AI v prodeji: Nano Banana 2 a modelové trendy

KI & Automatisierung · 10. Juli 2026 · Ohiku Mose Guy

AI v prodeji vyžaduje porozumění modelu: Zkontrolujte latenci, ceny tokenů a obrazovou AI, než se váš prodejní kanál stane jen demo snímkem. Čtěte nyní.

Většina obchodních ředitelů v roce 2026 nekoupí příliš málo AI, ale příliš mnoho špatné AI. AI v prodeji je v současné době považována za nákupní seznam: jeden textový model, jeden obrazový model, chatbot, možná ještě hlasový agent, hotovo. To je technicky pohodlné a komerčně nebezpečné. Pokud se latence, ceny tokenů, kontextové okno a přístup k datům neshodují, systém produkuje krásné ukázky – a zhroutí se přesně tehdy, když 37 obchodních zástupců v pondělí v 8:15 spustí své týdenní kampaně.

Moje prognóza je jednoduchá a nepříjemná: V příštích dvou až třech letech nevyhraje B2B prodej nejlepší základní model, ale nejlepší kombinace modelů pro každý pracovní postup. Agent pro výzkum potenciálních zákazníků potřebuje jiné vlastnosti než generátor nabídek. Obrazový model pro personalizované mikrosajty má jiné limity než call co-pilot. Kdo všechno řeší jedním velkým modelem, zaplatí příliš mnoho, čeká příliš dlouho a přesto dostane halucinace do prodejního kanálu.

Píšu to jako Ohiku Mose Guy, Senior Engineer ve společnosti Amplifa. Ne jako analytik s čistým kvadrantem. Vidím logy, časové limity, poškozená CRM pole, příliš velké prompty, příliš malé rozpočty a obchodní manažery, kteří chtějí vědět, proč e-mailová kampaň s AI zní sice dobře, ale přinese jen 14 odpovědí. No, skoro. Někdy jich přinese 140 – pokud je systém správně postaven.

Současný stav: AI v prodeji už není nástroj, ale infrastruktura

Trh se od začátku roku 2024 posunul. OpenAI představilo GPT-4o jako multimodální model se 128k kontextovým oknem, Anthropic zavedl Claude 3 a později Claude 3.5 Sonnet se silným uvažováním a 200k kontextem, Google nasadil Gemini 1.5 Pro s až 1 milionem tokenů kontextu, Stability AI s Stable Diffusion 3 dále otevřelo obrazovou stranu. To už nejsou hračky. To jsou stavební kameny pro prodejní stroje.

Ceny jsou druhým zlomem. Podle veřejně dokumentovaných ceníků na podzim 2024 se GPT-4o pohybovalo kolem 5 USD za 1 milion vstupních tokenů a 15 USD za 1 milion výstupních tokenů. GPT-4o mini bylo výrazně levnější, asi 0,15 USD vstup a 0,60 USD výstup za 1 milion tokenů. Claude 3 Haiku se pohybovalo zhruba kolem 0,25 a 1,25 USD, Claude 3.5 Sonnet kolem 3 a 15 USD. U generování obrázků se obrázky DALL·E-3 v závislosti na kvalitě a rozlišení často pohybovaly v rozmezí 0,04 až 0,08 USD za obrázek. To zní levně. A také je – dokud někdo nepersonalizuje 120 000 účtů se třemi variantami, dvěma jazyky, RAG kontextem a hero vizuály.

V německých středních podnicích vidím jinou otázku než v amerických ukázkách. Ne: Který model je nejinteligentnější? Ale: Který model dodává p95 stabilně pod zátěží, neukládá špatná data, respektuje schvalovací procesy a nepíše nabídkové podmínky z hlavy? Obchodní ředitel ve Phoenix Contact nebo Festo nepřemýšlí v tokenech. Přemýšlí v prodejním kanálu, marži, územní logice, distribučních kanálech a právním schválení. Přesto nakonec tokeny rozhodují, zda se projekt škáluje.

