AI w Sprzedaży: Nano Banana 2 i Trendy Modelowe

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

AI w sprzedaży wymaga zrozumienia modelu: Sprawdź opóźnienia, ceny tokenów i AI obrazu, zanim Twój pipeline stanie się slajdem demo. Przeczytaj teraz.

Większość dyrektorów sprzedaży w 2026 roku nie kupi za mało AI, ale za dużo niewłaściwej AI. AI w sprzedaży jest obecnie traktowana jak lista zakupów: model tekstowy, model obrazu, chatbot, może jeszcze agent głosowy, i gotowe. Jest to wygodne technicznie i niebezpieczne handlowo. Jeśli opóźnienia, ceny tokenów, okno kontekstowe i dostęp do danych nie pasują do siebie, system produkuje piękne dema — i zawodzi dokładnie wtedy, gdy 37 Account Executive'ów rozpoczyna swoje kampanie tygodniowe w poniedziałek o 8:15.

Moja prognoza jest prosta i niewygodna: W ciągu najbliższych dwóch do trzech lat B2B sales nie wygra najlepszy model bazowy, ale najlepsza mieszanka modeli dla każdego workflow. Agent do badania leadów potrzebuje innych właściwości niż generator ofert. Model obrazu do spersonalizowanych mikrowitryn ma inne ograniczenia niż Call Co-Pilot. Kto wszystko załatwia jednym dużym modelem, płaci za dużo, czeka za długo i mimo to dostaje halucynacje do swojego pipeline'u.

Piszę to jako Ohiku Mose Guy, Senior Engineer w Amplifa. Nie jako analityk z czystym kwadrantem. Widzę logi, time-outy, uszkodzone pola CRM, zbyt duże prompty, zbyt małe budżety i menedżerów sprzedaży, którzy chcą wiedzieć, dlaczego kampania e-mailowa z AI brzmi dobrze, ale przynosi tylko 14 odpowiedzi. No cóż, prawie. Czasami przynosi 140 — jeśli system jest prawidłowo zbudowany.

Status quo: AI w sprzedaży to już nie narzędzie, ale infrastruktura

Rynek zmienił się od początku 2024 roku. OpenAI pozycjonowało GPT-4o jako model multimodalny z oknem kontekstowym 128k, Anthropic wprowadził Claude 3, a później Claude 3.5 Sonnet z silnym rozumowaniem i kontekstem 200k, Google wprowadził Gemini 1.5 Pro z kontekstem do 1 miliona tokenów, Stability AI otworzyło stronę obrazu z Stable Diffusion 3. To już nie są zabawki. To są klocki do budowy maszyn sprzedażowych.

Ceny to drugi przełom. Według publicznie udokumentowanych cenników z jesieni 2024 roku, GPT-4o kosztował około 5 USD za 1 milion tokenów wejściowych i 15 USD za 1 milion tokenów wyjściowych. GPT-4o mini był znacznie tańszy, około 0,15 USD za wejście i 0,60 USD za wyjście za 1 milion tokenów. Claude 3 Haiku kosztował mniej więcej 0,25 i 1,25 USD, Claude 3.5 Sonnet około 3 i 15 USD. W przypadku generowania obrazów, obrazy DALL·E-3, w zależności od jakości i rozdzielczości, często kosztowały od 0,04 do 0,08 USD za obraz. Brzmi tanio. I jest — dopóki ktoś nie spersonalizuje 120 000 kont z trzema wariantami, dwoma językami, kontekstem RAG i wizualizacjami bohaterów.

W niemieckich średnich przedsiębiorstwach widzę inne pytanie niż w amerykańskich demo. Nie: Który model jest najinteligentniejszy? Ale: Który model dostarcza stabilnie p95 pod obciążeniem, nie przechowuje błędnych danych, respektuje procesy zatwierdzania i nie pisze warunków ofertowych z głowy? Dyrektor sprzedaży w Phoenix Contact lub Festo nie myśli w tokenach. Myśli w pipeline, marży, logice terytorialnej, kanałach dealerskich i zatwierdzeniach prawnych. Mimo to, tokeny ostatecznie decydują, czy projekt się skaluje.

