AI nápad: automatický týdenní přehled leadů z CRM do e-mailu

Obchodní týmy často pracují s CRM poctivě, ale pravidelný týdenní přehled leadů bývá paradoxně slabé místo. Data v systému sice jsou, jenže někdo je musí ručně projít, vybrat důležité změny, sepsat shrnutí a rozeslat ho správným lidem. Právě tady dává smysl malý, dobře ohraničený AI projekt: automaticky každý týden vyzvednout relevantní leady z CRM, převést je do čitelného souhrnu a odeslat e-mailem.

OpenAI

Nejde o futuristickou platformu ani rozsáhlou transformaci obchodního oddělení. Naopak: cílem je realizovatelné MVP, které zvládnete postavit během několika hodin až dnů, pokud už používáte CRM s API a běžný automatizační nástroj. Prakticky si ukážeme řešení postavené na HubSpot CRM, Make, OpenAI API a Gmailu nebo Microsoft 365. Stejný princip ale lze s menšími úpravami přenést i na Pipedrive, Salesforce či další CRM.

Výhoda tohoto typu projektu je trojí. Za prvé zkrátíte čas, který obchod nebo management tráví ruční přípravou reportu. Za druhé sjednotíte strukturu informací: každý týden dorazí e-mail se stejnými sekcemi a stejnou logikou. A za třetí přidáte vrstvu AI tam, kde je opravdu užitečná: ne pro vymýšlení dat, ale pro shrnutí, priorizaci a převod strukturovaných polí do přirozeného jazyka.

Pokud řešíte podobné automatizace častěji, může se hodit i rozcestník k tématu AI workflow na aivyber.cz. Pro širší kontext práce s nástroji doporučuji také tematicky příbuzné články a přehledy v rámci obsahu o AI automatizaci na aivyber.cz. V tomto textu ale zůstaneme výhradně u jednoho konkrétního projektu, který má po dokončení fungovat jako použitelné MVP.

Úvod

Typická situace vypadá takto: v CRM přibývají nové leady, některé se posouvají do další fáze, jiné stagnují a část z nich má neúplné údaje. Vedoucí obchodu chce každý týden rychle vědět, co se stalo, co je priorita a kde jsou rizika. Místo exportu do CSV, ručního filtrování a sepisování komentáře lze tento tok zautomatizovat.

OpenAI

AI v tomto projektu nenahrazuje CRM ani obchodníka. Její role je přesně vymezená: dostane připravený seznam leadů a z něj vytvoří stručný, konzistentní a čitelný přehled. Rozhodující logika, co do přehledu patří, zůstane v pravidlech workflow. Tím omezíte halucinace i nežádoucí kreativitu modelu.

Praktický přístup je jednoduchý: nejprve si ujasníte rozsah, potom připravíte filtry v CRM, následně vytvoříte scénář v Make, vygenerujete text přes OpenAI a nakonec odešlete e-mail. Každý krok níže obsahuje konkrétní vstup, očekávaný výstup i metriku úspěšnosti, aby bylo možné průběžně ověřit, že projekt skutečně funguje.

Cíl projektu

Cílem je vybudovat automatizaci, která jednou týdně bez ručního zásahu provede čtyři činnosti: načte nové nebo změněné leady z CRM za posledních sedm dní, připraví jejich strukturovaný seznam, vytvoří z něj srozumitelný textový souhrn pomocí AI a odešle výsledek e-mailem vybraným příjemcům.

NordVPN

Funkční MVP má splnit tyto podmínky: e-mail dorazí každý týden ve stejný čas, obsahuje počet leadů, rozdělení podle stavu, seznam nejdůležitějších položek a krátké doporučení, na co se zaměřit. Současně nesmí přidávat informace, které v CRM nejsou. Pokud některá data chybí, musí to být v souhrnu explicitně uvedeno jako omezení.

Jako praktický cíl si nastavte například tento výsledek: „Každé pondělí v 8:00 odejde vedoucímu obchodu e-mail s předmětem Týdenní přehled leadů, který shrne všechny leady vytvořené nebo aktualizované od minulého pondělí, zvýrazní pět nejdůležitějších a vypíše leady bez telefonního čísla nebo bez přiřazeného vlastníka.“ To už je dost konkrétní zadání pro realizaci.

