Jak zbudować proces, w którym model przygotowuje, a człowiek decyduje

Zespół, który w poniedziałek wpuścił model do budowania list, w piątek miał materiał na trzy miesiące do przodu i nikogo, kto by go obsłużył. To najczęstszy efekt pierwszego tygodnia i wynika z prostej arytmetyki. Bridge Group na próbie 351 firm B2B podaje medianę 112 aktywności dziennie na SDR-a i 4,1 rozmowy jakościowej, co przy dwudziestu dniach roboczych daje około 2 240 dotknięć miesięcznie na osobę. Ta liczba nie zmienia się od tego, jak szybko powstaje lista.

Pytanie projektowe nie brzmi więc, czy używać modelu, tylko w którym miejscu procesu wolno mu wykonać ruch nieodwracalny. Wysłanie wiadomości jest nieodwracalne. Streszczenie konta, propozycja hipotezy problemu i posortowanie listy nie są.

Architektura, która się u nas broni, ma cztery kroki i jedną przerwę. Model robi research, model przygotowuje pierwszą wersję, człowiek robi przegląd i wysyła, a przy odpowiedziach i obiekcjach model nie ma nic do roboty. Uczciwie trzeba dodać, że nie znam badania porównującego warianty tej architektury na kontrolowanej próbie. To wniosek z praktyki wdrożeniowej i z tego, gdzie znane publicznie wdrożenia się wykładały, a nie pomiar.

Rekonstrukcja profilu klienta z własnego CRM

Najlepsze zastosowanie modelu w prospectingu leży najdalej od wysyłki i polega na czytaniu tego, co firma już ma. W większości CRM-ów opisy przyczyn wygranej i przegranej są pisane wolnym tekstem, bo pola słownikowe wypełnia się byle jak albo wcale. Ręczne przeczytanie stu takich opisów zajmuje dzień pracy i nikt tego nie robi, a model robi to w kilka minut i wypisuje powtarzające się motywy.

Wynik tej pracy nie jest jeszcze profilem klienta. Jest materiałem, z którego człowiek wybiera kryteria, i ten wybór jest decyzją biznesową, nie zadaniem klasyfikacyjnym. Warstwa firmograficzna, czyli wielkość, geografia, kod PKD i model biznesowy, jest tania i stabilna, ale słabo różnicuje. Warstwa technograficzna mówi więcej, a ogłoszenia o pracę ujawniają narzędzia backendowe skuteczniej niż skanowanie tagów na stronie. Warstwa zdarzeniowa jest jedyną, która niesie informację o momencie, i to ona odpowiada za trafienie w okno, w którym odbudowany profil klienta w ogóle się przydaje.

Osobno warto puścić model po transakcjach przegranych na późnym etapie i po odejściach klientów, bo z tego materiału powstaje lista wykluczeń. Nie znalazłem badania, które kwantyfikowałoby wpływ takich list na wynik, i to jest realna luka w literaturze. Z doświadczenia oszczędzają one więcej czasu niż jakiekolwiek kryterium pozytywne, ale to jest obserwacja warsztatowa, nie dane.

Streszczenie konta i hipoteza problemu

Drugie zastosowanie dotyczy pojedynczego konta i wykonuje się je bezpośrednio przed dotknięciem. Model dostaje stronę firmy, ogłoszenia o pracę, ostatnie komunikaty i notatki z CRM, a oddaje streszczenie w pięciu zdaniach oraz trzy hipotezy problemu biznesowego z zaznaczeniem, z czego każda wynika.

To ostatnie zastrzeżenie jest istotne, bo hipoteza bez wskazanego źródła jest bezużyteczna. Handlowiec musi wiedzieć, czy „prawdopodobnie mają problem z uzgadnianiem stanów magazynowych" wzięło się z ogłoszenia o pracę, z komunikatu o wejściu na trzeci rynek, czy z niczego. Model, który nie podaje podstawy, produkuje zdania równie gładkie w obu przypadkach.

Konkretny przykład z ostatniego kwartału. Software house z Trójmiasta sprzedaje integracje systemów produkcyjnych do niemieckich zakładów średniej wielkości. Model dostał listę czterdziestu kont, a dla każdego stronę firmową, aktualne ogłoszenia o pracę i komunikaty prasowe z ostatnich dwunastu miesięcy. Oddał streszczenia i hipotezy, z których część była bezużyteczna, ale w jedenastu przypadkach wskazał ogłoszenia na stanowiska związane z utrzymaniem starszych systemów sterowania. To jest dokładnie ten rodzaj obserwacji, którego handlowiec nie zrobi przy czterdziestu kontach, bo wymaga przeczytania stu kilkudziesięciu ogłoszeń. Wybór jedenastu kont z czterdziestu i decyzja, że to jest właściwy kąt na ten kwartał, należały do człowieka i zajęły dwadzieścia minut.

