AI do researchu działa. AI do pisania psuje dostarczalność

Najczystsza liczba, jaką znalazłem o wpływie modeli językowych na wyniki outboundu, pochodzi z LinkedIna i jest rozczarowująca. Belkins razem z Expandi porównali w 2025 roku 389 925 kampanii korzystających z podpowiedzi AI z 13,9 miliona kampanii bez nich. Odsetek odpowiedzi wyniósł odpowiednio 7,3 i 7,0 procenta. SmartReach na własnym zbiorze zmierzył tę samą różnicę niezależnie: 0,3 punktu procentowego przy czterdziestoprocentowej adopcji narzędzi w badanych kampaniach.

Trzy dziesiąte punktu procentowego przy bazie siedmiu procent to około czterech procent poprawy względnej. Na próbie liczonej w milionach kampanii taka różnica jest mierzalna, w pojedynczym zespole jest niewidoczna. Żeby wykryć dziesięcioprocentowy wzrost przy bazie ośmiu procent, potrzeba mniej więcej 3 700 obserwacji na wariant, a tu mówimy o efekcie mniejszym niż połowa tego progu. Zespół, który przypisuje sobie poprawę wyników na LinkedIn po włączeniu generatora wiadomości, opisuje szum.

W mailu sprawa wygląda inaczej, tylko nie w tym miejscu, w którym się jej zwykle szuka. Różnica w odpowiedziach jest niewielka i się zmniejsza. Różnica w dostarczalności jest duża i nie widać jej w raporcie z kampanii.

Skąd pochodzą liczby o mailu i czego im brakuje

Jedyne dostępne porównanie z zachowaną kontrolą par to zbiór 100 000 sparowanych wiadomości zebranych od października 2025 do kwietnia 2026 i opublikowany przez DigitalApplied. Wyniki wyglądają następująco.

To jest blog narzędziowy, bez opisu metodologii doboru par i bez informacji o tym, kto pisał wiadomości ludzkie i jakim narzędziem generowano pozostałe. Traktuję te liczby jako hipotezę zgodną z tym, co widzę w kampaniach, a nie jako pomiar. Podaję je, bo nic lepszego nie zostało opublikowane, i podaję z tym zastrzeżeniem za każdym razem.

Ten sam materiał podaje dwie obserwacje, które są ciekawsze od średnich. Luka w odpowiedziach zmniejszyła się z 2,0 punktu procentowego w 2024 roku do 1,1 punktu, więc modele wyraźnie nadganiają. Rozkład po branżach jest przy tym mocno niejednolity: w SaaS wiadomość generowana już wygrywa, 6,1 wobec 5,7 procenta, a w usługach finansowych zapada się do 1,9 procenta. Wyjaśnienie napraszające się samo, choć niepotwierdzone pomiarem, jest takie, że tam, gdzie kupujący czyta dziennie kilkanaście podobnych wiadomości, wzorzec zostaje rozpoznany szybciej, a próg tolerancji na standardowy język jest niższy.

Prawdziwy rachunek jest w dostarczalności

Odsetek odpowiedzi to metryka, którą widzisz następnego dnia. Umieszczenie w skrzynce odbiorczej to metryka, którą widzisz po dwóch miesiącach, kiedy nie da się już powiedzieć, co dokładnie ją zepsuło.

Podwojenie odsetka oflagowań z 3 do 8 procent uderza dokładnie w ten wskaźnik, który dostawcy poczty traktują jako twardy. Google w wymogach dla nadawców masowych od lutego 2024 roku wyznacza cel operacyjny poniżej 0,10 procenta skarg i próg egzekwowania na 0,30 procenta, przy czym są to dwa różne progi, a nie jeden z zapasem. Wystarczy tydzień powyżej progu, żeby reputacja domeny przestała działać na twoją korzyść, i kilka tygodni spokojnego wysyłania, żeby wróciła.

Ten sam zbiór podaje przy okazji liczbę, która przestawia hierarchię dźwigni. Odstęp między krokami sekwencji wpływa na dostarczenie mocniej niż cokolwiek w treści: przy interwale jednodniowym do skrzynki odbiorczej trafia 71 procent wiadomości, przy trzydniowym 93 procent, a przy czterodniowym i dłuższym 95 procent. Zastrzeżenie o jakości źródła obowiązuje tu tak samo jak wyżej, ale kierunek zgadza się z tym, co widać w narzędziach dla nadawców. Zespół, który skraca odstępy, żeby zmieścić sześć kroków w dwa tygodnie, traci więcej niż zyskałby na najlepszym możliwym copy.