Předpoklady

Než začnete stavět samotné workflow, ověřte si, že máte k dispozici technické minimum. V tomto návodu budeme počítat s CRM HubSpot, protože nabízí přehledné vlastnosti kontaktů, seznamy i oficiální moduly v Make. Pokud používáte jiné CRM, postup zůstává podobný, ale názvy polí, endpointy a menu se mohou lišit.

OpenAI

Budete potřebovat účet v Make, přístup k OpenAI API a schránku v Gmailu nebo Microsoft 365 Outlooku. V HubSpotu si připravte alespoň tato pole: createdate, hs_lastmodifieddate, lifecyclestage, firstname, lastname, email, phone, hubspot_owner_id, případně vlastní pole jako lead_source nebo budget_range.

Důležitý je i procesní předpoklad: musíte vědět, komu se e-mail posílá a jaká má mít strukturu. Bez toho vznikne sice technicky funkční automatizace, ale prakticky nepoužitelný výstup. Vyhraďte si proto na začátku deset až patnáct minut a napište si přesně, co má příjemce po otevření e-mailu zjistit během první minuty čtení.

Kroky realizace

Krok 1: Vymezte přesný obsah týdenního přehledu

Co a proč: Než zapojíte API a AI, potřebujete jednoznačně definovat, co má report obsahovat. Bez této fáze budete později složitě opravovat prompt, filtry i logiku výběru leadů. Cílem je převést vágní požadavek „pošlete týdenní přehled“ na měřitelnou strukturu dat a textu.

OpenAI

Jak přesně: Otevřete si jednoduchý dokument nebo tabulku a vytvořte čtyři sekce e-mailu: Souhrn, Top leady, Rizika v datech a Akce na další týden. K nim dopište, z jakých polí se budou plnit. Například Souhrn bude vycházet z createdate a lifecyclestage, Top leady z budget_range a lead_score, Rizika z chybějících hodnot v phone a hubspot_owner_id.

Konkrétní vstup: seznam polí v CRM, například firstname, lastname, email, phone, lifecyclestage, lead_source, hubspot_owner_id, createdate, hs_lastmodifieddate.

Konkrétní výstup: specifikace reportu, například: „Zahrnout všechny leady vytvořené nebo změněné za posledních 7 dní; vypsat top 5 podle lead score; vypsat leady bez telefonu; závěr max. 120 slov.“

Metrika úspěšnosti: po dokončení dokážete jednou větou vysvětlit, jaká data report obsahuje a jaké otázky příjemci zodpoví. Prakticky: maximálně 6 sekcí a maximálně 10 použitých polí v MVP.

Jakmile máte zadání pevné, je přirozené navázat přípravou dat v CRM. Tím snížíte riziko, že AI bude shrnovat neúplné nebo nesprávně vybrané záznamy.

Krok 2: Připravte v CRM filtrovatelný pohled nebo seznam leadů

Co a proč: AI má pracovat jen s relevantními leady. Proto je lepší nejprve omezit vstup už v CRM a neposílat modelu vše. Získáte menší náklady, stabilnější výstup a přehlednější kontrolu. V HubSpotu toho dosáhnete pomocí seznamu nebo přímo přes filtry v API dotazu.

Jak přesně: V HubSpotu přejděte do CRM > Lists a vytvořte aktivní seznam. Nastavte podmínky například takto: Create date is less than 7 days ago OR Last modified date is less than 7 days ago. Přidejte další podmínku, pokud chcete jen obchodní leady, například Lifecycle stage is any of Lead, Marketing Qualified Lead, Sales Qualified Lead.

Pokud nechcete používat seznam, můžete stejnou logiku zadat v Make přes modul HubSpot Search for CRM Objects. Tam zadáte vlastnosti i filtry ručně. Pro začátečníka je ale seznam v HubSpotu přehlednější, protože se dá snadno vizuálně zkontrolovat.

Konkrétní vstup: filtr v HubSpotu: createdate >= [dnes-7 dní], lifecyclestage in [lead, marketingqualifiedlead, salesqualifiedlead].

Konkrétní výstup: seznam „Weekly Lead Summary Input“ s například 34 kontakty.

