Każde zastosowanie poniżej opisujemy w tym samym układzie: co robi model, co zostaje przy człowieku i kiedy nie warto. Kolejność jest z grubsza taka, w jakiej zwykle warto je wdrażać — od najniższego ryzyka do najbardziej złożonych.
1. Research o firmie przed kontaktem
Model: zbiera publicznie dostępne informacje o firmie i streszcza je w kilku zdaniach, z odnośnikami do źródeł. Człowiek: ocenia, czy kontekst jest trafny i czy nadaje się do wykorzystania w rozmowie. Kiedy nie warto: gdy rynek jest na tyle wąski, że zespół zna firmy z nazwy — wtedy research nic nie wnosi, a dokłada krok.
2. Wzbogacanie danych o firmach i kontaktach
Model: uzupełnia brakujące atrybuty, ujednolica zapisy (branża, wielkość, technologie), oznacza rekordy niepewne. Człowiek: ustala kryteria i przegląda kolejkę rekordów niepewnych. Kiedy nie warto: gdy baza jest kupiona i nikt nie wie, jak powstała — wzbogacanie złych danych daje lepiej opisane złe dane.
3. Priorytetyzacja kont
Model: porządkuje listę według kryteriów, które zespół potrafi nazwać, i uzasadnia każdą ocenę. Człowiek: ustala wagi kryteriów i weryfikuje skrajne przypadki. Kiedy nie warto: gdy kryteriów nie da się spisać. Model wtedy nie odkrywa kryteriów — tylko powtarza to, co wyczyta z przykładów, a wyjaśnienie brzmi wiarygodnie niezależnie od trafności.
4. Wersje robocze wiadomości
Model: na podstawie kontekstu proponuje treść, z wyraźnie oznaczonym fragmentem personalizowanym. Człowiek: czyta, poprawia i decyduje o wysyłce. To jest moment akceptacji, którego nie usuwamy.Kiedy nie warto: gdy zespół nie ma czasu czytać. Automatyczna wysyłka niesprawdzonych treści kończy się wiadomościami z nieprawdziwym faktem o odbiorcy — a tego nie da się cofnąć.
5. Wstępna kwalifikacja odpowiedzi i zgłoszeń
Model: klasyfikuje według wcześniej ustalonych kategorii (zainteresowanie, odmowa, „nie teraz", pytanie techniczne) i wyciąga z treści to, co istotne. Człowiek: ustala kategorie i rozstrzyga przypadki niejednoznaczne. Kiedy nie warto: gdy „lead" znaczy co innego dla marketingu i dla sprzedaży. Najpierw definicja, potem klasyfikator.
6. Praca z CRM
Model: uzupełnia rekordy na podstawie korespondencji, wyciąga z wątku ustalenia i terminy, porządkuje notatki. Człowiek: zatwierdza zmiany wpływające na etap szansy i prognozę. Kiedy nie warto: gdy CRM jest nieaktualny z powodów organizacyjnych — bo nikt nie odpowiada za dane. Model zapisze więcej w systemie, któremu i tak nikt nie ufa.
7. Streszczenia rozmów i długich wątków
Model: skraca korespondencję lub notatkę po rozmowie do ustaleń, ryzyk i kolejnych kroków. Człowiek: uzupełnia to, czego nie było w zapisie — ton rozmowy, kontekst polityczny po stronie klienta. Kiedy nie warto: przy rozmowach, z których i tak powstaje krótka notatka. Zysk jest wtedy pozorny.
8. Wsparcie decyzji o kolejnym kroku
Model: proponuje następną czynność na podstawie historii kontaktu i reguł procesu, z uzasadnieniem. Człowiek: decyduje. Propozycja to propozycja — nie automatyczne wykonanie. Kiedy nie warto: gdy proces nie ma zdefiniowanych etapów. Sugestia bez procesu to zgadywanie z ładnym uzasadnieniem.
9. Wsparcie raportowania
Model: opisuje, co zmieniło się w danych okresu, i wskazuje miejsca warte sprawdzenia. Człowiek: wyciąga wniosek i podejmuje decyzję — to jest ta część, której nie delegujemy. Kiedy nie warto: gdy liczby pochodzą z niepewnego źródła. Opis niepewnych danych brzmi równie pewnie jak opis pewnych.
10. Orkiestracja przepływów
Model: jest jednym z elementów workflow — klasyfikuje, streszcza, przygotowuje — a nie całym rozwiązaniem. Resztę prowadzi zwykła automatyzacja. Człowiek: projektuje przepływ, punkty akceptacji i obsługę wyjątków. Kiedy nie warto: gdy cały proces da się zapisać regułami. Wtedy model dokłada koszt i zmienność bez korzyści — różnicę opisujemy w artykule AI a automatyzacja sprzedaży.
Czego na tej liście celowo nie ma
- Autonomicznego prowadzenia rozmowy handlowej. Nie projektujemy systemów, w których model ustala warunki albo składa zobowiązania.
- Automatycznego podejmowania decyzji o rabacie czy zakresie umowy. Konsekwencje są handlowe i prawne.
- „Przewidywania, kto kupi" bez danych historycznych, które by to umożliwiały. Bez nich to nie jest prognoza, tylko wynik brzmiący jak prognoza.
Jak wybrać pierwsze zastosowanie
Zacznij od takiego, które: jest wykonywane co tydzień, ma jasne wejście i wyjście, jego błąd widać przed skutkiem u klienta i da się ocenić, czy wynik jest dobry. Kolejność całego wdrożenia opisujemy w artykule Jak wdrożyć AI w sprzedaży B2B.
Najczęstsze pytania
Które zastosowanie daje efekt najszybciej?
Zwykle research i streszczenia — są powtarzalne, a błąd jest widoczny od razu. To nie jest obietnica wyniku, tylko obserwacja, że te dwa zastosowania mają najniższy próg wejścia.
Czy to wymaga zmiany CRM?
Nie. Większość zastosowań da się uruchomić obok istniejącego stosu; integracja z CRM jest osobną decyzją.
Czy model będzie widział dane klientów?
Tylko te, które mu udostępnimy. Zakres danych i uprawnienia ustala się przed wdrożeniem — opisujemy to w artykułach o wdrożeniu i o RAG.
Powiązana usługa:AI Sales Engine — kompletny system prospectingu: ICP, dane, research, scoring, outbound i CRM.