Podle McKinsey Global Institute z června 2023 může generativní AI celosvětově uvolnit ekonomickou hodnotu 2,6 až 4,4 bilionu USD ročně; marketing a prodej patří mezi největší funkční oblasti. Gartner v roce 2023 předpověděl, že do roku 2028 by se asi 60 procent B2B prodejní práce mohlo odehrávat prostřednictvím konverzačních AI rozhraní, oproti méně než 5 procentům tehdy. Taková čísla mám rád jen napůl. Jsou velká, kulatá a dobrá pro prezentace. Ale ukazují směr: Prodej se nedigitalizuje, prodej se rozkládá na volání modelů.

Trend 1: Ultra rychlá obrazová AI se stává součástí prodejní sekvence

Název „Nano Banana 2“ se v rozhovorech objevuje jako šifra: velmi rychlé generování obrázků, malé modely, vizuály vhodné pro prodej, údajně téměř bez čekání. Až do mého spolehlivého poznání jsem neviděl žádnou veřejně řádně zdokumentovanou modelovou kartu, žádné ověřené benchmarky, žádný oficiální ceník. Proto tento název nepovažuji za fakt, ale za signál. Trh chce obrazovou AI, která nefunguje jako kreativní nástroj, ale jako komponenta API v prodeji.

Proč je to relevantní? Protože personalizovaný prodej nekončí u „Dobrý den, pane Nováku, viděl jsem, že pracujete ve společnosti Schaeffler.“ To už bylo v roce 2021 unavené. Moderní outbound tok může pro cílový účet vygenerovat mini-landing page: titulek, argumentace přínosů, diagram z veřejných firemních dat, obrázek odpovídající odvětví, k tomu struktura nabídky z CRM. Pokud obrázek trvá 18 sekund, žádný SDR ho v každodenní práci nepoužije. Pokud trvá 3 sekundy, stane se součástí systému.

Technické limity jsou tvrdé. Modely obrázků v public cloudu v roce 2024 v mnoha nastaveních realisticky trvaly 3 až 15 sekund pro obrázek 1024×1024. Optimalizované nasazení s menšími nebo destilovanými difuzními modely, teplými GPU sezeními a krátkou síťovou latencí dokáže pod 2 sekundy pro menší rozlišení. Pod sekundu? Možné, ale zřídka bez kompromisů v kvalitě. A přesně tam leží prodejní otázka: Potřebuji krásný obrázek, nebo dostatečně dobrý obrázek, který zůstane pod 5 sekundami p95?

Pokud je obrázek hotový rychleji, než se načte mé CRM, pak už to není kreativní projekt. Pak je to prodejní systém.

— Andrea, Head of Sales u automatizační firmy v Bielefeldu

Andrea mi to řekla v březnu 2025 po revizi kampaně pro dodavatele strojírenství. Žádné velké divadlo. Jen věta v střízlivé místnosti, bílý akustický strop, tiché bzučení projektoru. Ten bod zůstal. Obrazová AI se nestane důležitou, protože prodej má být barevnější. Stane se důležitou, protože rozdíl mezi generickým a účetně specifickým oslovením najednou nestojí dvě hodiny designové práce.

Co by model jako „Nano Banana 2“ skutečně musel poskytnout

Pokud dnes dodavatel tvrdí, že má rychlou obrazovou AI pro prodejní obsah, neptám se nejdříve na ukázkové obrázky. Ptám se na p50 a p95. Ptám se na chování dávky při 50 paralelních požadavcích. Ptám se, zda texty v obrázcích zůstávají stabilní. Ptám se, zda lze verzovat brand-kity. Ptám se, zda obrázek generovaný pro Kärcher, Trumpf nebo Webasto omylem nevytváří loga, špatné tvary produktů nebo fantazijní certifikace.