Kierunek personalizacji też jest przesądzony przez dane i wychodzi kontrintuicyjnie. Gartner na próbie 632 kupujących B2B pokazał, że treść dopasowana do całej grupy zakupowej podnosi szansę na konsensus o 20 procent, a treść dopasowana do pojedynczej osoby obniża ją o 59 procent. Każdy członek komitetu dostaje wtedy inną narrację i grupa nie ma wspólnego języka, którym mogłaby się porozumieć bez ciebie. Model, któremu każe się szukać osobistego haczyka pod konkretnego adresata, pracuje więc przeciwko zgodzie w komitecie zakupowym. Zadanie brzmi inaczej: znajdź problem, który boli trzy różne role w tej firmie jednocześnie.

Gong na próbie ponad 85 milionów cold maili dokłada do tego hierarchię, która porządkuje pracę modelu: prowadzenie problemem biznesowym podnosi odpowiedzi o 20 procent, dowód społeczny o 41 procent, a pitchowanie obniża je nawet o 57 procent.

Co model dostaje do pierwszej wersji, a czego nie dostaje

Przy draftowaniu opłaca się być skąpym. Model dostaje spisane kryteria, streszczenie konta, wybraną hipotezę problemu i trzy przykłady wiadomości, które w tym segmencie zadziałały. Nie dostaje swobody w liczbach, bo każda liczba w cold mailu musi być obroniona przy pierwszym pytaniu adresata, a model nie wie, czego nie wie.

Nie dostaje też danych osobowych ani treści objętych umową o poufności, jeśli pracuje na infrastrukturze zewnętrznej. To nie jest przesadna ostrożność. W siódmej edycji badania Salesforce, na próbie 4 050 osób z 22 krajów, 51 procent respondentów raportuje, że obawy o bezpieczeństwo opóźniły w ich firmie inicjatywy związane z AI, i w większości przypadków chodzi dokładnie o to.

Warto przy tym policzyć, czy nowy element w procesie jest dodaniem narzędzia, czy zastąpieniem kilku. Ta sama edycja badania Salesforce podaje, że zespoły używają średnio ośmiu narzędzi, 42 procent handlowców czuje się przytłoczonych stackiem, a na samą sprzedaż zostaje 40 procent tygodnia wobec 60 procent na czynności okołosprzedażowe. Dziewiąta zakładka w przeglądarce zabiera z tych czterdziestu procent więcej, niż oddaje, jeśli nie zamyka przy okazji dwóch poprzednich. U nas model wszedł w miejsce ręcznego czytania ogłoszeń i ręcznego przeglądania notatek w CRM, więc bilans narzędziowy wyszedł na zero, a bilans czasowy na plus.

Ostatnia rzecz, której model nie dostaje, to decyzja o wolumenie. Lista wygenerowana w pół godziny kusi, żeby ją całą wysłać, a pojemność zespołu ustala człowiek na podstawie liczby dotknięć, którą realnie da się obsłużyć. Osobno pilnujemy świeżości danych, bo ZoomInfo w aktualizacji z 2026 roku podaje rozpad adresów e-mail na poziomie około 3,6 procent miesięcznie, czyli około 43 procent w skali roku. Baza sprzed pół roku, choćby najlepiej przygotowana, ma już co piąty adres martwy.

Przegląd przed wysyłką, który zajmuje trzy minuty

Krok trzeci jest tym, który najczęściej wypada z procesu po miesiącu, kiedy wszystkim się spieszy. Utrzymuje się go tylko wtedy, kiedy ma spisaną formę i mieści się w trzech minutach na wiadomość.

Nasza karta ma siedem pozycji:

• długość poniżej stu słów, trzy albo cztery zdania, czytelne na telefonie bez przewijania,
• jedno konkretne odniesienie do konta z podanym źródłem, weryfikowalne w dziesięć sekund,
• hipoteza problemu zamiast opisu produktu,
• oferta materiału albo konkretnej informacji zamiast prośby o piętnaście minut w kalendarzu,
• brak załącznika i brak linku śledzącego,
• klauzula informacyjna, jeśli adresatem jest osoba fizyczna,
• adresat sprawdzony na liście sprzeciwów i na liście wykluczeń.

