1:40:19

Завершив настройку системы генерации описаний недвижимости с помощью ИИ (ранее в курсе подробно разбирались промпты и отладка объектов GPT-4), мы переходим к созданию полноценного бизнес-решения «под ключ». На этот раз задача более прикладная и масштабная: построить автоматизированную систему продажи и выпуска билетов, используя связку Google Sheets, Google Docs и специализированный модуль генерации штрихкодов.

Это решение позволяет отказаться от дорогостоящих CRM-систем и сторонних сервисов по продаже билетов, обеспечивая полный контроль над процессом даже при минимальном штате сотрудников.

Подготовка базы данных: Google Sheets как фундамент 1:46:18

Любая автоматизация начинается со структуры данных. В новом сценарии Make.com, получившем название «Ticketing with barcode automation», основным триггером выступает модуль Google Sheets — Watch for New Rows. Это означает, что как только в таблицу добавляется информация о новом покупателе, запускается вся цепочка процессов.

Для корректной работы системы Анна создает новую таблицу «Tickets» со следующей структурой:

Ticket number: Уникальный номер билета. Чтобы избежать путаницы с простыми порядковыми числами, нумерация начинается с 2201.
Row: Ряд (для наглядности используются буквы A, B, C).
Seat: Номер места.

Хотя для демонстрации используется минимальный набор полей, в реальных условиях сюда легко добавить имя владельца, временную метку или стоимость билета. При настройке модуля в Make крайне важно убедиться, что выбрана опция «Table contains headers», чтобы система правильно распознала названия колонок и позволила маппить (связывать) их с последующими этапами.

Магия генерации: создание QR-кодов и их хранение 1:51:19

Сердце системы — модуль Barcode. Несмотря на название, он поддерживает множество форматов, но для билетов идеальным выбором остается QR-код. Настройка генерации происходит в два клика: в поле «Text» передается номер билета из таблицы, а в названии файла прописывается тот же номер с расширением .png (например, 2201.png).

Просто создать изображение недостаточно — его нужно где-то хранить, чтобы затем вставить в билет. Для этого используется Google Drive. Процесс организован следующим образом:

Создание папки: На диске создается отдельная директория «barcodes».
Загрузка файла: Модуль Google Drive — Upload a File отправляет сгенерированный QR-код в созданную папку.
Получение публичного доступа: Это критический этап. Чтобы Google Docs мог «подтянуть» изображение по ссылке, необходимо использовать модуль Get a Share Link.

«Нам нужен уникальный ID файла, который мы получили на этапе загрузки, чтобы создать ссылку для общего доступа. Роль пользователя можно оставить как 'Reader' (Читатель)».

Динамические шаблоны в Google Docs: финальная сборка 1:56:58

Когда данные и QR-код готовы, наступает этап верстки самого билета. Вместо того чтобы создавать каждый документ вручную, мы используем возможности Google Docs как генератора шаблонов. В новом документе «Dynamic barcode ticket» создается визуальная структура: название матча (например, Springfield Bees против Scranton Bears), дата и юридическая информация.

Ключевой механизм здесь — использование двойных фигурных скобок {{ }}. Теги вида {{row}} и {{seat}} служат маркерами, которые Make автоматически заменит на реальные данные из таблицы.

В сценарии Make используется модуль Google Docs — Create a Document from a Template. Он обладает двумя важными функциями:

Замена текста: Все значения в скобках автоматически подтягиваются из Google Sheets.
Замена изображений: Модуль позволяет заменить любое изображение в шаблоне на новое через URL.

Для корректной вставки QR-кода важно использовать не просто ссылку на файл, а именно Web Content Link, полученную из модуля общего доступа. Это гарантирует, что в итоговом документе вместо пустого места появится актуальный штрихкод, привязанный к конкретному месту и номеру билета. Финальным шагом становится сохранение готового билета в отдельную папку «tickets», где каждый файл получает персонализированное название.

⚙️ Оптимизация рабочих процессов: От Trello до Discord 5:44

Автоматизация — это не только способ работы с клиентами, но и мощный инструмент для внутреннего управления командой. Настроив правильные сценарии, можно значительно снизить административную нагрузку и исключить рутину из ежедневных задач. Ранее в курсе уже рассматривались подходы к интеграции лидов из различных источников в общие таблицы, что закладывает базу для понимания того, как Make.com связывает разрозненные системы в единую рабочую среду.

Синхронизация задач Trello с Google Календарем 8:11

Создание внутренних инструментов для команды разработчиков или стартапа начинается с прозрачного контроля дедлайнов. Одной из наиболее эффективных связок является автоматическая передача данных из Trello в Google Календарь.