To zní pedanticky. A také je. Ale prodejní systémy neumírají na demo. Umírají na okrajové případy: špatně napsaný název společnosti, vymyšlená norma, vizuál se špatným strojem, e-mail na špatné místo, CTA, které odkazuje na vypršelou nabídkovou stránku. Obrazová AI zvětšuje plochu pro chyby. Přesně proto potřebuje více inženýrství, ne méně.

Trend 2: Ceny tokenů rozhodují o architektuře prodejního kanálu

Mnoho prodejních týmů podceňuje ceny tokenů, protože jednotlivé volání modelu se zdá levné. Souhrn účtu s 8 000 vstupními tokeny a 800 výstupními tokeny stojí u malého modelu téměř nic. U velkého modelu, s pěti variantami, RAG kontextem, překladem a QA krokem, vypadá účet jinak. Nyní to vynásobte 20 000 účty, třemi personami na účet a šesti kontaktními body. Najednou už není drahý SDR, ale špatná architektura.

Považuji přístup „jeden velký model na všechno“ v prodeji za líný. Ne vždy špatný. Ale často líný. Dobrý systém používá malé modely pro klasifikaci, deduplikaci, směrování a první návrhy. Velké modely přicházejí na řadu až u úkolů, které skutečně vyžadují uvažování: komplexní hypotézy účtů, logika nabídek, řešení námitek, právně citlivé formulace. Obrazové modely běží odděleně, s cache a jasnou úrovní kvality. RAG nevisí jen jako stoh PDF na promptu, ale je vyhodnocován.

Co konkrétně vidíme v Amplifa: Za posledních 12 měsíců jsme u B2B zákazníků z oblasti strojírenství, průmyslového softwaru a technických služeb pozorovali, že 62 až 78 procent nákladů na LLM v špatně navržených nastaveních nevzniká samotnou generací textu, ale opakovaným načítáním stejných kontextových dat. Produktové listy, definice ICP, případové studie, cenové modely – neustále kopírovány do promptu. Po cachování, deduplikaci načítání a směrování modelů klesla spotřeba tokenů v několika implementacích o více než polovinu, aniž by prodejní týmy dostaly méně personalizace. To není okouzlující. To je místo, kde se projekty stávají ekonomicky životaschopnými.

Příklad, anonymizovaný, ale technicky typický: Tým s 34 prodejci generuje týdně 4 500 personalizovaných návrhů e-mailů. První prototyp načetl na jeden návrh asi 18 000 tokenů: CRM poznámky, úryvky z webových stránek, produktové texty, pravidla person, staré e-maily. Po třech týdnech byly náklady vyšší než plánované a latence otravovala. Rozložili jsme prodejní kanál: Lead Fit s malým modelem, načítání pouze pro relevantní produktové řady, pravidla stylu jako komprimovaná politika, velký model pouze pro finální návrh. Výsledek: stejná logika kampaně, ale výrazně méně tokenů a znatelně kratší čekací doba. Zápach horkého ventilátoru notebooku v místnosti Sales Ops nezmizel. Ale byl méně častý.

Kontextová okna nejsou popelnice

Gemini 1.5 Pro s až 1 milionem tokenů kontextu mnoho lidí znervóznilo. Pochopitelně. Dlouhá kontextová okna jsou užitečná, zejména u výběrových řízení, technických specifikací, dlouhých poznámek z jednání a historie účtů. Ale velké kontextové okno není volná jízdenka k tomu, abyste do něj házeli všechno. Čím větší kontext, tím důležitější je relevance. Jinak platíte za to, že se model brodí daty, která by nikdo nenechal v blízkosti rozhodnutí.

Pro prodej to znamená: RAG zůstává centrální. Retrieval-Augmented Generation není akademický pojem, ale otázka, zda model ví, která případová studie je relevantní pro dodavatele automobilového průmyslu v Bádensku-Württembersku a která ne. Brose není DMG Mori. Schaeffler není Kärcher. Systém, který to řádně nerozlišuje, píše povrchně správné, ale obchodně hloupé texty.