Lavender na próbie 231 818 wiadomości z około pięćdziesięciu tysięcy skrzynek pokazuje, gdzie taka kontrola zwraca się najmocniej. W operacjach wiadomości ocenione najwyżej dawały 5,4 procenta odpowiedzi przy przewadze 58 procent nad resztą. W finansach ocenę najwyższą dostało tylko 6,1 procenta wiadomości, najmniej ze wszystkich badanych funkcji, ale właśnie tam przewaga wynosiła 79 procent. Kontrola jakości opłaca się najbardziej w segmentach, w których średnia jest najgorsza, czyli tam, gdzie zespoły najchętniej z niej rezygnują. Kartę warto trzymać w tym samym formacie co ocenę rozmowy telefonicznej, żeby jedno spotkanie tygodniowo wystarczało na przegląd obu kanałów.

Odpowiedzi i obiekcje zostają po stronie człowieka

Pełna autonomia z automatycznym rozpoznawaniem odpowiedzi i umawianiem spotkań jest tą częścią obietnicy, która pęka w produkcji najszybciej. Powód jest banalny: w skrzynce zwrotnej podobnie wygląda uprzejma odmowa, prośba o przekierowanie do innej osoby, pytanie o cenę, autoresponder urlopowy i sprzeciw wobec przetwarzania danych. Cztery pierwsze wymagają różnych reakcji, piąty wymaga reakcji obowiązkowej w określonym terminie.

Metryką, która pilnuje tego kroku, jest udział odpowiedzi pozytywnych w całości odpowiedzi, a nie surowy odsetek odpowiedzi. Surowa liczba miesza zgodę na rozmowę, uprzejmą odmowę i prośbę o wypisanie z listy, więc rośnie także wtedy, kiedy treść zaczyna prowokować reakcję zamiast zainteresowania. W procesie z modelem ten wskaźnik pełni dodatkową funkcję kontrolną: jeśli wolumen odpowiedzi rośnie, a udział pozytywnych spada, zwykle znaczy to, że hipotezy problemu przestały być weryfikowane przed wysyłką.

Odpowiedź jest przy tym jedynym momentem w całej sekwencji, w którym prospekt mówi coś o sobie. Zawartość informacyjna dwóch zdań odmowy bywa większa niż całego wcześniejszego researchu, bo zwykle zawiera powód, a powód jest tym, czego szukasz w profilu klienta. Oddanie tego kanału systemowi oznacza wyrzucenie najlepszego źródła danych, jakie ma zespół, w zamian za oszczędność kilkunastu minut dziennie.

Warstwa prawna, której nie da się scedować na system

Od 10 listopada 2024 roku obowiązuje Prawo komunikacji elektronicznej, a art. 172 Prawa telekomunikacyjnego i art. 10 ustawy o świadczeniu usług drogą elektroniczną już nie obowiązują. Zgody na wysyłkę informacji handlowej wymaga dziś art. 398 PKE, a kryterium jest techniczno-podmiotowe, więc nie znika przy adresie ogólnym spółki. Osobną warstwą jest RODO: przy adresie imiennym klauzula informacyjna z art. 14 musi znaleźć się w pierwszej wiadomości, a nie w którymś z follow-upów.

Konsekwencje są policzalne. Art. 446 ust. 5 PKE przewiduje karę do 3 procent przychodu z poprzedniego roku kalendarzowego albo do miliona złotych, w zależności od tego, która kwota jest wyższa. W sprawie Bisnode Prezes UODO nałożył 943 470 złotych za niewykonanie obowiązku informacyjnego wobec osób, których dane pozyskano z rejestrów publicznych, a NSA wyrokiem z 20 września 2023 roku przyznał rację organowi, wskazując, że wyjątki od zasady przejrzystości wykłada się ściśle. Nie znalazłem publicznie ogłoszonej decyzji Prezesa UKE wydanej już na podstawie art. 446 ust. 5, więc praktyka stosowania nowych przepisów jest wciąż nieznana. Ten tekst nie jest poradą prawną.

Odpowiedzialność za wiadomość, która wyszła z systemu, spoczywa na nadawcy niezależnie od tego, co ją napisało. To rozstrzyga spór o autonomię skuteczniej niż jakikolwiek argument o jakości copy: zatwierdzenie szablonu nie jest zatwierdzeniem wiadomości, bo zmienne podstawiane przez system potrafią wyprodukować zdanie, którego nikt nigdy nie przeczytał.

Proces zbudowany w ten sposób ma jedną niewygodną właściwość. Nie skaluje wolumenu, bo przegląd przed wysyłką pozostaje pracą ludzką i zajmuje tyle samo minut przy stu wiadomościach co przy dziesięciu tysiącach. Zespoły, które szukają w modelu mnożnika liczby wysyłek, uznają to za wadę konstrukcyjną i po kwartale wracają do generowania na skalę. Zespoły, które szukają mnożnika liczby dobrze przygotowanych dotknięć, dostają go od razu, bo research zajmował im wcześniej więcej czasu niż samo pisanie.