【ITニュース解説】Build an AI Lead Qualifier in n8n in 15 Minutes (Free Workflow)

ITの世界では、日々新しい技術が生まれ、私たちの仕事のやり方を大きく変えている。特に、企業の営業活動において、見込み客の管理と対応は非常に重要な課題である。しかし、多くの企業では、日々大量に届く問い合わせやフォーム送信に対応しきれず、せっかくの見込み客を逃してしまうケースも少なくない。このような課題を解決するため、AIを活用した新しいアプローチが注目されている。今回は、AIを使って見込み客の優先順位付けを自動で行う「AIリードクオリファイア」というシステムを、ノーコードツール「n8n」で簡単に構築する方法について解説する。

「AIリードクオリファイア」とは、営業活動における「リード」、つまり見込み客の情報をAIが自動的に評価し、その見込み客がどれだけ「有望」であるかを判断（クオリファイ）するシステムのことである。これにより、営業担当者は時間と労力を、最も有望な見込み客に集中できるようになる。システムエンジニアを目指す上で、このような自動化とAI活用の具体的な例を理解することは、これからの時代に求められるスキルを身につける第一歩となる。

今回紹介するシステムは、「n8n」というツールを使って構築されている。「n8n」は、プログラミングの知識が少なくても、様々なアプリケーションやサービスを連携させ、自動化されたワークフローを簡単に作成できる、いわゆる「ノーコード/ローコード」と呼ばれる種類のツールである。視覚的なインターフェースでブロックを繋ぎ合わせるようにして、複雑な処理の流れを定義できるため、初心者でも直感的に理解しやすい。

このAIリードクオリファイアのワークフローは、以下のような流れで構成されている。

まず、見込み客が企業のウェブサイトにある問い合わせフォームなどを通じて情報を送信すると、そのデータは「Webhook」という最初の入り口ノードで受け取られる。Webhookは、外部からHTTPリクエストを受け取るための特定のURLを提供する機能であり、これによりフォームからのデータがn8nのワークフローに流れ込む。

次に、「Config」ノードに進む。このノードでは、ワークフロー全体で使用する共通の設定や変数を定義することが考えられる。例えば、AIに接続するためのAPIキーやURLなど、頻繁に変更される可能性のある情報を一元的に管理することで、ワークフローの保守性を高める役割を果たす。

続いて、「Build Prompt」ノードが登場する。ここがAIを活用する上で非常に重要な部分である。大規模言語モデル（LLM）のようなAIは、人間からの指示（プロンプト）に基づいて動作する。このノードでは、受信した見込み客の情報（名前、会社名、メッセージなど）を元に、「あなたはB2Bセールスアナリストです。BANTの基準を用いて見込み客の適合度と購入意欲を0から100の範囲で評価し、JSON形式で結果を返してください」といった具体的な指示文を動的に作成する。AIにどのような役割を演じさせ、どのような形式で結果を返してほしいかを明確に指示することが、期待通りの出力を得る鍵となる。

作成されたプロンプトは、「LLM (HTTP)」ノードに渡される。このノードは、まさにワークフローの「頭脳」にあたる部分である。ここでは、ChatGPTでお馴染みの大規模言語モデル（LLM）にHTTPリクエストを送ることで、AIによる分析処理を実行する。記事では、特定のAIベンダーに依存せず、汎用的なHTTPリクエスト（/chat/completionsエンドポイント）を使用している点が注目される。これにより、OpenAI、Groq、OpenRouter、あるいはローカルで動作するOllamaなど、様々なLLMサービスに柔軟に対応できる。AIの接続先となるベースURLを変更するだけで、異なるAIエンジンを試したり、コストや性能に応じて切り替えたりすることが可能になる。これは、特定の技術に縛られずにシステムを構築する上で非常に有効な手法である。

LLMからの応答は、「Parse」ノードで処理される。AIは通常、複雑な情報をテキスト形式で返すことが多いが、このワークフローでは、事前にプロンプトで「JSON形式で結果を返してほしい」と指示している。Parseノードは、AIから返されたJSON形式のテキストデータを、n8nが内部で扱いやすいデータ構造に変換する役割を担う。これにより、後続のノードで特定の情報（例えばスコアなど）を簡単に参照できるようになる。

パースされたデータは、「IF score ≥ 70」という条件分岐ノードへ進む。ここでは、AIが算出した見込み客のスコアが70以上であるかどうかが判断される。このノードは、ワークフローにおける意思決定ポイントであり、営業担当者が対応すべき優先度の高い見込み客だけを選別するために不可欠である。スコアが70以上の場合、その見込み客は「有望」であると判断され、次の処理へと進む。

スコアが70以上と判断された見込み客の情報は、「Slack」ノードを通じて、営業チームのSlackチャンネルに自動的に通知される。これにより、担当者はリアルタイムで有望な見込み客の出現を知り、迅速な対応が可能になる。通知には、AIが算出したスコアだけでなく、見込み客の概要や次にとるべきステップなどの詳細情報も含まれるため、担当者はすぐに適切なアクションを起こせる。

最後に、「Respond」ノードが処理される。このノードは、最初のWebhookノードで受け取ったリクエストに対して、最終的な応答を返す役割を果たす。例えば、見込み客の問い合わせが正常に受け付けられ、AIによる評価が行われたことを示すメッセージや、AIが算出したスコアの一部をウェブサイトのユーザーに返すといった使い方が考えられる。

このワークフローの信頼性を高める上で、「プロンプト」の設計は極めて重要である。プロンプトは、AIに対する命令文であり、AIがどのような視点で、どのような情報に注目し、どのような形式で回答すべきかを具体的に指示する。この記事の例では、「あなたはB2Bセールスアナリストです。BANT（Budget: 予算、Authority: 決裁権、Need: 必要性、Timeline: 導入時期）というフレームワークを使って、適合度と購入意欲を0〜100でスコアリングしてください」と明確に指示している。BANTは、B2B営業で広く使われる見込み客評価のフレームワークであり、これをAIに適用することで、よりビジネスに即した精度の高い評価が可能となる。さらに、AIに「JSON形式で返答すること」と具体的に指示し、response_format: {type: "json_object}という設定を追加することで、AIからの応答が必ず構造化されたデータ（JSON）として返されるようにしている。これにより、後続のParseノードやIFノードで、スコアなどの特定の値を間違いなく取り出して処理できるようになる。

実際に、curlコマンドを使ってこのシステムを試す例も示されている。curlは、ウェブサイトとの通信をコマンドラインで行うためのツールであり、ここでは特定のURLにJSON形式のデータ（見込み客情報）をPOSTリクエストとして送信している。その結果、システムはAIが評価したスコアや「hot」という見込み客の段階、そして「今週中に電話予約する」といった次のステップを含むJSONデータを返している。同時に、Slackへの通知も行われる。これにより、AIがどのように見込み客を評価し、具体的なアクションを促すかを確認できる。

このワークフローのJSONデータはGitHubで無料で公開されており、誰もが自由にダウンロードして自分のn8n環境で試すことができる。これは、実際のシステム構築の学習において非常に貴重なリソースとなる。また、同じ開発者からは、見込み客評価だけでなく、サポートエージェント、請求書情報の抽出、競合分析、履歴書スクリーニングなど、さらに多岐にわたるAIエージェントワークフローが提供されている。これらの例は、AIと自動化ツールを組み合わせることで、いかに多様な業務を効率化できるかを示している。システムエンジニアを目指す上では、このような既存のワークフローを理解し、自分のアイデアと組み合わせて新しい価値を生み出す力が求められる。AIとノーコード/ローコードツールは、その可能性を大きく広げる強力な武器となるだろう。