Słownik
Słownik AI w sprzedaży B2B — najważniejsze pojęcia
Pojęcia wokół AI bywają używane zamiennie, choć znaczą co innego — a różnica zwykle decyduje o tym, co da się wdrożyć i czego nie warto.
Każde hasło ma krótką definicję, zdanie o tym, po co to wiedzieć w sprzedaży B2B, i odnośnik do materiału, który wchodzi głębiej. Definicje są celowo takie same jak w naszych artykułach i na stronach usług.
Wszystkie pojęcia
- AI (sztuczna inteligencja)
- Generative AI (AI generatywna)
- LLM (duży model językowy)
- Prompt
- Okno kontekstu (context window)
- Embedding (wektor)
- Baza wektorowa
- RAG (retrieval-augmented generation)
- Agent AI
- Workflow agentowy
- AI SDR
- Enrichment (wzbogacanie danych)
- Scoring leadów
- Human-in-the-loop
- Halucynacja
- Guardrail
- Tool calling (wywoływanie narzędzi)
- Odpowiedź ustrukturyzowana
- Baza wiedzy
- Automatyzacja (deterministyczna)
- Workflow
Definicje
- AI (sztuczna inteligencja)
Zbiorcza nazwa systemów wykonujących zadania, które wcześniej wymagały człowieka — od klasyfikacji po generowanie tekstu. W kontekście sprzedaży B2B najczęściej chodzi dziś o modele językowe, a nie o AI w szerokim rozumieniu.
Dlaczego to ważne: Zanim zaczniesz rozmowę o „wdrożeniu AI”, warto ustalić, o którym rodzaju systemu mowa — inaczej dyskusja dotyczy dwóch różnych rzeczy naraz.
- Generative AI (AI generatywna)
Systemy, które tworzą nową treść — tekst, obraz, kod — zamiast wyłącznie klasyfikować czy przewidywać wartość. Modele językowe są jej najczęstszym przykładem.
Dlaczego to ważne: Generowanie treści to najbardziej widoczne, ale nie najbezpieczniejsze zastosowanie w sprzedaży: wersja robocza wiadomości owszem, wysyłka bez czytania — nie.
- LLM (duży model językowy)
Model uczony na dużych zbiorach tekstu, który generuje odpowiedź, przewidując kolejne fragmenty tekstu. Nie ma dostępu do danych Twojej firmy, dopóki mu się ich nie udostępni, i nie weryfikuje sam z siebie, czy odpowiedź jest prawdziwa.
Dlaczego to ważne: To wyjaśnia dwie rzeczy naraz: dlaczego odpowiedzi brzmią wiarygodnie niezależnie od trafności i dlaczego wdrożenie zaczyna się od danych, nie od modelu.
- Prompt
Instrukcja i kontekst przekazane modelowi w jednym wywołaniu — treść pytania wraz z materiałem, na którym model ma pracować.
Dlaczego to ważne: W systemie produkcyjnym prompt nie jest pomysłem wpisanym w okno czatu, tylko elementem kodu: wersjonowanym, testowanym na zestawie przykładów i zmienianym świadomie.
- Okno kontekstu (context window)
Maksymalna ilość tekstu, jaką model może wziąć pod uwagę w jednym wywołaniu — razem z instrukcją, dostarczonymi dokumentami i odpowiedzią.
Dlaczego to ważne: Decyduje o tym, ile firmowej wiedzy da się przekazać naraz. To jeden z powodów, dla których buduje się wyszukiwanie po dokumentach zamiast wklejać wszystko do promptu.
- Embedding (wektor)
Liczbowa reprezentacja fragmentu tekstu, w której teksty o podobnym znaczeniu leżą blisko siebie. Podstawa wyszukiwania semantycznego.
Dlaczego to ważne: Dzięki temu system znajdzie właściwy fragment oferty, nawet jeśli klient opisał problem zupełnie innymi słowami niż dokumentacja.
- Baza wektorowa
Magazyn embeddingów wraz z metadanymi, pozwalający szybko znaleźć fragmenty najbliższe znaczeniowo zapytaniu.
Dlaczego to ważne: To tu mieszka baza wiedzy systemu. Razem z fragmentami przechowuje się informację o źródle i o tym, kto ma prawo je zobaczyć.
- RAG (retrieval-augmented generation)
Sposób pracy, w którym model przed udzieleniem odpowiedzi pobiera fragmenty dokumentów firmy i odpowiada na ich podstawie, podając źródła. Ogranicza zmyślanie, ale go nie eliminuje.
Dlaczego to ważne: To domyślna odpowiedź na pytanie „czy AI może korzystać z naszych danych”. Jakość zależy odtąd głównie od tego, co jest w bazie wiedzy i jak aktualne jest jej źródło.
- Agent AI
Model z dostępem do narzędzi — wyszukiwania, API, bazy danych — który wykonuje wieloetapowe zadanie, sam wybierając kolejne kroki w wyznaczonych granicach. Granice są częścią projektu, nie opcją.
Dlaczego to ważne: Agent ma sens tam, gdzie liczba kroków zależy od tego, co znajdzie po drodze. Tam, gdzie proces da się zapisać regułami, dokłada koszt i zmienność wyniku.
