AI v prodeji: Trendy modelů pro střední podniky

KI & Automatisierung · 7. August 2026 · Omer

AI v prodeji se právě mění kvůli ceně, kontextu a latenci. Přečtěte si, které modely byste měli zařadit do svého prodejního stacku a které ne.

AI v prodeji je použití jazykových modelů, automatizace a dat k podpoře prodejní práce. Takto je to popsáno v každém strategickém dokumentu, který se po dvanácti slidech unaví. Není to tak úplně pravda. V praxi je AI v prodeji problémem nákupu výpočetního výkonu, problémem latence v pracovním postupu a organizačním problémem, protože každý SDR s kontextovým oknem o velikosti 10 milionů tokenů může teoreticky získat více informací o účtu než Key Account Manager po šesti letech schůzek se zákazníky. Zní to technicky. A také to tak je. Ale důsledek se projeví v prognóze.

AI v prodeji: Prognóza, kterou mnozí podceňují

Moje prognóza na příštích 24 měsíců: Střední podniky nebudou selhávat na promptu, ale na špatné kombinaci modelů. Kdo v roce 2026 stále používá jeden velký Frontier model na všechno – průzkum leadů, návrhy e-mailů, shrnutí CRM, RAG, call agenty – ten pálí rozpočet a příliš dlouho čeká na odpovědi.

Překvapením není, že se modely zlepšují. To je nuda. Překvapením je, že rozdíl v ceně a kontextu se stává tak velkým, že správně postavený prodejní stack by měl najednou pracovat s pěti modely, ne s jedním. U Schaeffler, Trumpf nebo Phoenix Contact by nikdo nepoužíval stejný stroj na řezání laserem, balení a příjem zboží. V prodeji to mnozí dělají přesně tak s LLM.

Stav aktuálních modelových výsledků za posledních 7 až 14 dní: Llama 4 Scout je v databázi Convly uvedena s 10 miliony tokenů kontextu a 0,10 dolary za 1 milion vstupních tokenů a 0,30 dolary za 1 milion výstupních tokenů. Llama 4 Maverick je tam s 1 milionem kontextu a 0,15 / 0,60 dolary. Mistral Large 3 je s 256K kontextem a 2,00 / 6,00 dolary. To nejsou blogové příspěvky výrobců. To jsou data agregátorů, tedy pracovní data. S tím bych kalkuloval, ale nepodepsal bych žádné rozhodnutí představenstva bez ověření u dodavatele.

Status quo: Střední podniky používají AI, ale zřídka jako stack

V srpnu 2026 vidím v B2B prodeji dva tábory. První tábor testuje ChatGPT, Claude nebo Gemini v prohlížeči a nazývá to AI strategií. Druhý buduje pipeline: CRM data dovnitř, webové signály dovnitř, technické dokumenty dovnitř, směrování modelů, skóre, další akce, zpětný zápis do CRM. Mezi tím není jen technologie. Mezi tím je disciplína.

Aktuální čísla z databází modelů jsou brutálně rozdílná. Llama 3.1 8B je u Convly uvedena s 128K kontextem a 0,02 dolary za 1 milion vstupních tokenů a 0,03 dolary za 1 milion výstupních tokenů. Modelgrep uvádí Llama 3.1 8B Instruct také za 0,020 dolary za 1 milion vstupních tokenů mezi nejlevnějšími modely. Pro jednoduché prodejní pracovní zátěže to není okrajová poznámka. To je rozdíl mezi experimentem a každodenním masovým procesem.

Příklad z mé práce u Amplifa: Když hrubě klasifikujeme 100 000 firemních profilů, pro první fázi často stačí malý model. Odvětví, počet zaměstnanců, spouštěče, kritéria vyloučení. Žádná báseň. Žádný strategický workshop. Jen čistá extrakce. Teprve když účet projde první bránou, vyplatí se větší model pro hypotézy nákupního centra, tón zprávy, technickou shodu a logiku námitek. No, skoro. Někdy je i větší model příliš levný, když prodejní tým i tak pošle stejný generický třířádkový text.

Z našich implementací víme: Za posledních 12 měsíců jsme u zákazníků ve strojírenství a u poskytovatelů technických služeb zaznamenali opakující se vzorec – přibližně 70 až 85 procent tokenů prodejní AI nespadá do konečného e-mailu, ale do přípravné práce: procházení webu, vyhodnocování PDF, kontrola duplicit, hygiena CRM, segmentace. Právě tam se rozhoduje o ekonomické efektivitě. Ne v pěkném textu na konci. U projektu s 42 000 účty byl rozdíl v nákladech mezi nastavením s jedním modelem a směrovaným nastavením faktor 11,8 na zpracovaný účet. Výstup vypadal na první pohled podobně. Měsíční faktura ne.