Według McKinsey Global Institute z czerwca 2023 roku, generatywna AI może uwolnić globalnie od 2,6 do 4,4 biliona USD wartości ekonomicznej rocznie; marketing i sprzedaż należą do największych obszarów funkcjonalnych. Gartner prognozował w 2023 roku, że do 2028 roku około 60 procent pracy sprzedażowej B2B może odbywać się za pośrednictwem konwersacyjnych interfejsów AI, w porównaniu do mniej niż 5 procent wtedy. Lubię takie liczby tylko w połowie. Są duże, okrągłe i dobre na slajdy. Ale pokazują kierunek: Sprzedaż nie jest digitalizowana, sprzedaż jest rozkładana na wywołania modeli.

Trend 1: Ultraszybka AI obrazu staje się częścią sekwencji sprzedażowej

Nazwa „Nano Banana 2” pojawia się w rozmowach jako szyfr: bardzo szybkie generowanie obrazów, małe modele, wizualizacje odpowiednie do sprzedaży, rzekomo prawie bez czasu oczekiwania. Do mojej wiarygodnej wiedzy nie widziałem publicznie udokumentowanej karty modelu, zweryfikowanych benchmarków, ani oficjalnego cennika. Dlatego traktuję tę nazwę nie jako fakt, ale jako sygnał. Rynek chce AI obrazu, która nie działa jak narzędzie kreatywne, ale jak komponent API w sprzedaży.

Dlaczego to jest istotne? Ponieważ spersonalizowana sprzedaż nie kończy się na „Witaj Panie Müller, zauważyłem, że pracuje Pan w Schaeffler”. To było już nużące w 2021 roku. Nowoczesny przepływ outbound może wygenerować mini-landing page dla docelowego konta: nagłówek, argument korzyści, diagram z publicznych danych firmy, motyw obrazu pasujący do branży, a do tego struktura oferty z CRM. Jeśli obraz zajmuje 18 sekund, żaden SDR nie użyje go na co dzień. Jeśli zajmuje 3 sekundy, staje się częścią systemu.

Granice techniczne są twarde. Publiczne modele obrazu w chmurze w 2024 roku w wielu konfiguracjach realistycznie zajmowały od 3 do 15 sekund na obraz 1024x1024. Zoptymalizowane wdrożenia z mniejszymi lub destylowanymi modelami dyfuzyjnymi, ciepłymi sesjami GPU i krótkim opóźnieniem sieciowym osiągają poniżej 2 sekund dla mniejszych rozdzielczości. Poniżej sekundy? Możliwe, ale rzadko bez utraty jakości. I właśnie tu leży pytanie sprzedażowe: Czy potrzebuję pięknego obrazu, czy wystarczająco dobrego obrazu, który pozostaje poniżej 5 sekund p95?

Jeśli obraz jest gotowy szybciej niż ładuje się mój CRM, to nie jest to już projekt kreatywny. To jest system sprzedaży.

— Andrea, Head of Sales w firmie automatyzującej w Bielefeld

Andrea powiedziała mi to w marcu 2025 roku po przeglądzie przepływu kampanii dla dostawców maszyn. Bez wielkiego teatru. Tylko jedno zdanie w trzeźwym pomieszczeniu, biały sufit akustyczny, ciche buczenie projektora. Punkt pozostał. AI obrazu nie stanie się ważna, bo sprzedaż ma być bardziej kolorowa. Stanie się ważna, bo różnica między ogólnym a specyficznym dla konta podejściem nagle nie kosztuje już dwóch godzin pracy projektowej.

Co model taki jak „Nano Banana 2” naprawdę musiałby dostarczyć

Jeśli dostawca twierdzi dziś, że ma szybką AI obrazu do treści sprzedażowych, nie pytam najpierw o przykładowe obrazy. Pytam o p50 i p95. Pytam o zachowanie partii przy 50 równoległych żądaniach. Pytam, czy teksty w obrazach pozostają stabilne. Pytam, czy zestawy marki mogą być wersjonowane. Pytam, czy obraz wygenerowany dla Kärcher, Trumpf czy Webasto nie generuje przypadkiem logo, błędnych form produktów lub fantazyjnych certyfikatów.

Brzmi to pedantycznie. I takie jest. Ale systemy sprzedażowe nie umierają na demo. Umierają na przypadkach brzegowych: błędnie napisana nazwa firmy, wymyślona norma, wizualizacja z niewłaściwą maszyną, e-mail do niewłaściwej lokalizacji, CTA wskazujące na wygasłą stronę oferty. AI obrazu zwiększa powierzchnię błędów. Właśnie dlatego potrzebuje więcej inżynierii, a nie mniej.