Trend 3: Multimodální prodejní agenti nenahrazují prodejce – nahrazují čekací dobu

Nesouhlasím s běžným vyprávěním, že AI nejdříve nahradí prodejce. Krátkodobě nahrazuje čekací dobu. Čas mezi výzkumem účtu a prvním e-mailem. Čas mezi úvodním hovorem a následnou komunikací. Čas mezi technickou otázkou a spolehlivou odpovědí z produktových znalostí. Čas mezi „měli bychom k tomu vytvořit malou vstupní stránku“ a „zde je odkaz“.

To je méně spektakulární než plně autonomní prodejní agent, který údajně uzavírá obchody v noci. Ale je to reálnější. Dobrý co-pilot poslouchá hovor, extrahuje námitky, získává relevantní produktové informace z ověřené znalostní báze, formuluje další kroky a aktualizuje HubSpot nebo Salesforce. Špatný agent napíše pět bodů do poznámkového pole a nazývá to automatizací.

Pro hlas je latence brutální. U textu může uživatel čekat dvě sekundy. U rozhovoru se 700 milisekundová pauza už cítí divně, zvláště v němčině, kde vedlejší věty rády dělají malé okliky. Pro živé co-piloty musí ASR, načítání, odpověď modelu a UI často zůstat pod jednou sekundou, pro skutečné dialogické systémy spíše pod 500 milisekundami tam a zpět. To není jen volba modelu. To je streamování, cachování, předpovídání, design UI a někdy rozhodnutí raději neodpovědět, než dát špatnou odpověď.

Obchodní ředitel z Norimberku, nazývejme ho Markus, řekl v dubnu 2025 po testu s call co-pilotem: „Ta věc může klidně mlčet, ale nesmí mě ztrapnit.“ Přesně to je měřítko. Ne maximální autonomie. Kontrolovaná podpora.

Proč benchmarky v prodeji často lžou

MMLU, MMMU, HumanEval, SWE-bench – všechno užitečné, všechno omezené. Model může být dobrý v benchmarcích a přesto selhat v prodeji, protože špatně váží CRM poznámky, zaměňuje průmyslové termíny nebo je příliš sebevědomý u tenkých dat. Prodej potřebuje vlastní hodnocení: Rozpoznal model správnou personu? Byla správně vybrána případová studie? Je tvrzení podloženo zdrojem? Byl dodržen cenový rámec? Má e-mail skutečný důvod, nebo zní jako automatizace na LinkedIn z roku 2022?

Takové hodnocení obvykle nestavíme jako akademické testy, ale jako produkční zkoušky. 200 skutečných účtů, anonymizovaných. 40 produktových otázek. 30 typů námitek. 10 zakázaných formulací od právního oddělení. Pak necháme modely běžet proti sobě. Ne jednou. Znovu a znovu, po změnách promptů, po výměně modelů, po nových produktových datech. Jinak si nikdo nevšimne, že aktualizace dodavatele najednou změní „lze integrovat s SAP“ na „je certifikováno SAP“. Malý rozdíl. Velká škoda.

FAQ: Co znamená „Nano Banana 2 & Co.“ pro AI v prodeji?

Pokud „Nano Banana 2 & Co.“ označuje novou třídu velmi rychlých obrazových nebo multimodálních modelů, pak nejdůležitějším dopadem není hezký obsah. Nejdůležitějším dopadem je taktování. Prodejní týmy mohou umístit vizuály specifické pro účet, mikrosajty, stavební bloky prezentací a následné kroky do stejného pracovního postupu, ve kterém se dnes generuje pouze text. K tomu však musí dodavatel poskytnout tvrdá čísla: p95 latenci, náklady na 1 000 obrázků, kontrolu práv a značky, stabilitu API, integraci RAG. Bez těchto čísel je to kreativní nástroj s dobrým jménem.

