Как создавать и продавать ИИ-автоматизации: полный гайд для новичков

Коротко

Лиам Отли упаковал 1,5-часовой курс по AI-автоматизации в стратегию выживания на ближайшие 5–10 лет: McKinsey прогнозирует замещение до 50% рабочих активностей к 2030-му, при этом 66% работодателей ищут людей с AI-навыками. Автор делит AI-автоматизацию на три категории (разговорный AI, AI-инструменты, AI-workflow) и разбирает шесть компонентов любой автоматизации: trigger, filter, intelligence layer, actions, formatter, output. Практическая часть, сборка трёх связанных систем для квалификации лидов в Tally + Airtable + Make.com + Vapi (голосовой агент) + OpenAI search + PandaDoc, заменяющих ручную работу sales-команды. Финал, монетизация: продавать образование, консалтинг или имплементацию малому бизнесу, где соотношение исполнителей к нуждающимся компаниям в США 1:1100. Главный аргумент, «knowledge gap» между тобой и клиентом и есть твой капитал.

Главный тезис

AI не заменит тебя, тебя заменит человек, который умеет пользоваться AI, поэтому минимальная AI-грамотность плюс умение строить workflow-автоматизации в no-code платформах, самый недооценённый карьерный навык следующего десятилетия, причём порог входа намного ниже, чем кажется.

Ключевые идеи

• 0:34, базовый месседж курса: угроза не от AI, а от людей, освоивших AI; одна обучающая сессия даёт сдвиг.
• 2:37, 50% рабочих активностей можно автоматизировать к 2030 (McKinsey), 41% компаний планируют сокращения (WEF).
• 3:09, параллельно 66% работодателей ищут людей с AI-навыками, в частности с workflow automation.
• 3:35, AI-грамотный сотрудник даёт 5–10× output того, кто не умеет автоматизировать.
• 5:19, старая автоматизация (Zapier), это «if this then that»; ChatGPT превратил её в V12 на велосипеде, дав «человеческий интеллект on demand».
• 7:47, определений AI-автоматизации официально нет; авторское: система, которая использует AI для сложных задач, ранее требовавших человека.
• 9:59, три типа: conversational AI (чат-боты, voice-агенты), AI tools (одноразовые задачи по запросу), AI workflow automation (полные цепочки с триггером).
• 12:37, анатомия любой автоматизации: trigger → filter → intelligence layer → actions → formatter → output.
• 29:09, стек для построения: Tally (форма) → Airtable (база+AI-поля) → Make.com (workflow) → Vapi (голос) → OpenAI (research) → PandaDoc (документы).
• 32:15, Airtable теперь содержит встроенный AI и сам квалифицирует строки по промпту, это убирает целый ChatGPT-шаг из workflow.
• 38:44, в Make.com router разветвляет workflow, чтобы падение одной ветки (email) не блокировало другую (Slack).
• 52:04, мгновенный отклик на лида повышает конверсию в 7–9 раз, поэтому voice-агенту дают звонить сразу после квалификации.
• 56:57, Vapi умеет сам summarize звонок и судить про success по кастомному промпту (pass/fail), это превращает разговор в структурированные данные.
• 1:38:25, 1,7 млн компаний в США с выручкой $500K–10M нуждаются в AI; на одного провайдера, 1100 потенциальных клиентов.
• 1:42:05, клиенты платят пропорционально разрыву знаний между тобой и ними; нужно не «знать всё», а «знать на шаг больше».
• 1:45:58, два пути к первым клиентам: warm outreach по личным связям + community-content flywheel (контент в нише + комьюнити как стартовая аудитория).

Почему это важно

AI-автоматизация, первая после интернета техноволна, где малый и средний бизнес массово знает, что надо меняться, но не знает как. Большие консультанты игнорируют этот сегмент: их интересует enterprise. В этом зазоре выигрывает не тот, кто построит «следующий ChatGPT», а тот, кто умеет связать Make + Vapi + OpenAI + Airtable и продать готовую систему за 4–6 тысяч долларов локальному агентству. Платформы и YouTube-инфлюенсеры вроде Отли получают комиссии и аудиторию; SMB получает выживание; «AI automation agency» как формат, новая «веб-студия 2008-го».