Metrika úspěšnosti: při ruční kontrole alespoň 95 % záznamů v seznamu skutečně odpovídá záměru reportu a v seznamu nejsou evidentní duplicity.

Když je výběr leadů připravený, můžete přejít k automatizaci. V dalším kroku už data z CRM skutečně dostanete do workflow.

Krok 3: V Make vytvořte scénář s týdenním plánováním a načtením dat

Co a proč: Teď postavíte základ, který celý proces pravidelně spouští. Make je pro tento typ úlohy vhodný, protože kombinuje scheduler, transformace dat i napojení na AI a e-mail v jednom scénáři. Pro MVP je to rychlejší než programovat vlastní integrační vrstvu.

Jak přesně: V Make klikněte na Create a new scenario. Přidejte modul HubSpot CRM > Search for CRM Objects. Jako objekt zvolte Contacts. Do pole Properties zadejte například: firstname,lastname,email,phone,lifecyclestage,lead_source,hubspot_owner_id,createdate,hs_lastmodifieddate. Ve filtrech nastavte datumy za posledních 7 dní. Následně v levém dolním rohu scénáře nastavte plánování přes Scheduling > Every week > Monday > 08:00.

Praktický detail: pokud používáte filtry na datum v Make, ověřte si časovou zónu scénáře. Jinak se může stát, že pondělní ranní běh vezme o den více nebo méně dat. V nastavení scénáře proto zkontrolujte Time zone, ideálně na Europe/Prague.

Konkrétní vstup: parametr modulu limit=100, vlastnosti firstname,lastname,email,phone,lifecyclestage, filtr na hs_lastmodifieddate.

Konkrétní výstup: Make bundle se sadou kontaktů, například 34 záznamů s vyplněnými poli.

Metrika úspěšnosti: po kliknutí na Run once se načtou všechny očekávané leady a počet záznamů se liší od počtu v HubSpot seznamu maximálně o 1 až 2 položky, které lze vysvětlit časem synchronizace.

Jakmile máte data v Make, je potřeba je zformátovat do podoby, kterou AI model zpracuje spolehlivě. To je další logický mezikrok, který ušetří nejvíc chyb.

Krok 4: Vyčistěte a znormalizujte data před odesláním do AI

Co a proč: Jazykový model pracuje lépe s kompaktní, konzistentní strukturou než s neupraveným exportem. Pokud mu pošlete prázdná pole, nekonzistentní názvy stavů a zbytečný balast, zhorší se kvalita shrnutí. Proto vytvořte mezikrok, který z dat udělá jednoduchý JSON nebo textový seznam.

Jak přesně: Do scénáře přidejte modul Tools > Text aggregator nebo JSON > Create JSON. Každý lead převeďte na stejnou strukturu. Například mapujte prázdný telefon na hodnotu „chybí“, nevyplněného vlastníka na „bez vlastníka“ a lifecycle stage přeložte do srozumitelných českých názvů. Tím modelu usnadníte orientaci.

Jednoduchý mini-snippet výsledné struktury může vypadat takto:

[
  {
    "jmeno": "Jana Nováková",
    "email": "jana.novakova@example.cz",
    "telefon": "chybí",
    "faze": "SQL",
    "zdroj": "LinkedIn",
    "vlastnik": "Petr Svoboda",
    "vytvoreno": "2026-03-03",
    "zmeneno": "2026-03-07"
  }
]

Příklad vstupu: kontakt s poli firstname=Jana, lastname=Nováková, phone=null, lifecyclestage=salesqualifiedlead.

Očekávaný výstup: normalizovaný záznam „Jana Nováková | telefon: chybí | fáze: SQL“ nebo JSON položka podle zvolené varianty.

Metrika úspěšnosti: 100 % leadů ve vstupu do AI má vyplněná všechna povinná pole alespoň náhradní hodnotou typu „chybí“ nebo „bez vlastníka“.

Teprve na takto upravených datech má smysl postavit prompt. Díky tomu budete přesně vědět, co model dostává, a snadněji odhalíte případné chyby ve výstupu.

Krok 5: Navrhněte prompt pro čitelné a ověřitelné shrnutí

Co a proč: Prompt určuje formu výsledného e-mailu. V tomto projektu není cílem kreativní text, ale konzistentní report. Proto má být prompt konkrétní, omezující a postavený tak, aby model neodhadoval chybějící informace. Čím přesněji zadáte strukturu, tím méně budete později opravovat.