Co to znamená pro střední podniky

Střední podniky by teď neměly horečně honit každé vydání modelu. Říkám to jako inženýr, i když mám nové modely rád. Velmi. Ale lepší otázka pro generálního ředitele strojírenské firmy ve východním Vestfálsku nebo výrobce komponentů poblíž Stuttgartu zní: Které prodejní procesy mají dostatečnou opakovatelnost, dostatek dat a dostatečný ekonomický pákový efekt, aby AI v nich nezůstala jen hračkou?

Inbound sám už nestačí. Kdo v roce 2026 v B2B stále věří, že whitepapery, SEO a veletržní kontakty už naplní prodejní kanál, podceňuje novou realitu. Dobří konkurenti rozpoznají cílové účty dříve, rychleji je prozkoumají, přesněji osloví a napíší následné zprávy, než klasický prodej roztřídí své zprávy z návštěv. Ne proto, že by jejich prodejci byli geniálnější. Protože jejich systém má menší tření.

Pro firmy jako Trumpf, Wittenstein, Festo nebo menší skryté šampiony je příležitost obzvláště velká, protože mají komplexní produkty a argumenty přínosů, které vyžadují vysvětlení. Přesně tam pomáhá AI. Generický SaaS nástroj dokáže vysvětlit každý. Modulární automatizační řešení s variantami, normami, servisním konceptem a výpočtem ROI potřebuje kontext. To je problém modelu, problém dat a problém řízení prodeje. V tomto pořadí? To není úplně pravda. Většinou je řízení na prvním místě.

Amplifa ICP Playbook Praktický playbook pro čistou definici cílových zákazníků, signálů a prodejní logiky, než AI agenti škálují špatné účty.

Konkrétní obchodní dopad

Za prvé, hranice mezi Sales Enablement a Sales Execution se ztenčuje. Dříve marketing vytvářel materiály, prodej je možná používal, často ani ne. S multimodálními modely vzniká materiál v okamžiku použití: jednostránkový dokument pro nákupního manažera, technické srovnání pro vedoucího výroby, následná zpráva s vhodnou grafikou pro finančního ředitele. To může být nebezpečné, pokud nikdo nevytvoří správu. Může to být silné, pokud jsou schválení, zdroje a šablony čisté.

Za druhé, Sales Operations se stává techničtější. Osoba, která dříve udržovala sekvence v Salesloftu, musí v budoucnu rozumět směrování modelů, datovým zdrojům, verzím promptů, QA skóre a kvalitě polí CRM. Ne jako ML inženýr. Ale dostatečně na to, aby zastavila špatnou automatizaci. CSO, který požaduje pouze „více AI“, dostane více výstupů. Ne více obratu.

Za třetí, rychlost se stává měřitelnou. Ne jako slovo na snímku, ale jako systémová metrika: čas od signálu k oslovení, čas od hovoru k následné komunikaci, čas od produktové otázky k podložené odpovědi, čas od příležitosti k první nabídce. Pokud nové vydání modelu tyto časy zkrátí na polovinu, je relevantní. Pokud jen získává body v benchmarcích, může zůstat v laboratoři.