Идеи

• Старая автоматизация умела двигать данные, новая, думать, читать намерения и принимать решения, что меняет класс задач, доступных no-code-разработчику.
• ChatGPT-эра сделала автоматизацию массовой: «niche trick» превратился в «biggest thing since the internet».
• Voice-агенты делятся на inbound (звонят им) и outbound (агент звонит сам), для лидогенерации работает второй, для саппорта первый.
• Airtable превращается из «Google Sheets на стероидах» в базу с интегрированным LLM, который заполняет поля по промпту автоматически, это вынимает кусок логики из workflow-builder'а.
• Промптом-инструкцией для voice-агента можно навязать tone of voice, скрипт звонка, маркеры типа «uh» и «mm-hmm», чтобы он звучал человечно.
• Background-noise в звонке маскирует latency между ответами LLM, техническое решение, упакованное как UX-фича.
• Whisper-нюанс в SRT: «Cloud 4.7» вместо «Claude 4.7», типичная ошибка распознавания, не правка спикера.
• Voicemail detection в Vapi, критичная мелочь: без неё workflow путает «не взял трубку» и «успешный звонок».
• Регулярные выражения и парсеры текста обязательны при стыковке LLM-вывода с API: переводы строк ломают JSON, и без cleaning'а HTTP-запрос валится с 400 Bad Request.
• API-вызов через HTTP-модуль в Make даёт больше гибкости, чем готовая интеграция: можно передавать кастомные переменные в assistant override, что в стандартном модуле невозможно.
• LLM-search-модели (GPT-4o-mini search preview) встроены в OpenAI API, research лида делается одним вызовом без отдельного перплексити.
• PandaDoc-токены, это плейсхолдеры в шаблоне, заполняемые из workflow; webhook-уведомления о просмотре/подписании идут автоматически, без отдельной автоматизации.
• Make-сценарии без router склонны к waterfall failure, это аргумент против sequential chains в проде.
• В реальном workflow время от звонка до анализа, около 5 минут (Vapi нужно время), и sleep 300, это компромисс, который ломается на 5+-минутных звонках; правильное решение, webhook от Vapi.
• Calendly + Google Meet + автоматическая ссылка в письме, это классический «бесплатный sales-stack» для агентов и фрилансеров.
• Slack для уведомления sales-команды работает лучше email: внутренняя команда уже сидит в Slack каждый день.
• Personal Gmail → API → Google Cloud OAuth, самый болезненный setup в курсе: автор отдельно предупреждает зрителей терпеть, потому что Make не упростил процесс.
• В Vapi prompt'е нужно отдельно описывать call summary и success evaluation prompts, это два независимых LLM-вызова после звонка.
• Создание контента про то, что только что выучил, в нишевом community даёт быстрый трекшен: сообщество, первая аудитория, она же, первая база лидов.
• Google AI Studio с share-screen может смотреть твой экран и дебажить ошибки голосом, упомянуто как реальный инструмент troubleshooting'а.
• Демонстрационный случай Rory Ridges, публичное обучение (build in public) как маркетинговый канал для AAA.
• Mark Cuban и Naval цитируются как social proof: «помогать SMB внедрять AI», самая большая возможность для 25-летнего сегодня.
• Цена услуг автора: $5M revenue за 2 года в Morningside AI, на пути к $10M в этом году, продаёт принципиальную достижимость такого результата.
• Внутри школы автора 180K участников, что превращает его комьюнити в starting-distribution engine для всех его студентов.
• Tools-секция в Vapi (calling external systems во время звонка), это уровень advanced, в курсе пропущена, но критична для серьёзных юзкейсов.
• Edge case quality-control: если фильтр customer ended call не сработает, workflow ошибочно зачислит звонок как unanswered, что искажает метрики.

Инсайты

• Knowledge gap, а не absolute knowledge, монетизируется, клиент платит за разрыв между тобой и ним, и «выучить всё перед продажей», главная форма прокрастинации.
• Самая большая ниша в AI-сервисах сейчас, прослойка между LLM-провайдерами и SMB: enterprise обслужен Accenture, малый бизнес, никем.
• No-code workflow builders, это новый язык бизнес-логики, и понимание шести компонентов (trigger/filter/intelligence/actions/formatter/output) переносится с Make на n8n, Zapier и любую будущую платформу.
• Скорость отклика, главное конкурентное преимущество в продажах, потому что AI-агенты делают мгновенный ответ техническим дефолтом, а не недостижимой целью.
• Архитектура HTTP-запросов и API-thinking, навык, не зависящий от платформы, и инвестиция в понимание headers/body/auth даёт компаунд через все будущие интеграции.
• Качественный prompt-engineering, это не «писать промпт», а проектировать систему ролей, тонов, шагов и success-criteria для агента; разница между шаблоном и продакшеном именно здесь.
• LLM-вывод в production-pipeline почти всегда требует детерминистического pre-/post-processing (regex, JSON parsing, формат), модель не может быть единственным защитным слоем.
• Build in public + nichey community работает быстрее classical content marketing: комьюнити закрывает cold-start аудитории и даёт мгновенный feedback loop.
• Выбор «builder vs educator vs consultant» нужно делать по личной склонности, потому что технический рост даёт expertise, а expertise сам по себе ничего не продаёт, нужен один из трёх дистрибуционных профилей.
• Большие техноволны вознаграждают не изобретателей фундамента, а операторов прослойки: те, кто помогал бизнесу делать сайты в 2000-х, заработали больше, чем большинство веб-фреймворк-разработчиков.