Trend 2: Ceny tokenów decydują o architekturze pipeline'u

Wiele zespołów sprzedażowych nie docenia cen tokenów, ponieważ pojedyncze wywołanie modelu wydaje się tanie. Podsumowanie konta z 8000 tokenów wejściowych i 800 tokenów wyjściowych kosztuje prawie nic w przypadku małego modelu. W przypadku dużego modelu, z pięcioma wariantami, kontekstem RAG, tłumaczeniem i krokiem QA, rachunek wygląda inaczej. Teraz pomnóż to przez 20 000 kont, trzy persony na konto i sześć punktów styku. Nagle to już nie SDR jest drogi, ale zła architektura.

Uważam podejście „jeden duży model do wszystkiego” w sprzedaży za leniwe. Nie zawsze błędne. Ale często leniwe. Dobry system wykorzystuje małe modele do klasyfikacji, deduplikacji, routingu i pierwszych szkiców. Duże modele wchodzą w grę tylko przy zadaniach, które faktycznie wymagają rozumowania: złożone hipotezy dotyczące konta, logika ofert, obsługa zastrzeżeń, prawnie wrażliwe sformułowania. Modele obrazu działają oddzielnie, z pamięcią podręczną i wyraźnym poziomem jakości. RAG nie jest po prostu stosem PDF-ów do promptu, ale jest ewaluowany.

Co konkretnie widzimy w Amplifa: W ciągu ostatnich 12 miesięcy u klientów B2B z branży maszynowej, oprogramowania przemysłowego i usług technicznych zaobserwowaliśmy, że 62 do 78 procent kosztów LLM w źle zaprojektowanych konfiguracjach nie wynika z faktycznego generowania tekstu, ale z wielokrotnego wczytywania tych samych danych kontekstowych. Arkusze danych produktów, definicje ICP, studia przypadków, modele cenowe — zawsze kopiowane do promptu. Po buforowaniu, deduplikacji wyszukiwania i routingu modeli, zużycie tokenów w kilku implementacjach spadło o ponad połowę, bez zmniejszenia personalizacji dla zespołów sprzedażowych. To nie jest efektowne. To jest punkt, w którym projekty stają się ekonomiczne.

Przykład, anonimowy, ale technicznie typowy: Zespół 34 handlowców generuje tygodniowo 4500 spersonalizowanych szkiców e-maili. Pierwszy prototyp wczytywał około 18 000 tokenów na szkic: notatki CRM, fragmenty stron internetowych, teksty produktów, zasady persony, stare e-maile. Po trzech tygodniach koszty były wyższe niż planowano, a opóźnienia irytowały. Rozłożyliśmy pipeline: dopasowanie leada małym modelem, wyszukiwanie tylko dla odpowiednich rodzin produktów, zasady stylu jako skompresowana polityka, duży model tylko do ostatecznego szkicu. Wynik: ta sama logika kampanii, ale znacznie mniej tokenów i zauważalnie krótszy czas oczekiwania. Zapach gorącego wentylatora laptopa w pokoju Sales Ops nie zniknął. Ale był rzadszy.

Okna tokenów to nie śmietniki

Gemini 1.5 Pro z kontekstem do 1 miliona tokenów zaniepokoił wiele osób. Zrozumiałe. Długie okna kontekstowe są przydatne, zwłaszcza w przypadku przetargów, specyfikacji technicznych, długich notatek z rozmów i historii kont. Ale duże okno kontekstowe nie jest przepustką do wrzucania wszystkiego. Im większy kontekst, tym ważniejsza staje się trafność. W przeciwnym razie płaci się za to, że model brodzi w danych, których nikt nie dopuściłby do podjęcia decyzji.

Dla sprzedaży oznacza to: RAG pozostaje kluczowy. Retrieval-Augmented Generation to nie termin akademicki, ale pytanie, czy model wie, które studium przypadku jest istotne dla dostawcy samochodowego w Badenii-Wirtembergii, a które nie. Brose to nie DMG Mori. Schaeffler to nie Kärcher. System, który tego nie rozróżnia, pisze powierzchownie poprawne, ale biznesowo głupie teksty.