Trend 1: Diferenciace ceny a latence překonává modelový hype

Nejdůležitějším trendem pro AI v prodeji není nový špičkový model na žebříčku. Je to otázka, který model je pro který krok dostatečně levný a dostatečně rychlý. Vedoucí prodeje ve středním podniku nepotřebuje debatu o AGI. Potřebuje odpověď na otázku: Kolik mě stojí kvalifikace 10 000 cílových účtů měsíčně a bude výsledek k dispozici před pondělní schůzkou?

Llama 3.1 8B je zde studenou sprchou pro mnoho dodavatelů, kteří draze balí AI funkce. Při 0,02 dolarech za vstup a 0,03 dolarech za výstup na milion tokenů lze provádět průzkum leadů, klasifikaci a jednoduché varianty e-mailů v objemech, které by před dvěma lety byly obchodně absurdní. Llama 3.3 70B je podle Convly za 0,10 / 0,32 dolary a zůstává tak stále dostatečně levná pro lepší analýzu účtů. Mistral Large 3 je naproti tomu za 2,00 / 6,00 dolary. To je jiná liga. Možná oprávněné pro kvalitu. Ale určitě ne pro každý lead z veletržního seznamu.

Latence je přitom bod, který mnoho ukázek opomíjí. E-mail, který je hotový za 18 sekund, vypadá v ukázce přijatelně. V pracovním postupu s 600 paralelními úlohami, zpětným zápisem do CRM a manuálním schvalováním se to cítí jako chodba s zaseknutými dveřmi. Neslyšíte to, ale tým se zpomaluje. Pro hlasové volání nebo agentní prodejní toky je to ještě těžší: Pokud call agent po každé větě zákazníka viditelně přemýšlí, je rozhovor mrtvý. Ani nízká cena tokenů nepomůže.

Modely se nekupují podle Elo bodů, ale podle mezních nákladů na použitelné prodejní rozhodnutí. Model, který píše o 5 procent lepší texty a stojí 20krát více, je v masovém outreach procesu většinou špatný.

— Omer, Senior Engineer u Amplifa

Říkám to záměrně ostře: Kdo ve středním podniku zdůvodňuje svůj výběr modelu obecným benchmarkem, ten si neudělal domácí úkoly. Benchmarky měří izolované schopnosti. Prodej měří propustnost, zajištění kvality, míru odpovědí, příspěvek do pipeline a tření v týmu. Model může na žebříčku vypadat hůře a v prodejním stacku vyhrát, protože poskytuje použitelnou klasifikaci za 900 milisekund.

Výsledky žebříčku Modelgrep ukazují proprietární Frontier modely jako Claude Fable 5 a GPT-5.6 na vrcholu. Současně je mistral-medium-3-5 tam uvedena výrazně níže s inteligenčním skóre 29,9 a cenou 1,50 dolaru za milion tokenů. Takové hodnoty nečtu jako tabulku pravdy. Čtu je jako varovný signál: Hrubá inteligence a ekonomická efektivita se rozcházejí. Pro Kärcher, Brose nebo Webasto nakonec nezáleží na tom, který model je na snímku obrazovky nahoře, ale který model z neudržované CRM poznámky udělá spolehlivou další akci.

Trend 2: Dlouhé kontexty nově definují RAG v prodeji

RAG byl v prodeji dlouho krabičkou s nástroji: rozdělit dokumenty, vytvořit embeddingy, získat top-k shody, doufat, že relevantní odstavec není ve špatném chunku. To funguje. No, skoro. Funguje to, dokud je znalostní báze malá, otázky jsou předvídatelné a nikdo neočekává, že model zároveň zohlední historii CRM, webové stránky, výroční zprávy, pracovní nabídky, technické listy a staré nabídkové texty.