Jak přesně: V Make přidejte modul OpenAI > Create a Chat Completion nebo odpovídající oficiální modul podle aktuální nabídky. Jako model zvolte například model dostupný ve vašem účtu, který je vhodný pro sumarizaci textu. Pokud si nejste jistí konkrétní variantou modelu, berte to jako omezení a ověřte aktuální doporučení v dokumentaci OpenAI. Do systémové nebo uživatelské instrukce vložte přesná pravidla.

Praktická šablona promptu:

Jsi analytik obchodního týmu. Vytvoř týdenní e-mailový přehled leadů v češtině.
Používej jen informace ze vstupu. Nic nedopočítávej ani nevymýšlej.
Struktura výstupu:
1. Souhrn v 3 odrážkách
2. Top 5 leadů s důvodem priority
3. Rizika v datech
4. Doporučené kroky na další týden
Pokud některé údaje chybí, explicitně napiš, že chybí.
Buď stručný, věcný a nepřekroč 250 slov.
Vstupní data:
{{agregovaný_json_nebo_text}}

Konkrétní vstup: prompt výše a agregovaný seznam 34 leadů ve formátu JSON.

Konkrétní výstup: text reportu se čtyřmi sekcemi, například „Souhrn“, „Top 5 leadů“, „Rizika v datech“, „Doporučené kroky“.

Metrika úspěšnosti: ve výstupu nejsou žádná jména, čísla ani tvrzení, která neexistují ve vstupu; délka reportu nepřekročí stanovený limit a struktura odpovídá zadání alespoň v 9 z 10 běhů.

Když model vrací použitelný text, chybí už jen doručení. Před samotným e-mailem ale doporučuji přidat drobnou kontrolu, aby se neodesílal prázdný nebo zjevně chybný report.

Krok 6: Přidejte kontrolní logiku a sestavte e-mail

Co a proč: Automatizace musí umět bezpečně reagovat na dvě běžné situace: když není co reportovat, nebo když AI vrátí neúplný text. Kontrolní logika zabrání tomu, aby vedení dostalo prázdný e-mail nebo výstup bez klíčových sekcí.

Jak přesně: V Make vložte za OpenAI modul Router a nastavte dvě větve. První větev použijte, pokud počet leadů je 0. V takovém případě odešlete krátký e-mail typu „Za posledních 7 dní nebyly nalezeny žádné nové ani změněné leady“. Druhou větev použijte, pokud text obsahuje očekávané nadpisy, například „Souhrn“ a „Top 5“. To lze ověřit pomocí filtru nad textem.

Pak přidejte modul Gmail > Send an Email nebo Microsoft 365 Email > Send an Email. Předmět nastavte například na Týdenní přehled leadů | {{formatDate(now; "D.M.YYYY")}}. Do těla vložte úvodní větu, vygenerovaný text a stručnou patičku s počtem zpracovaných leadů.

Příklad vstupu: počet leadů 34, AI výstup obsahující nadpisy „Souhrn“, „Top 5 leadů“, „Rizika v datech“.

Očekávaný výstup: odeslaný e-mail na adresy sales@firma.cz a manager@firma.cz.

Metrika úspěšnosti: 100 % běhů skončí buď doručeným reportem, nebo korektní informační zprávou o nulovém počtu leadů; žádný běh nekončí tichým selháním bez upozornění.

Tím je základní funkce hotová. Pro skutečně použitelné MVP ale ještě potřebujete audit a jednoduchou možnost ověřit, co se v kterém týdnu odeslalo.

Krok 7: Uložte log reportů pro audit a rychlé dohledání chyb

Co a proč: Bez logu se špatně zjišťuje, proč se některý týden odeslal jiný počet leadů nebo proč příjemce viděl odlišný text. Auditní záznam není luxus, ale praktická pojistka. Pro MVP stačí jednoduchý zápis do Google Sheets.

Jak přesně: Vytvořte tabulku s listem weekly_lead_reports a sloupci run_date, lead_count, recipient, subject, status, report_excerpt. Do scénáře po úspěšném odeslání přidejte modul Google Sheets > Add a Row a namapujte příslušné hodnoty. U výtahu z reportu si vystačíte s prvními 200 znaky.