Piętnaście punktów procentowych umieszczenia w skrzynce odbiorczej oznacza w praktyce, że co siódma wysłana wiadomość przestaje istnieć dla adresata. Przy sekwencji pięciokrokowej i tysiącu prospektów to kilkaset kontaktów, które nigdy nie zobaczą ani pierwszego maila, ani żadnego z follow-upów, bo filtr uczy się na poziomie nadawcy, a nie pojedynczej wiadomości.

To nie jest kwestia słownictwa

Powszechne wyjaśnienie brzmi, że modele piszą słowami spamowymi. Wagi w SpamAssassin tego nie potwierdzają. Przy domyślnym progu 5,0 punktu struktura wiadomości waży od 1,0 do 4,0 punktu, autentykacja od 1,0 do 3,5, linki i adresy od 0,5 do 3,0, a słownictwo od 0,05 do 1,5, czyli najmniej ze wszystkich kategorii. Klasyfikator bayesowski potrafi dołożyć od minus 1,5 do plus 3,5 punktu i jest jedynym elementem, który uczy się na twojej wysyłce. Pojedyncze wyrazy nie odpalają reguł samodzielnie, punkty kumulują się przy stackowaniu sygnałów.

Jest za to druga warstwa kosztu, którą filtr ma w nosie, a odbiorca nie. Sygnatury językowe typowe dla treści generowanej bywają karane przez ludzi: zdanie o nadziei, że wiadomość zastaje adresata w dobrym momencie, obniża odpowiedzi o 22 procent, słownictwo w rodzaju „zgłębić" czy „wykorzystać dźwignię" o 14 procent, a więcej niż dwa myślniki w jednej wiadomości o 8 procent. Liczby pochodzą z tego samego słabego źródła, więc podaję je jako rząd wielkości, ale samo zjawisko rozpoznawania wzorca przez kupujących ma już mocniejsze potwierdzenia.

Prawdopodobniejszy mechanizm jest nudniejszy. Generowana treść jest do siebie podobna w warstwie strukturalnej: ta sama długość akapitów, ta sama kolejność bloków, ta sama konstrukcja pierwszego zdania w tysiącu wiadomości z jednej domeny. Klasyfikator uczący się na zawartości ma wtedy łatwiejsze zadanie niż przy tekstach pisanych ręcznie. Zaznaczam wyraźnie, że to hipoteza, a nie pomiar, bo nie znam badania, które izolowałoby podobieństwo strukturalne jako zmienną i mierzyło jego wpływ na klasyfikację.

Model obniża koszt krańcowy wiadomości i to jest sedno problemu

Drugi mechanizm jest jeszcze prostszy i mocniej udokumentowany. Kiedy napisanie wiadomości kosztuje osiem minut pracy handlowca, lista sama się ogranicza. Kiedy kosztuje kilka sekund, nic jej nie ogranicza poza limitem skrzynki.

Woodpecker na próbie ponad dwudziestu milionów wiadomości pokazuje, ile to kosztuje. Listy poniżej pięćdziesięciu kontaktów dają 5,8 procenta odpowiedzi, listy od pięćdziesięciu do dwustu kontaktów od czterech do pięciu procent, od dwustu do pięciuset około trzech procent, a powyżej tysiąca 2,1 procenta. Ta krzywa opisuje w gruncie rzeczy rozmycie profilu klienta, bo lista rośnie przez dokładanie kont coraz gorzej dopasowanych. Model nie zmienia kształtu tej krzywej, tylko sprawia, że zespół przesuwa się po niej szybciej i taniej, aż zwiększanie wolumenu przestaje działać.

Do tego dochodzi twardy limit infrastruktury. Próg pięciu tysięcy wiadomości na dobę na domenę klasyfikuje nadawcę jako masowego u Google od lutego 2024 roku i u Microsoftu od maja 2025 roku, raz na zawsze. Zespół, który dzięki generowaniu treści zwiększył wolumen czterokrotnie, kupił sobie zaostrzone wymogi autentykacji i mniejszą tolerancję na skargi w zamian za wiadomości, które odpowiadają o punkt procentowy gorzej.

Gdzie model realnie oszczędza czas

Research ma zupełnie inną charakterystykę błędu. Jeżeli model źle streści konto, widać to w dziesięć sekund i nic się nie stało. Jeżeli źle napisze wiadomość, która już poszła, nie widać tego wcale, a konsekwencja jest trwała.