S 1 milionem nebo 10 miliony tokenů kontextu se architektura mění. Llama 4 Maverick s 1M kontextem a Llama 4 Scout s 10M kontextem, jak jsou uvedeny v Convly, nejsou pro prodej jen větší textová okna. Jsou to nový operační vzor. Celý účetní dossier lze zadat do jednoho běhu: firemní web, produktové stránky, tiskové zprávy, volná místa, posledních pět CRM poznámek, support tickety, tři konkurenti, PDF nabídky. Pak se už neptáte: Které tři chunky se hodí? Ptáte se: Která hypotéza o nákupním tlaku, načasování a zúčastněných stranách je věrohodná?

Ale pozor. Dlouhé kontexty nejsou volnou vstupenkou pro datový odpad. Viděl jsem dost nastavení, kde 200 stránek kontextu zhoršilo odpověď, protože staré informace překryly nové signály. Kontextové okno o velikosti 10M je jako obrovský sklad u Festo v Esslingenu: užitečné, když jsou regály v pořádku; k ničemu, když je všechno na podlaze a voní to olejem, kartonem a spěchem.

Co to konkrétně znamená pro Account-Based Sales? Vedoucí prodeje může ulevit svým týmům od manuálního průzkumu, aniž by průzkum zploštil. Místo 20 minut LinkedIn, webových stránek a obchodního rejstříku na jednoho cílového zákazníka vznikne dossier automaticky. Ne jako textová tapeta, ale jako podklad pro rozhodování: Proč teď? Kdo by mohl mít rozpočet? Která produktová řada se hodí? Jaké námitky jsou pravděpodobné? Která reference působí věrohodně? Přesně zde AI v prodeji překonává klasický Excelový seznam.

Přesto bych nehodil každý RAG systém okamžitě na Long-Context. Pro otázky podobné FAQ, produktové databáze a standardní námitky často stačí 128K kontexty. Llama 3.1 8B nebo Llama 3.3 70B tam mohou stačit. Dlouhé kontexty se vyplatí, když otázka musí argumentovat napříč mnoha zdroji. Deal-Desk. Plánování Enterprise účtů. Analýza nabídek. Technické prodejní případy u Wittenstein nebo DMG Mori, kde je jediné PDF tak suché, že při čtení slyšíte šustění papíru.

Trend 3: Open-weight je ekonomicky silný – ale ne magický

Open-weight modely jsou pro střední podniky atraktivní, protože slibují náklady, kontrolu dat a přizpůsobitelnost. To je pravda. Není to tak úplně pravda. Protože self-hosting není slevový kód, ale problém operačního systému: GPU, monitoring, zabezpečení, patche, kvantizace, směrování modelů, záložní řešení, evaluace. Kdo to ignoruje, vymění API fakturu za bolest infrastruktury.

Aktuální výsledky pro on-device a self-hosting nastavení ukazují hrubé pořadí výkonu: mistral-small:24b je uvedena s 7 až 12,9 tokeny za sekundu a vysokou paměťovou náročností, zatímco qwen3:30b-a3b dosahuje výrazně vyšší propustnosti. To je relevantní, pokud lokální prodejní asistent nemá kvůli ochraně dat, zákaznickým smlouvám nebo otázkám zaměstnanecké rady komunikovat s externím API. Ale 7 tokenů za sekundu se v prodeji necítí jako asistence. Spíše jako fax s krásným písmem.

Můj tvrdý názor: Open-weight vyhrává ve středních podnicích nejprve u objemových a datově citlivých případů, nikoli u maximálního myšlenkového výkonu. Pro hodnocení leadů, kontrolu duplicit, jednoduchou klasifikaci a interní shrnutí jsou malé modely ekonomicky silné. Pro komplexní strategickou práci, složité námitky nebo vícestupňové agenty mohou být proprietární Frontier modely vpředu. Data žebříčku Modelgrep ukazují přesně toto napětí. Open-weight není náboženský tábor. Je to sada nástrojů.

Proto neočekávám jednoduché buď-anebo. Střední podniky budou budovat hybridní stacky: malé open-weight modely pro přípravné práce, větší open-weight modely pro kontrolované interní pracovní postupy, proprietární Frontier modely pro obtížná rozhodnutí a citlivé generování. Zní to složitě. Ale je to stále jednodušší než prodejní tým, který každý pátek ručně třídí 400 leadů a v pondělí tvrdí, že pipeline je překvapivě tenká.

Amplifa ICP Playbook Praktický průvodce, jak definovat cílové zákazníky, kritéria vyloučení a nákupní signály tak, aby modely AI v prodeji neoptimalizovaly na základě pocitů.