1. Nejprve změřte úzká místa. Ne pocitově, ale s časovými razítky: signál potenciálního zákazníka, začátek výzkumu, první kontakt, odpověď, následná komunikace, nabídka. Bez tohoto základu je každá AI ukázka mlha.
2. Oddělte pracovní postupy podle požadavků modelu. Bodování potenciálních zákazníků vyžaduje jiné modely než generování nabídek, personalizace obrázků nebo call co-pilot. Kombinace modelů není luxus, ale kontrola nákladů.
3. Definujte zásady RAG. Které dokumenty mohou být zahrnuty do odpovědí? Které zdroje jsou zastaralé? Kdo verzuje ceníky, případové studie a technické listy?
4. Vytvořte vlastní hodnocení prodeje. Použijte skutečné účty, skutečné námitky, skutečné produktové otázky. Zkontrolujte vazbu na zdroje, tón, shodu s personou a zakázané formulace.
5. Požadujte od dodavatele latence p50 a p95. Průměrné hodnoty jsou pěkné. p95 ukazuje, co váš tým zažívá v pondělí ve špičce.
6. Počítejte náklady na kampaň, ne na token. Cena tokenu je abstraktní. Sekvence s 10 000 účty, třemi personami a dvěma variantami obrázků je konkrétní.
7. Začněte s procesem, který má blízkost k obratu a přístup k datům. Dobrými kandidáty jsou výzkum účtů, automatizace následné komunikace, stavební bloky nabídek a prioritizace outboundu založená na ICP.

AI v prodeji potřebuje integraci produktu, ne další chatovací okno

Jsem alergický na AI nástroje, které jen otevírají další okno. Prodejci už mají dost oken. Salesforce, HubSpot, Outlook, LinkedIn, výpis z ERP, konfigurátor nabídek, Teams, prohlížeč, někdy ještě starý Access nástroj, kterého se nikdo nechce dotknout. Pokud tam AI není integrovaná, stane se z ní dodatečná práce. Pak lidé zase píšou copy-paste prompty. Pak vyhraje Excel. Excel vyhrává častěji, než poradci přiznávají.

Produkční systém AI pro prodej musí rozumět událostem. Nový potenciální zákazník. Signál z webu. Kontakt z veletrhu. Ztracená příležitost. Nové financování. Inzerát na pozici projektového manažera SAP. Dotaz na náhradní díly. Systém musí rozhodnout, zda je něco relevantní, která persona je důležitá, která zpráva se hodí a zda musí schválit člověk. To není čistě otázka modelu. Je to orchestrace.

Produkt Amplifa Amplifa propojuje logiku ICP, signály potenciálních zákazníků, výzkum s podporou AI a prodejní akce v systému blízkém pracovnímu postupu pro B2B týmy.

Při implementacích s HubSpotem často vidím vzorec: AI je dostatečně dobrá, ale datová struktura není. Fáze životního cyklu jsou nejednotné, oborová pole jsou volně zadávána, lokality DACH jsou smíšené, dceřiné společnosti nejsou řádně propojeny. U Salesforce je to podobné, jen s více objektovou logikou a větším historickým zatížením. Kdo tam přímo nasadí agenta, škáluje chaos. Kdo předtím vyčistí nejdůležitější pole a události, najednou dostane odpovědi, které zní jako prodej a ne jako knihovna promptů.

Kdy se obrazová AI v prodeji skutečně vyplatí

Obrazová AI se nevyplatí pro každý e-mail. Prosím, ne. Nikdo nepotřebuje pro každý první kontakt generovaný obrázek továrny s modrým přechodem. To zavání automatizací, a to špatnou. Obrazová AI se vyplatí tam, kde vizuální kontext urychluje komplexní sdělení: rozložení zařízení, srovnání ROI, procesní schéma, oborová mikrosajta, personalizovaný obal prezentace, schéma před a po, technická varianta. Obzvláště silné je to, když je vizuál napájen skutečnými daty a nejenže vypadá hezky.

U výrobce technických komponentů z jižního Německa jsme v roce 2025 viděli test, při kterém byly personalizované nabídkové stránky s vizuály specifickými pro dané odvětví výrazně častěji interně přeposílány než čistě PDF následné zprávy. Neuvádím žádné fantazijní procento, protože vzorek byl malý. Ale vzorec byl jasný: vizuály nepomáhaly při otevírání. Pomáhaly při dalším vysvětlování. A v B2B často nevyhrává nejlepší e-mail, ale zpráva, kterou příjemce může interně přeposlat bez obav.