Trend 3: Multimodalni agenci sprzedaży nie zastępują sprzedawców — zastępują czas oczekiwania

Sprzeciwiam się powszechnej narracji, że AI najpierw zastępuje sprzedawców. Krótkoterminowo zastępuje czas oczekiwania. Czas między badaniem konta a pierwszym e-mailem. Czas między rozmową odkrywczą a follow-upem. Czas między pytaniem technicznym a wiarygodną odpowiedzią z bazy wiedzy o produkcie. Czas między „powinniśmy stworzyć małą landing page” a „oto link”.

To jest mniej spektakularne niż w pełni autonomiczny agent sprzedaży, który rzekomo zamyka transakcje w nocy. Ale jest bardziej realne. Dobry co-pilot słucha rozmowy, wyodrębnia zastrzeżenia, pobiera odpowiednie informacje o produkcie ze sprawdzonej bazy wiedzy, formułuje kolejne kroki i aktualizuje HubSpot lub Salesforce. Zły agent pisze pięć punktów w polu notatek i nazywa to automatyzacją.

Dla głosu opóźnienie jest brutalne. W przypadku tekstu użytkownik może poczekać dwie sekundy. W rozmowie 700 milisekund przerwy już wydaje się dziwne, zwłaszcza po niemiecku, gdzie zdania podrzędne lubią małe objazdy. Dla live co-pilotów ASR, wyszukiwanie, odpowiedź modelu i interfejs użytkownika często muszą mieścić się w jednej sekundzie, dla prawdziwych systemów dialogowych raczej poniżej 500 milisekund w obie strony. To nie tylko wybór modelu. To strumieniowanie, buforowanie, przewidywanie, projektowanie interfejsu użytkownika, a czasem decyzja, by raczej nie odpowiadać niż odpowiedzieć błędnie.

Dyrektor sprzedaży z Norymbergi, nazwijmy go Markus, powiedział w kwietniu 2025 roku po teście z Call Co-Pilotem: „To coś może milczeć, ale nie może mnie ośmieszyć”. To jest właśnie miara. Nie maksymalna autonomia. Kontrolowane wsparcie.

Dlaczego benchmarki w sprzedaży często kłamią

MMLU, MMMU, HumanEval, SWE-bench — wszystko przydatne, wszystko ograniczone. Model może być dobry w benchmarkach, a mimo to zawieść w sprzedaży, ponieważ błędnie waży notatki CRM, myli terminy branżowe lub staje się zbyt pewny siebie przy niewielkich danych. Sprzedaż potrzebuje własnych ewaluacji: Czy model rozpoznał właściwą personę? Czy studium przypadku zostało poprawnie wybrane? Czy twierdzenie jest poparte źródłem? Czy ramy cenowe zostały zachowane? Czy e-mail ma prawdziwy powód, czy brzmi jak automatyzacja LinkedIn z 2022 roku?

Takie ewaluacje budujemy zazwyczaj nie jako testy akademickie, ale jako testy produkcyjne. 200 prawdziwych kont, anonimizowanych. 40 pytań o produkt. 30 typów zastrzeżeń. 10 niedopuszczalnych sformułowań prawnych. Następnie uruchamiamy modele przeciwko sobie. Nie raz. Wciąż na nowo, po zmianach promptów, po zmianie modelu, po nowych danych produktowych. W przeciwnym razie nikt nie zauważy, że aktualizacja dostawcy nagle zmienia „może być zintegrowane z SAP” w „jest certyfikowane przez SAP”. Mała różnica. Duża szkoda.

FAQ: Co oznacza „Nano Banana 2 & Co.” dla AI w sprzedaży?

Jeśli „Nano Banana 2 & Co.” odnosi się do nowej klasy bardzo szybkich modeli obrazu lub multimodalnych, to najważniejszym efektem nie jest ładniejsza treść. Najważniejszym efektem jest taktowanie. Zespoły sprzedażowe mogą umieszczać wizualizacje specyficzne dla konta, mikrowitryny, elementy prezentacji i follow-upy w tym samym workflow, w którym dziś generowany jest tylko tekst. Ale dostawca musi dostarczyć twarde liczby: opóźnienie p95, koszty za 1000 obrazów, kontrolę praw i marki, stabilność API, integrację RAG. Bez tych liczb jest to narzędzie kreatywne z dobrą nazwą.