AI v prodeji pro střední podniky: Co se operativně mění

Pro vedoucího prodeje ve středním podniku znamená trend modelů především: Prodejní operace se stávají techničtějšími. Ne každý CSO musí umět vysvětlit kontextová okna. Ale někdo v týmu musí vědět, kdy stačí 128K, kdy 1M kontext ušetří peníze a kdy 10M okno jen zakrývá, že databáze není verzovaná. Tato osoba dnes často sedí někde mezi RevOps, IT a makrem v Excelu, kterého se nikdo nechce dotknout.

Obchodní dopad je měřitelný. Pokud tým 12 SDRs každý měsíc prověřuje 8 000 cílových účtů, největší páka není v krásnějším e-mailu. Je to otázka, zda 2 500 špatných účtů vypadne před prvním lidským kontaktem. U technických produktů – strojírenství, automatizace, embedded software – jsou špatné účty drahé, protože rozhovory jsou dlouhé. Špatná první schůzka nestojí 30 minut. Stojí změnu kontextu, přípravu, následnou práci a někdy i náladu v týmu.

Vidím tři konkrétní posuny. Za prvé: Generování leadů bude více řízeno modely. Malé modely filtrují, velké modely zdůvodňují. Za druhé: Průzkum účtů se mění z vyhledávání na syntézu. Už ne deset záložek, ale dossier s logikou zdrojů. Za třetí: CRM se stává méně archivem a více tréninkovou plochou pro rozhodování. Pokud je CRM plné starých volných textových polí, AI stack voní po sklepě. Vlhko, tma, dlouho ignorováno.

Vezměme si Trumpf jako myšlenkový obraz, nikoli jako tvrzení o projektu. Kdo prodává laserovou techniku výrobním podnikům, potřebuje signály z strojového parku, investičních cyklů, hloubky výroby, průmyslového rizika a technické shody. Malý model může předfiltrovat webové stránky. Velký model může z dokumentů a zpráv vytvořit hypotézu. Model s dlouhým kontextem může shromáždit předchozí interakce, produktová data a reference. Člověk rozhoduje. Ale už nerozhoduje na základě pěti minut Google.

Který výběr modelu se hodí pro jakou prodejní zátěž?

Užší výběr z aktuálních dat je jasnější, než se některé modelové debaty zdají. Pro masový outreach a standardní klasifikaci je Llama 3.1 8B těžko překonatelná. Pro generování vyšší kvality bez extrémních nákladů je Llama 3.3 70B zřejmá volba. Pro velké účetní dossiers je Llama 4 Scout nápadná díky 10M kontextu. Pro multimodální prodejní pracovní postupy, například dokumenty plus obrázky nebo přílohy nabídek plus produktové grafiky, je Llama 4 Maverick zajímavá. Mistral NeMo 12B zůstává levnou volbou Mistral pro interní asistenci. Mistral Large 3 bych použil pouze tam, kde kvalita skutečně snižuje riziko ztráty tržeb.

Nepříjemná otázka zní: Kolik kvality potřebuje procesní krok? Ne každá klasifikace potřebuje špičkový model. Ne každý návrh e-mailu potřebuje román. A ne každý RAG workflow se zlepší jen proto, že se do kontextového okna nacpe polovina firemní historie. V našich hodnoceních často nevyhrává model s nejkrásnější jednotlivou odpovědí, ale model, který v 10 000 případech nejméně často hrubě selže.

FAQ: Stačí levný model pro AI v prodeji?

Ano, pro mnoho kroků. Ale ne pro všechny. Levný model stačí pro duplicity, klasifikaci odvětví, jednoduché signály pro hodnocení leadů, shrnutí a první hrubé návrhy e-mailů. Není spolehlivě dostatečný pro komplexní argumentaci s mnoha zúčastněnými stranami, citlivé námitky, právní nuance nebo účty s mnoha protichůdnými signály. Chyba není v používání levných modelů. Chyba je v tom, že jim dáváme příliš velkou zodpovědnost.

FAQ: Jsou dlouhá kontextová okna lepší než klasické RAG?

Ne automaticky. Dlouhá kontextová okna snižují bolest z chunkování a umožňují větší dossiers, ale nenahrazují hygienu dat. Klasické RAG zůstává silné, pokud jsou zdroje čistě indexovány a otázky zůstávají úzce vymezené. Long-Context se stává silným, když je třeba zohlednit mnoho zdrojů současně. Kombinoval bych obojí: Retrieval pro relevanci, dlouhý kontext pro syntézu.