Процесс настройки сценария включает несколько ключевых этапов:

Мониторинг карточек: В Make.com используется модуль «Watch Cards», который отслеживает все изменения на доске. Можно настроить отслеживание как всей учетной записи, так и конкретной рабочей области (например, «Jobs I need to do»).
Извлечение данных: После того как система зафиксировала создание карточки, следующим шагом необходимо использовать модуль «Get a card». Это позволяет подтянуть описание задачи и установленный дедлайн по ID карточки.
Создание события: Финальный модуль — Google Календарь (функция «Create an event»). Здесь важно правильно сопоставить поля: описание из карточки Trello становится названием события, а «Due Date» (срок исполнения) напрямую транслируется в дату и время в календаре.

Такой подход гарантирует, что ни одна задача, созданная в Trello, не будет забыта, так как она автоматически отобразится в вашем рабочем графике в Google.

Сбор заявок из Discord в таблицы 17:11

Взаимодействие с сообществом требует оперативной обработки запросов. Для управления доступом, например, к приватным GitHub-репозиториям, можно настроить автоматический мониторинг текстовых каналов Discord с выгрузкой данных в Google Таблицы.

Алгоритм действий:

Настройка канала: В Discord создается специализированный канал (например, «Access Request»), где пользователи оставляют свои контакты. Пингование сообщения с инструкцией позволяет структурировать входящий поток данных.
Интеграция: Модуль Discord в Make.com настраивается на «Watch channel messages». После подключения сервера и выбора канала система готова перехватывать любое сообщение.
Логирование: В Google Таблицах создается файл с полями: «Username», «Timestamp», «Email» и «Permitted» (статус доступа). Каждое сообщение в Discord автоматически добавляет новую строку в эту таблицу, сохраняя имя автора и точное время запроса.

Это решение превращает обычный чат в полноценную систему обработки заявок, которую можно дополнить по мере масштабирования проекта, например, добавив этапы оплаты или статусы обработки.

Встроенные функции и форматирование дат 22:56

При передаче данных между сервисами (как в примере с Discord) часто возникает необходимость обработки «сырой» информации. Make.com предоставляет обширную библиотеку встроенных инструментов для трансформации данных непосредственно в процессе сценария.

Работа с текстом и математикой: Инструментарий включает в себя текстовые функции (например, length для подсчета символов в строке) и математические операторы, позволяющие округлять числа (math floor) или находить экстремумы значений.
Логические операторы: Встроенные булевы функции дают возможность прописывать сложные условия: «если выполняется условие А, то сделать Б».
Форматирование времени: Особое внимание уделяется инструменту formatDate. Вместо того чтобы полагаться на стандартный, зачастую нечитаемый вид временных меток, которые приходят из API, вы можете преобразовать их в удобный для восприятия формат прямо в интерфейсе Make.com перед отправкой в целевой сервис.

Использование этих функций исключает необходимость ручного редактирования таблиц после того, как данные уже были импортированы, делая автоматизацию по-настоящему «бесшовной».

🤖 Умный автоответчик для Gmail: Интеграция ИИ и табличных шаблонов 2:33:22

Ранее в разговоре они касались встроенных функций и форматирования дат на примере пражского времени, но теперь пришло время перейти к созданию полноценного и сложного сквозного бизнес-сценария.

Настройка триггера: Перехват входящей почты 2:34:03

Новый масштабный этап автоматизации посвящен развертыванию интеллектуального ассистента для обработки входящей корреспонденции. Автор курса создает с нуля сценарий под названием «Automate responses to emails using chat GPT». Архитектура системы задумана следующим образом: сценарий отслеживает почту, отправляет текст письма нейросети для анализа, сверяется со специальной базой шаблонов в Google Таблицах и на основе этого формирует персонализированный ответ.

Работа начинается с интеграции почтового сервиса. В качестве стартового триггера выбирается модуль Gmail с действием «Watch for emails». Спикер подчеркивает важный технический нюанс: при подключении личного Google-аккаунта (в отличие от корпоративного Workspace) необходимо использовать тип подключения «Google restricted». Это требует прохождения дополнительной верификации безопасности.

В рамках демонстрации сценарий подключается к рабочему ящику anna@codewithanna.com. Чтобы робот не обрабатывал весь архив за прошлые годы, выставляются строгие критерии фильтрации:

Системе поручено реагировать исключительно на непрочитанные сообщения (All unread emails).
Параметр «Mark message as read» («Отмечать как прочитанное») намеренно оставляется в положении «Нет», чтобы автоматизация не мешала привычной ручной работе с почтой.
Лимит максимального количества результатов за один запуск (Maximum number of results) ограничивается единицей, что позволяет обрабатывать входящие заявки последовательно и изолированно.