Příklad vstupu: run_date=2026-03-09 08:00, lead_count=34, status=sent.

Očekávaný výstup: nový řádek v Google Sheets s údaji o běhu a odeslaném reportu.

Metrika úspěšnosti: každý úspěšný běh má přesně jeden odpovídající logovací záznam a z logu lze do 2 minut dohledat, co bylo odesláno a kolika příjemcům.

Po těchto sedmi krocích už máte celé MVP pohromadě. Nyní je důležité ověřit, že funguje stabilně i v hraničních situacích, nejen při ideálním vstupu.

Testování

Testování rozdělte na tři vrstvy: data, prompt a doručení. Nejprve ověřte data. V HubSpotu si ručně vyberte pět až deset kontaktů, které by do týdenního přehledu měly spadnout, a porovnejte je s výsledkem načteným v Make. Zaměřte se hlavně na datumová pole a lifecycle stage, protože právě tam bývají nejčastější odchylky.

Make

Potom otestujte prompt na malém vzorku. Vezměte například 5 leadů: dva kompletní, dva s chybějícím telefonem a jeden bez přiřazeného vlastníka. Zkontrolujte, zda model tato omezení pouze popisuje a nezačíná je vyplňovat domněnkami. Pokud přidává neexistující závěry, zpřísněte instrukci typu „Používej jen informace ze vstupu“ a zkraťte počet požadovaných interpretací.

Nakonec ověřte doručení. Pošlete test nejprve jen sobě, ideálně do dvou různých schránek, například Gmail a Outlook. Sledujte formátování předmětu, odstavce i diakritiku. Praktická testovací sada by měla zahrnovat čtyři scénáře: nulový počet leadů, malý počet leadů do 5, běžný týdenní objem a týden s neúplnými daty.

Za úspěšné testování považujte stav, kdy ve třech po sobě jdoucích bězích odpovídá počet leadů očekávání, e-mail dorazí korektně a AI report nepřidá žádné neexistující tvrzení. Pokud se chyby opakují, neřešte je dalším „vylepšením promptu“ naslepo; vraťte se vždy k datům a ověřte vstup.

Nasazení

Při nasazení doporučuji postup ve dvou fázích. Nejprve spusťte scénář jeden až dva týdny v tichém režimu, tedy pouze na vaši interní adresu nebo malou testovací skupinu. Během této fáze si ověříte skutečný objem dat, stabilitu filtru a to, zda zvolená struktura e-mailu příjemcům opravdu stačí.

Make

Teprve poté přepněte příjemce na finální distribuční seznam. V Make aktivujte scénář tlačítkem ON a zkontrolujte, že plánování odpovídá požadovanému času. Praktické je nastavit i notifikaci o chybě, například přes e-mail administrátorovi nebo přes Slack, pokud ho firma používá. Make tuto možnost nabízí v nastavení scénáře a chybových handlerů.

V produkci držte MVP co nejjednodušší. Nepřidávejte hned segmentaci podle regionů, více jazykových verzí ani složité skórování, pokud není ověřeno, že základní report lidé opravdu používají. Dobře nasazené jednoduché řešení přináší vyšší hodnotu než překomplikovaný scénář, který jednou týdně selže na nepodstatném detailu.

Jako provozní metriku sledujte alespoň tři čísla: úspěšnost běhů, průměrný počet zpracovaných leadů a míru otevření e-mailu. Poslední údaj závisí na použité e-mailové infrastruktuře a nemusí být vždy přesně dostupný; pokud chybí, berte to jako omezení a sledujte alespoň zpětnou vazbu příjemců a pravidelnost využití reportu.

Limity

První limit je kvalita vstupních dat. Pokud obchodníci nevyplňují vlastníka, zdroj leadu nebo stav, AI z toho lepší report nevyčaruje. Model umí text zpřehlednit, ale neumí nahradit disciplínu v CRM. Proto je rozumné do reportu zařadit i sekci „Rizika v datech“, která na neúplná pole pravidelně upozorňuje.