FAQ: Kdy se vyplatí self-hosting v prodejním stacku?

Self-hosting se vyplatí při požadavcích na ochranu dat, vysokém objemu, stabilních pracovních zátěžích a existující technické provozuschopnosti. Pokud společnost nemá kapacitu GPU, monitoring a evaluační pipeline, self-hosting se rychle stane koníčkem IT. Pro některé střední podniky je API s čistou smlouvou ekonomičtější. Pro jiné, například u citlivých zákaznických dat nebo interních znalostních bází, může být lokální model správnou cestou.

Příprava: 7 kroků pro vedoucí prodeje

1. Oddělte pracovní zátěže: Průzkum leadů, e-mail, RAG, call agent, deal-desk a hygiena CRM nesmí být ve stejném modelovém hrnci.
2. Reálně počítejte náklady na tokeny: Používejte skutečné účetní dossiers, nikoli demo prompty. Měřte vstup, výstup, opakování a chybové běhy.
3. Definujte latenci pro každý procesní krok: Pro dávkový průzkum jsou minuty v pořádku, pro asistenci v rozhovoru nikoli.
4. Vybudujte evaluaci: Vezměte 200 až 500 skutečných případů z CRM a vyhodnoťte modelové odpovědi proti lidským kritériím.
5. Zaveďte směrování: Malé modely pro objem, větší modely pro rozhodování a generování. Jeden model na všechno je pohodlný, ale zřídka ekonomický.
6. Sanujte kvalitu dat: Stará CRM pole, verze PDF, duplicity a prázdné poznámky stojí více, než naznačují ceny tokenů.
7. Udržujte správu pragmatickou: Ne každý experiment potřebuje komisi, ale produktivní prodejní AI potřebuje logování, práva rolí a jasné záložní řešení.

Nejdůležitějším krokem je evaluace. Bez ní se diskutuje o vkusu. V projektech jsem zažil, že menší model v klasifikaci leadů dopadl lépe než větší, protože úkol byl formulován úžeji a ponechával méně prostoru pro kreativní chybné interpretace. Prodej někdy potřebuje méně inteligence a více poslušnosti. Zní to neromanticky. Přesto je to pravda.

Amplifa Produkt Amplifa propojuje logiku cílových zákazníků, obohacování dat a procesy prodeje podporované AI pro B2B týmy, které chtějí pipeline nejen spravovat.

Amplifa ICP Playbook pro prodejní týmy Playbook pomáhá operacionalizovat ICP kritéria tak, aby směrování modelů, hodnocení leadů a outreach neselhaly na nejasných cílových skupinách.

Moje prognóza na roky 2027 až 2029

Věřím, že střední podniky v příštích dvou až třech letech přijmou tři nové standardy v prodejním stacku. Za prvé: Směrování modelů se stane normou. Žádný finanční ředitel nebude trvale platit za to, aby prémiový model prováděl jednoduché klasifikace. Za druhé: Dlouhé kontextové dossiers se stanou standardem pro větší účty, zejména v průmyslu, medicínské technice, elektrotechnice a B2B softwaru. Za třetí: Open-weight modely výrazně porostou v interních pracovních postupech, ale nevytlačí Frontier modely.

Skutečnou hranicí nebude kvalita modelu. Bude to schopnost dostatečně čistě popsat prodejní procesy, aby je modely mohly provádět. Mnoho týmů ví překvapivě přesně, kdo je dobrý zákazník, ale nikdy to neformulovaly strojově čitelně. Pak má LLM najednou odvodit ICP, načasování, bolest, konkurenci a kontaktní osoby z nestrukturovaných dat. Upřímně? Nevím, proč to modelu vyčítat.

Kdo teď staví, by neměl čekat na jeden dokonalý model. Cykly vydávání jsou příliš krátké. Za dva týdny bude v databázi opět nový model, s jinou cenou, větším kontextem, lepším benchmarkem nebo krásnějším jménem. Stabilní výhoda proto nespočívá v samotném modelu, ale v architektuře kolem něj: evaluační sady, směrování, datová pipeline, kontrola nákladů, zpětná vazba z prodeje. To je méně sexy než launch post. Ale platí to účty.

Můj osobní měřítko zůstává jednoduché: Pokud model nepomůže vedoucímu prodeje ve středním podniku činit lepší rozhodnutí s menším třením, je to dekorace. Možná drahá dekorace. A toho je v německých CRM systémech už dost.