Первичный анализ: Классификация писем через GPT-4 2:37:21

После успешного перехвата письма данные передаются на анализ искусственному интеллекту. Для этого на холст добавляется модуль OpenAI с методом «Create a chat completion». Автор напоминает базовое правило работы с API: для успешной интеграции требуется платный аккаунт OpenAI с положительным балансом на счету. В настройках платформы создается временный токен с именем «test», копируется уникальный идентификатор организации (Organization ID), после чего связь между Make.com и нейросетью считается установленной.

В качестве рабочей модели спикер выбирает флагманскую на момент записи курса GPT-4. Роль системного сообщения определяется как «User», а текстовый промпт жестко регламентирует логику анализа. Инструкция выглядит так: «Categorize the following email...» («Классифицируй следующее письмо...»), после чего в кавычках динамически подставляется текстовое содержимое (Text content) из предыдущего почтового модуля.

Задача нейросети на этом этапе — выступить в роли умного сортировщика. Ей приказывают без лишних рассуждений отнести входящее сообщение строго к одной из двух категорий:

inquiry or requests — общие вопросы, справочные запросы или техническая поддержка.
complaints and issues — официальные жалобы, критические проблемы и претензии клиентов.

База знаний: Подключение динамических шаблонов из Google Таблиц 2:42:16

Чтобы ответы ИИ не были абстрактными, автоматизацию связывают с кастомной базой знаний. Автор создает чистую Google Таблицу с именем «responses», переименовывая рабочий лист в «template». Таблица выполняет роль динамического справочника и состоит из двух ключевых колонок: category (категория) и prompt (целевой промпт для генерации).

Для категории inquiry or requests прописывается масштабная инструкция. Нейросети поручается примерить на себя роль специалиста техподдержки и составить структурированный ответ. Шаблон требует обязательно поблагодарить клиента, вежливо указать на возможную причину неполадки и предложить ровно три последовательных шага для диагностики.

Для категории complaints and issues закладывается совершенно иной тон: здесь ИИ должен выступать как эксперт по урегулированию конфликтов («complaints specialist»). Главный акцент смещается на эмпатию, глубокие извинения за неудобства и оперативную помощь.

В Make.com добавляется модуль Google Sheets с действием «Search Rows». Пройдя авторизацию под именем «my Google connection», система настраивается на поиск нужной строки. Фильтр работает по следующему принципу: значение в колонке category должно быть текстово равно результату классификации, который выдала GPT-4 на предыдущем шаге. Поиск настраивается как регистронезависимый для исключения ошибок совпадения.

Финал автоматизации: Генерация и проверка черновика 2:49:46

Когда система точно определила категорию и вытащила из таблицы соответствующий расширенный промпт, наступает этап финальной сборки ответа. На холст добавляется второй модуль OpenAI («Create a chat completion»). В поле сообщения передается динамическая комбинация: инструкция-шаблон из найденной строки Google Таблицы и исходный текст письма от клиента. На основе этого симбиоза GPT-4 пишет уникальное, глубоко контекстное письмо.

Завершающим звеном выступает модуль Gmail с действием «Create a draft» («Создать черновик»). Автор сознательно отправляет результат в папку черновиков, а не шлет клиенту напрямую, чтобы оставить последнее слово за человеком. В параметрах модуля указывается папка «Drafts», в качестве темы подтягивается исходная тема входящего письма, а в тело сообщения вставляется текст, сгенерированный нейросетью. В поле получателя временно вписывается заглушка john@example.com.

Для демонстрации работы Анна имитирует реальный кейс: отправляет на свой рабочий ящик тестовое письмо от вымышленного пользователя Дэнни Дойла (Danny Doyle) с темой «My password is not working» («Мой пароль не работает»). В теле письма Дэнни жалуется, что многократно вводил пароль, но система его не принимает.

Спикер запускает сценарий вручную. Цепочка модулей отрабатывает без сбоев, и в интерфейсе почты мгновенно появляется готовый черновик. Нейросеть блестяще справилась со своей задачей: она автоматически распознала имя отправителя, обратилась к нему «Dear Mr. Doyle» и выдала четыре четкие рекомендации по устранению проблемы (проверка Caps Lock, верификация логина, очистка кэша браузера и форма сброса пароля). Письмо было подписано профессионально: «Best regards, Complaint Specialist». Завершая главу, Анна отмечает, что для идеала стоит убрать лишнее приветствие «Hi» в настройках контента, однако сама система уже демонстрирует колоссальную экономию времени при рутинной обработке клиентских обращений.