- Workflow agentowy
Przepływ, w którym o kolejnym kroku decyduje model w ramach uprawnień, a nie z góry zapisana reguła. Od agenta autonomicznego różni go obecność punktów akceptacji.
Dlaczego to ważne: Rozróżnienie jest praktyczne: „agentowy” nie znaczy „bez nadzoru”. W procesach sprzedażowych nie projektujemy działania bez akceptacji człowieka.
- AI SDR
Rynkowe określenie zestawu automatyzacji wykonujących część pracy przedstawiciela handlowego: research, dobór firm, przygotowanie wiadomości, obsługę prostych odpowiedzi. To nazwa zakresu zadań, nie stanowiska.
Dlaczego to ważne: Od tego, czy kupujesz „pracownika”, czy „automatyzacje wokół procesu”, zależy, kto odpowiada za jakość i co się dzieje, gdy system się pomyli.
- Enrichment (wzbogacanie danych)
Uzupełnianie rekordów o firmach i kontaktach o brakujące atrybuty oraz ujednolicanie zapisów, najczęściej na podstawie źródeł publicznych.
Dlaczego to ważne: Jakość danych ustawia sufit dla całego outboundu. Wzbogacanie złych danych daje lepiej opisane złe dane.
- Scoring leadów
Uporządkowanie kont i zgłoszeń według wcześniej ustalonych kryteriów — regułami, modelem albo jednym i drugim — wraz z uzasadnieniem oceny.
Dlaczego to ważne: Bez spisanych kryteriów model nie odkryje ich za Ciebie: powtórzy to, co wyczyta z przykładów, a wyjaśnienie zabrzmi wiarygodnie niezależnie od trafności.
- Human-in-the-loop
Zasada projektowa, zgodnie z którą decyzja o konsekwencjach biznesowych wymaga akceptacji człowieka: model przygotowuje, człowiek zatwierdza.
Dlaczego to ważne: Wyznacza granicę wdrożenia. Im wyższa konsekwencja błędu, tym wcześniej w procesie stoi akceptacja — i tym mniej sensu ma „pełna automatyzacja”.
- Halucynacja
Odpowiedź modelu, która brzmi wiarygodnie, ale nie ma pokrycia w faktach ani w dostarczonych źródłach. Właściwość tej klasy systemów, nie usterka jednego narzędzia.
Dlaczego to ważne: Dlatego treść wychodząca do klienta przechodzi przez człowieka, a odpowiedzi o firmie opiera się na dokumentach z cytowaniem źródła.
- Guardrail
Ograniczenie wbudowane w system, a nie prośba w treści polecenia: lista dozwolonych narzędzi, walidacja wyniku przed zapisem, wymuszony format, wykrywanie odpowiedzi bez pokrycia w źródłach.
Dlaczego to ważne: Dobrą zasadą jest sprawdzanie wyniku innym mechanizmem niż ten, który go wytworzył — instrukcja w prompcie nie jest zabezpieczeniem.
- Tool calling (wywoływanie narzędzi)
Mechanizm, w którym model zamiast odpowiadać tekstem wskazuje funkcję do wykonania wraz z argumentami — a system ją uruchamia i zwraca wynik.
Dlaczego to ważne: To techniczna podstawa agentów. Uprawnienia nadaje się właśnie na tym poziomie: agent do researchu nie potrzebuje prawa zapisu w CRM.
- Odpowiedź ustrukturyzowana
Wymuszenie na modelu odpowiedzi w zadanym formacie — na przykład zestawu pól zamiast swobodnego tekstu — tak by dało się ją zapisać i zweryfikować.
Dlaczego to ważne: Bez tego integracja z CRM opiera się na parsowaniu prozy. Format jest też najprostszym guardrailem: odpowiedź niepasująca do schematu po prostu nie przechodzi.
- Baza wiedzy
Zbiór firmowych źródeł przygotowanych tak, by system mógł z nich korzystać: podzielonych na fragmenty, opisanych metadanymi i uprawnieniami, z datą i wersją.
Dlaczego to ważne: Baza złożona ze wszystkiego, co firma kiedykolwiek napisała, odpowiada równie pewnie na podstawie dokumentu sprzed trzech lat. Dwa–trzy aktualne źródła z właścicielem są lepsze.
- Automatyzacja (deterministyczna)
Wykonanie reguły zapisanej z góry: jeśli X, to Y. Wynik jest powtarzalny, a błąd zwykle widać od razu.
Dlaczego to ważne: W działających wdrożeniach to automatyzacja wykonuje większość pracy, a model wchodzi tam, gdzie reguła przestaje wystarczać. Mylenie tych dwóch rzeczy kosztuje.
- Workflow
Ciąg kroków z warunkami i obsługą wyjątków, w którym o kolejnym kroku decyduje projektant przepływu, a nie model. Model może wykonywać jeden z kroków.
Dlaczego to ważne: Zanim sięgniesz po agenta, warto sprawdzić, czy wystarczy przepływ o stałych krokach — jest tańszy, przewidywalny i łatwiejszy w diagnostyce.
Chcesz sprawdzić, które z tych rzeczy mają sens u Ciebie?
Zaczynamy od procesu, który już istnieje, i od pytania, czy da się ocenić jakość wyniku.