Фреймворки

Три категории AI-автоматизации (Otley):

1. Conversational AI, чат-боты и voice-агенты, ведущие диалог
2. AI Tools, system-on-demand, отвечающий на конкретный запрос человека
3. AI Workflow Automation, полные триггерные/scheduled цепочки, включающие первые две

Шесть компонентов автоматизации:

1. Trigger, что запускает workflow
2. Filter, qualifying gate
3. Actions, конкретные шаги
4. Intelligence Layer, LLM-decisioning
5. Formatter, cleanup данных между шагами
6. Output, финальная доставка

Три способа монетизации AI-навыков:

1. Education, обучение бизнеса через воркшопы/курсы
2. Consulting, аудит и стратегия, где применять AI
3. Implementation, реальная сборка систем под клиента

Два канала получения первых клиентов:

1. Warm outreach, систематические разговоры с уже знакомыми
2. Community-content flywheel, контент в нишевой комьюнити-аудитории

Цитаты

«AI will not replace you, but the person using AI will», 0:34 AI не заменит тебя, тебя заменит человек, который использует AI

«It's pretty safe to say that learning how to build AI automations has completely changed my life», 0:26 Можно смело сказать, что обучение построению AI-автоматизаций полностью изменило мою жизнь

«McKinsey predicts that AI and automation can replace up to 50% of current work activities by 2030», 2:37 McKinsey прогнозирует, что AI и автоматизация могут заменить до 50% текущей рабочей активности к 2030 году

«The easiest way to see that AI is not taking jobs or creating opportunities is go brush up on your AI, learn a little bit, watch a few videos, use the AI, tinker with it», 4:05 Самый простой способ увидеть, что AI не отбирает работу,, освежить свои знания об AI, немного поучиться, посмотреть пару видео, использовать AI, поковыряться с ним

«Generative AI models like ChatGPT added to automation was like putting a V12 onto a bicycle», 6:22 Добавить генеративные AI-модели вроде ChatGPT к автоматизации, всё равно что поставить V12 на велосипед

«What ChatGPT and the explosion of other amazing generative AI tools gave us was basically human intelligence on demand», 7:11 ChatGPT и взрыв других генеративных AI-инструментов дали нам, по сути, человеческий интеллект по запросу

«An AI automation is a system that uses AI to automatically do complex tasks that would normally require a human», 7:52 AI-автоматизация, это система, которая использует AI для автоматического выполнения сложных задач, обычно требующих человека

«When you learn AI automation, you are basically learning how to build digital workers», 8:21 Учась AI-автоматизации, ты по сути учишься строить цифровых работников

«Research shows that responding to leads immediately increases success rates by 7 to 9x», 52:04 Исследования показывают, что мгновенный ответ лидам повышает конверсию в 7–9 раз

«If I was 25 years old today in 2024, what would I do? I think everything is looking at AI», 1:37:34 Если бы мне сегодня было 25, что бы я делал? Думаю, всё сейчас смотрит в сторону AI

«In the simplest form is helping people use the technology. There's going to be a massive amount of people wanting to use it that don't know how to», 1:37:50 В простейшей форме, помогать людям использовать эту технологию. Будет огромное количество тех, кто хочет ей пользоваться, но не знает как

«So they're small businesses. They create 62% of the jobs. They want to use AI. You should help them solve for that and they'll pay you», 1:38:19 Это малый бизнес. Они создают 62% рабочих мест. Они хотят использовать AI. Помоги им, и они тебе заплатят

«For every person offering AI automation services there are over 1,100 businesses in the USA alone that need help», 1:39:23 На каждого, кто предлагает услуги AI-автоматизации, приходится более 1100 компаний только в США, которым нужна помощь