🏁 Завершение и тестирование: доводим автоматизацию до идеала 2:55:54

Заключительный этап настройки любого сценария в Make.com — это «полевые испытания». Ранее в курсе был настроен умный автоответчик для Gmail, использующий ChatGPT для категоризации входящих писем и подготовки черновиков ответов. Теперь необходимо убедиться, что логика ветвления работает корректно, а искусственный интеллект понимает нюансы пользовательского недовольства так же хорошо, как и конструктивные предложения.

Тестирование сценария на «сложных» кейсах 2:56:08

Для проверки гибкости системы автор использует метод стресс-теста, создавая специфический сценарий жалобы. Если вы столкнулись с трудностями в настройке, Make.com предоставляет мощный инструмент отладки: после первого запуска модулей вы можете увидеть «возвращаемые значения» (returns) — конкретные данные, которые приходят от каждого сервиса . Это позволяет буквально «заглянуть под капот» и понять, с какими объектами данных вам предстоит работать.

Чтобы проверить ветку «Жалобы», в систему отправляется тестовое письмо от вымышленного персонажа по имени Becky Boo . Суть претензии намеренно выбрана специфическая: пользователю не нравится цветовая гамма платформы.

«Я не фанат вашей платформы. Я считаю, что цвета слишком яркие. Можете передать это команде UI, а также отделу брендинга?»

После отправки письма запускается выполнение сценария в Make.com. В интерфейсе это выглядит как последовательная активация модулей с визуальным таймером, который показывает прогресс обработки на каждом этапе . В данном случае система должна успешно распознать письмо как жалобу, прогнать его через ChatGPT и поместить готовый шаблон ответа в нужную папку Google Таблиц или черновиков.

Анализ AI-ответов и концепция Human-in-the-Loop 2:58:14

Результат работы ChatGPT впечатляет своей детализацией: алгоритм не просто выдал общую отписку, а подготовил структурированное письмо с темой «Отзыв о дизайне платформы» . Текст ответа демонстрирует высокую степень эмпатии и профессионализма:

Благодарность за честность и серьезное отношение к мнению клиента .
Объяснение того, что команда UI стремится к балансу эстетики и юзабилити .
Обещание передать фидбек конкретно в отделы дизайна и брендинга .

Однако именно на этом этапе проявляется критическая важность концепции «Человек в цикле» (Human-in-the-Loop). В сгенерированном ИИ тексте проскочила досадная и комичная ошибка: вместо фразы «без таких пользователей (users), как вы» нейросеть написала «без таких неудачников (losers), как вы» . Это идеальный пример того, почему не стоит настраивать автоматическую отправку писем напрямую клиенту без предварительной модерации человеком.

«Как много времени это экономит? Это просто потрясающе», — отмечает автор, подчеркивая, что роль сотрудника теперь сводится к простой проверке текста и нажатию кнопки «Отправить» . Даже с учетом необходимости исправить опечатку, написание такого письма с нуля заняло бы в десятки раз больше времени.

Финальные штрихи и безопасность автоматизации 2:59:44

Для тех, кто чувствует себя более уверенно, существует возможность динамически подставлять адрес отправителя прямо в модуль ответа. Чтобы сделать это, нужно проскроллить список доступных переменных в Make.com и выбрать поле «Sender Email» из исходного модуля Gmail . Тем не менее, эксперты рекомендуют воздержаться от полной автоматизации отправки (когда письмо уходит без ведома оператора), пока вы не будете на 100% уверены в стабильности промптов и отсутствии галлюцинаций у ИИ .

Завершая этот масштабный курс по автоматизации без кода, важно помнить, что представленные инструменты — Make.com, ChatGPT, интеграции с HubSpot и Google-сервисами — это конструктор, который можно адаптировать под любые бизнес-задачи. Вы изучили полный цикл: от сбора лидов через формы и рекламу до создания сложных систем тикетов с QR-кодами и интеллектуальных ассистентов.

Правильно выстроенная автоматизация не заменяет человека, но освобождает его от рутины, позволяя сосредоточиться на стратегических задачах и реальном общении с клиентами. «Я надеюсь, вы нашли этот курс полезным и сможете применить эти знания для масштабирования вашего бизнеса», — резюмирует автор, приглашая зрителей продолжать обучение на канале freeCodeCamp .