Otázka dodavatele: Koupit, postavit nebo orchestrovat?

Mnoho středních podniků si klade špatnou otázku „build-or-buy“. Ptají se: Máme trénovat vlastní model? V 95 procentech prodejních případů: ne. Ptají se: Máme všechno nechat běžet přes jednoho dodavatele? Také ne, alespoň ne naslepo. Lepší otázka zní: Které části hodnotového řetězce musíme kontrolovat? Model? Data? Logika promptů? Hodnocení? UI? Integrace? Audit?

Vlastní základní modely jsou pro většinu prodejních organizací nesmysl. Vlastní orchestrace je naopak často nutná. Kdo přímo používá OpenAI, Anthropic, Google nebo Stability, dostane silné základní modely, ale žádnou automaticky čistou prodejní logiku. Kdo používá hotový Sales-AI-SaaS, získá rychlost, ale někdy malou transparentnost ohledně nákladů na model, načítání nebo tříd chyb. Obojí může být správné. Upřímně? Nevím to bez systémového kontextu. Ale vím, jakou otázku položím na prvním workshopu: Kde se systém může mýlit a kde ne?

U studeného e-mailu nemusí být tón dokonalý. U cenového příslibu se nesmí nic pokazit. U shrnutí hovoru může chybět nepodstatná vedlejší věta. U závazku k dodržování předpisů se nesmí nic vymýšlet. Tyto rizikové třídy musí být součástí architektury. Jinak se diskutuje o názvech modelů, zatímco skutečný problém spočívá v procesu schvalování.

Osobní prognóza: Příští 2 až 3 roky

Moje první prognóza: Pojem „AI v prodeji“ zmizí, protože AI bude součástí každého dobrého prodejního procesu. Nikdo dnes neříká „prodej podporovaný databází“. Používá se CRM. Stejně tak nikdo v roce 2028 nebude hrdě říkat, že jeho následná komunikace využívá AI. Bude se to očekávat.

Moje druhá prognóza: Malé modely budou strategičtější než velké modely. Ne proto, že jsou chytřejší. Ale proto, že mohou běžet blíže k procesu: levněji, rychleji, častěji, s menším dramatem. Velké modely zůstanou důležité pro komplexní úkoly. Ale ekonomický pákový efekt spočívá ve směrování, předběžné kontrole, zhušťování dat a kontrole kvality. To jsou úkoly pro malé, rychlé modely a čistou architekturu.

Moje třetí prognóza: Obrazová AI v B2B bude nejprve přeceňována a poté podceňována. Nejprve přijde příliš mnoho generických vizuálů. Pak přijde vystřízlivění. Poté dobré aplikace: technické náčrty, mikrosajty specifické pro účet, navigace v nabídkách, interní vysvětlení nákupního centra. Pokud „Nano Banana 2 & Co.“ tuto kategorii skutečně urychlí, vítězem nebude nejhezčí obrazový model. Vítězem bude model, který je dostatečně spolehlivý, aby se stal součástí schvalovacího řetězce.

Moje čtvrtá prognóza: Prodejní výhoda se přesune od zprávy k načasování. Pokud všichni dokážou generovat dobré texty, záleží na tom, kdo dříve rozpozná, že je účet připraven k nákupu, kdo správně interpretuje správnou příležitost a kdo během několika minut reaguje s relevantním obsahem. Ne se spamem. S kontextem. To zní nespektakulárně. Ale je to rozdíl mezi prodejním kanálem a šumem.

Právě teď vidím mnoho týmů, které testují modely, jako by modely byly to hlavní. Porovnávají snímky obrazovky, demo odpovědi, žebříčky. Mezitím zůstává CRM špinavé, ICP nejasné, produktová data roztroušená a právní oddělení zapojené příliš pozdě. Pak se diví, že AI v prodeji neškáluje. Model nebyl problém. Byl to jen ten díl, který nejjasněji svítil.