Cztery zastosowania oszczędzają u nas najwięcej czasu. Pierwsze to wyciąganie warstwy technograficznej z ogłoszeń o pracę: ogłoszenie na stanowisko techniczne ujawnia narzędzia backendowe, których nie widać w tagach na stronie, a przeczytanie trzydziestu ogłoszeń i wypisanie z nich stacku to praca, przy której człowiek nudzi się po piątym. Drugie to streszczenie konta z rozproszonych źródeł przed rozmową. Trzecie to uporządkowanie cech wspólnych wygranych i przegranych transakcji z CRM, kiedy opisy są pisane wolnym tekstem i nikt nie wypełniał pól słownikowych. Czwarte to sprawdzenie konta wobec spisanych kryteriów kwalifikacji, co jest zadaniem klasyfikacyjnym z jasnym kluczem odpowiedzi.

Warto zauważyć, do czego to prowadzi. Gong na próbie ponad 85 milionów cold maili pokazał, że prowadzenie problemem biznesowym zamiast pitchem podnosi odpowiedzi o 20 procent, a samo pitchowanie obniża je nawet o 57 procent. Zasobem rzadkim w cold mailu nie jest zatem umiejętność złożenia zdania, tylko trafna hipoteza problemu, a to jest zadanie researchowe. Model, który dostarcza materiał do takiej hipotezy, robi więcej dla wyniku niż model, który za ciebie pisze.

Jak wygląda ten podział w jednej wiadomości

Poniższy mail powstał z materiału przygotowanego przez model i został napisany ręcznie w trzy minuty. Fikcyjny dostawca oprogramowania do obsługi zwrotów pisze do dyrektora operacyjnego dystrybutora AGD.

Temat: pytanie o zwroty z trzech rynków

„Panie Marcinie,

w ogłoszeniu na specjalistę do reklamacji piszecie o uzgadnianiu zwrotów z trzech rynków w jednym arkuszu. U dwóch dystrybutorów AGD, z którymi pracujemy, ten sam układ zjadał około dwóch dni pracy tygodniowo na samo domykanie stanów magazynowych.

Mogę przesłać jednostronicowy opis, jak to u siebie poukładali, bez rozmowy. Odpisać?

Karol"

Wiadomość ma sześćdziesiąt kilka słów i to nie jest przypadek. Gong na tej samej próbie 85 milionów maili wyznacza optimum poniżej stu słów przy trzech, czterech zdaniach, a dla kadry zarządzającej przedział od pięćdziesięciu do stu słów, przy czym odsetek odpowiedzi spada gwałtownie powyżej setki. Lavender na próbie 231 818 wiadomości z około pięćdziesięciu tysięcy skrzynek dokłada do tego 83 procent więcej odpowiedzi przy treściach czytelnych na telefonie bez przewijania, z zastrzeżeniem, że efekt jest silny dla sprzedaży, produktu, marketingu i operacji, a dla inżynierii, finansów, prawa, HR i PR nie jest mierzalny. Wersje generowane przez model wychodzą z reguły dwa razy dłuższe, więc pierwszy ruch przy redakcji polega na skracaniu, a nie na poprawianiu stylu.

Model zrobił w tym mailu jedną rzecz: przeczytał ogłoszenie o pracę i wyciągnął z niego zdanie o trzech rynkach i arkuszu. Reszta jest ręczna, bo wymaga wiedzy, której model nie ma. Hipoteza o dwóch dniach tygodniowo pochodzi z rozmów z dwoma klientami i muszę umieć ją obronić, jeśli adresat zapyta. Oferta materiału zamiast prośby o piętnaście minut w kalendarzu wynika z danych Gonga o hierarchii wezwań do działania.

Celowo nie ma tu kilku rzeczy. Nie ma nazw klientów, bo nie mam zgody na ich podanie w zimnym kontakcie. Nie ma zdania o nadziei, że wiadomość zastaje adresata w dobrym momencie, bo to najczęściej rozpoznawana sygnatura treści generowanej. Nie ma załącznika, nie ma linku i nie ma podpisu z trzema adresami oraz logotypem, bo każdy z tych elementów dokłada punkty w klasyfikacji, a żaden nie dokłada nic do odpowiedzi.

Granica, którą tu rysuję, nie jest granicą technologiczną i za rok może przebiegać gdzie indziej, bo luka w odpowiedziach zmniejszyła się o połowę w ciągu dwóch lat. Dopóki jednak dostawcy poczty rozliczają nadawcę ze skarg i z reputacji domeny, koszt generowania treści na skalę nie pojawia się w tej samej metryce co korzyść. Zysk jest w czasie, strata w infrastrukturze, a rozliczają się w innych kwartałach.