OpenAI

Druhý limit je interpretace. Jazykový model může formulovat závěry příliš sebejistě, i když pracuje s omezeným vstupem. Zmírníte to přesným promptem, krátkou strukturou a tím, že mu zadáte jen sumarizaci a priorizaci podle explicitních pravidel. Pokud potřebujete přísně auditovatelný výstup, bude bezpečnější generovat jen částečně stylizovaný text a zbytek držet v pevných šablonách.

Třetí limit je závislost na externích službách. Výpadek API HubSpotu, Make nebo OpenAI může způsobit, že report v daný týden neodejde. Pro MVP je to přijatelné riziko, ale je nutné mít alespoň základní alerting a logování. Pokud firma potřebuje garantovanou dostupnost, bude vhodnější robustnější architektura s frontami, retry logikou a vlastním monitoringem.

Čtvrtý limit se týká ochrany dat. Do AI neposílejte více osobních údajů, než je potřeba. U interního reportu obvykle stačí jméno, stav, zdroj leadu, vlastník a příznaky chybějících údajů. Pokud pracujete s citlivějšími daty, nejprve ověřte interní pravidla firmy a podmínky zpracování dat dané služby. Tam, kde si nejste jistí, je správné to explicitně označit jako omezení a ne jako hotovou právní jistotu.

FAQ

Musím použít právě HubSpot a Make?

Nemusíte. Stejný princip lze postavit i na Pipedrive, Salesforce nebo Zoho CRM a automatizační vrstvě typu Zapier či vlastním skriptu. Tento návod používá HubSpot a Make proto, že jde o rychle realizovatelnou a dobře zdokumentovanou kombinaci.

Je nutné používat AI, když bych mohl poslat jen tabulku?

Není to nutné, ale AI přidává hodnotu tam, kde chcete krátké textové shrnutí a priorizaci. Pokud příjemci stačí čistě číselný report, může být jednodušší poslat tabulku nebo dashboard. Pro manažerský týdenní e-mail však bývá stručný komentář výrazně užitečnější.

Jak zabráním tomu, aby si model vymýšlel?

Nejúčinnější kombinace je tři kroky: omezit vstup jen na relevantní data, předat je v čisté a konzistentní struktuře a v promptu explicitně zakázat domýšlení. Pomáhá i kratší požadovaný výstup a pevné sekce místo otevřené otázky typu „zhodnoť leady“.

Co když je leadů příliš mnoho, třeba několik stovek týdně?

Pak rozdělte workflow na dvě vrstvy. Nejprve v Make vytvořte souhrnné statistiky a vyberte top leady podle pevných pravidel. Do AI neposílejte všech 500 položek, ale agregaci a reprezentativní výběr. Jinak porostou náklady i riziko nekonzistentního výstupu.

Jak často má report chodit?

Pro většinu obchodních týmů dává smysl týdenní rytmus, typicky v pondělí ráno. Pokud se pipeline mění rychleji, lze přejít na denní přehled. U MVP ale doporučuji zůstat u týdenního intervalu, protože se lépe testuje a ladí.

Lze do e-mailu přidat i doporučení dalších kroků?

Ano, ale jen opatrně. Doporučení by měla vycházet z explicitních pravidel, například „lead bez vlastníka přiřaďte do 24 hodin“ nebo „lead bez telefonu doplňte“. Čím více se doporučení blíží obchodní strategii, tím důležitější je lidská kontrola.

Doporučený AI stack pro realizaci

Služba	Popis služby	Nabídka
NordVPN	VPN služba pro ochranu soukromí a bezpečné připojení.	Otevřít nabídku
Semrush	SEO a marketingová platforma pro analýzu a růst návštěvnosti.	Otevřít nabídku
Make	Pokročilá vizuální automatizace workflow a integrací.	Otevřít nabídku
Hostinger	Webhosting a domény pro rychlé spuštění webu.	Otevřít nabídku
Fiverr	Marketplace pro freelancery a externí specialisty.	Otevřít nabídku
Adobe	Kreativní nástroje pro grafiku, video a digitální obsah.	Otevřít nabídku
Canva	Online design nástroj pro grafiku, prezentace a sociální sítě.	Otevřít nabídku
Jasper	AI nástroj pro marketingové texty a obsahové kampaně.	Otevřít nabídku