«Your knowledge gap is your moneymaker. Businesses will pay you in proportion to how much more you know about AI automation», 1:42:05 Твой разрыв в знаниях, твой источник денег. Бизнес платит пропорционально тому, насколько больше ты знаешь об AI-автоматизации

«You don't need to be a technical genius to understand AI and even to build your own AI automations. You just need to be one step ahead», 1:40:16 Не нужно быть техническим гением, чтобы понимать AI и строить свои автоматизации. Достаточно быть на шаг впереди

«I see it all the time where people just keep, oh, I don't know enough. I need to keep learning», 1:44:57 Я постоянно вижу: «Ой, я знаю недостаточно, мне надо ещё учиться», а они тем временем могли бы зарабатывать

«You have to start giving before you get», 1:48:30 Сначала ты даёшь, потом получаешь

«Each problem you solve, you're not just fixing that specific issue. You're becoming better at solving all future problems», 1:36:33 Каждая решённая проблема, это не просто фикс одного бага, ты становишься лучше в решении всех будущих

Факты

• McKinsey прогнозирует замещение до 50% рабочих активностей AI и автоматизацией к 2030 году.
• World Economic Forum: 41% компаний планируют сокращение штата из-за AI.
• WEF: 50% сотрудников планируют переориентировать карьеру в ответ на AI, 66% работодателей планируют нанимать людей с AI-навыками.
• В США 1,7 млн компаний с выручкой $500K–$10M; малый бизнес создаёт 62% рабочих мест (по словам Mark Cuban).
• По данным комьюнити автора: на одного провайдера AI-automation услуг приходится более 1100 нуждающихся бизнесов в США (сам автор оговаривается, что это его внутренняя оценка).
• Liam Otley утверждает, что Morningside AI сгенерировал более $5M выручки и на пути к $10M в этом году.
• Канал автора, более 500 000 подписчиков, рост за два года с нуля.
• Free school-комьюнити автора, 180 000+ участников (в одном месте говорит «160 000», в другом «180 000», оба числа в транскрипте).
• В курсе используются: Tally, Airtable, Make.com, OpenAI (GPT-4.1 mini, GPT-4o-mini search preview), Vapi (модель GPT-4.1 mini), PandaDoc, Calendly, Slack, Gmail.
• Vapi на момент записи поддерживает только US area codes для бесплатных номеров; для других стран, импорт через Twilio/Vonage.
• Voice-агента в курсе зовут Ben, представляет вымышленное агентство Edge AI.
• Кейс-стади: Rory Ridges (UK), построил AAA через free-course Otley + контент в комьюнити; источник лидов, собственный YouTube.
• ChatGPT вышел в конце 2022 года и, по словам автора, «blew the entire field wide open».
• Sleep-модуль после Vapi-звонка установлен на 300 секунд (5 минут), компромиссное решение; правильное, webhook от Vapi.
• Naval Ravikant цитируется по эпизоду All In podcast.

Источники

• All In podcast, эпизод с Naval Ravikant
• Mark Cuban, цитата о возможностях для 25-летнего в 2024
• Morningside AI, AI-агентство автора
• Agentive, собственный SaaS автора (70K+ пользователей)
• Skool community автора, 180K участников
• Платформы: Make.com, Zapier, n8n, Airtable, Tally, Vapi, ElevenLabs, PandaDoc, OpenAI, Calendly, Slack, Gmail, Google Cloud Platform, Twilio, Vonage, Google AI Studio
• McKinsey report (без указания конкретного отчёта)
• World Economic Forum Future of Jobs Report

Рекомендации

• Вступить в бесплатное Skool-комьюнити автора и пройти free-course из 5–10 дополнительных автоматизаций.
• После курса честно выбрать один из трёх профилей, education, consulting или implementation, и не «учиться вечно».
• Начинать монетизацию с warm outreach по личным связям, а не с холодных продаж.
• Параллельно запустить content flywheel: пересказывать выученное в видео/постах и публиковать обратно в комьюнити.
• При застревании пользоваться ChatGPT, Google AI Studio (с share-screen), документацией платформ и community-форумами в указанном порядке.
• Не заменять реальное решение проблем шорткатами и --no-verify-аналогами; разбираться в root cause.
• Подписаться на канал и посмотреть четырёхчасовой гайд по AI-агентам того же автора (для тех, кому зашёл этот курс).

Итог

AI-автоматизация, no-code прослойка между LLM и SMB, где побеждает не самый технический, а тот, кто на шаг впереди клиента и не боится монетизировать этот разрыв сейчас, пока рынок 1:1100 в твою пользу.