Co to oznacza dla średnich przedsiębiorstw

Średnie przedsiębiorstwa nie powinny teraz gorączkowo ścigać każdego wydania modelu. Mówię to jako inżynier, chociaż lubię nowe modele. Bardzo. Ale lepsze pytanie dla dyrektora zarządzającego w firmie produkującej maszyny w Ostwestfalen lub producenta komponentów w pobliżu Stuttgartu brzmi: Które procesy sprzedażowe mają wystarczającą powtarzalność, wystarczającą ilość danych i wystarczającą dźwignię ekonomiczną, aby AI nie pozostała tam tylko zabawką?

Sam inbound już nie wystarczy. Kto w 2026 roku w B2B nadal wierzy, że whitepapery, SEO i kontakty z targów wypełnią pipeline, nie docenia nowej rzeczywistości. Dobrzy konkurenci wcześniej rozpoznają konta docelowe, szybciej przeprowadzą badania, precyzyjniej się do nich zwrócą i napiszą follow-upy, zanim klasyczny dział sprzedaży uporządkuje swoje raporty z wizyt. Nie dlatego, że ich sprzedawcy są genialniejsi. Ale dlatego, że ich system ma mniej tarcia.

Dla firm takich jak Trumpf, Wittenstein, Festo czy mniejszych Hidden Champions szansa jest szczególnie duża, ponieważ mają złożone produkty i argumenty korzyści wymagające wyjaśnienia. Właśnie tam pomaga AI. Ogólne narzędzie SaaS każdy może wyjaśnić. Modułowe rozwiązanie automatyzacji z wariantami, normami, koncepcją serwisu i kalkulacją ROI wymaga kontekstu. To jest problem modelu, problem danych i problem zarządzania sprzedażą. W tej kolejności? Nie do końca. Zazwyczaj zarządzanie jest pierwsze.

Amplifa ICP Playbook Praktyczny playbook do precyzyjnego definiowania klientów docelowych, sygnałów i logiki sprzedaży, zanim agenci AI skalują niewłaściwe konta.

Konkretny wpływ na biznes

Po pierwsze, granica między Sales Enablement a Sales Execution staje się cieńsza. Wcześniej marketing tworzył materiały, sprzedaż może z nich korzystała, często nie. Z multimodalnymi modelami materiał powstaje w momencie użycia: jednostronicowy dokument dla dyrektora zakupów, techniczne porównanie dla kierownika zakładu, follow-up z odpowiednią grafiką dla dyrektora finansowego. Może to być niebezpieczne, jeśli nikt nie zbuduje zarządzania. Może być silne, jeśli zatwierdzenia, źródła i szablony są czyste.

Po drugie, Sales Operations staje się bardziej techniczne. Osoba, która wcześniej zarządzała sekwencjami w Salesloft, będzie musiała w przyszłości rozumieć routing modeli, źródła danych, wersje promptów, wyniki QA i jakość pól CRM. Nie jak inżynier ML. Ale wystarczająco, aby zatrzymać złą automatyzację. CSO, który żąda tylko „więcej AI”, dostaje więcej wyników. Nie więcej obrotów.

Po trzecie, prędkość staje się mierzalna. Nie jako słowo na slajdzie, ale jako metryka systemu: czas od sygnału do kontaktu, czas od rozmowy do follow-upu, czas od pytania o produkt do udokumentowanej odpowiedzi, czas od okazji do pierwszej oferty. Jeśli nowa wersja modelu skraca te czasy o połowę, jest istotna. Jeśli tylko zdobywa punkty w benchmarkach, może pozostać w laboratorium.

1. Najpierw zmierz wąskie gardła. Nie na wyczucie, ale z timestampami: sygnał leada, początek badania, pierwszy punkt styku, odpowiedź, follow-up, oferta. Bez tej podstawy każde demo AI to mgła.
2. Rozdziel przepływy pracy według wymagań modelu. Scoring leadów potrzebuje innych modeli niż generowanie ofert, personalizacja obrazu czy Call Co-Pilot. Mieszanka modeli to nie luksus, ale kontrola kosztów.
3. Zdefiniuj politykę RAG. Jakie dokumenty mogą być używane w odpowiedziach? Które źródła są przestarzałe? Kto wersjonuje cenniki, studia przypadków i arkusze danych technicznych?
4. Zbuduj własne ewaluacje sprzedażowe. Weź prawdziwe konta, prawdziwe zastrzeżenia, prawdziwe pytania o produkt. Sprawdź powiązanie ze źródłami, ton, dopasowanie do persony i niedopuszczalne sformułowania.
5. Żądaj od dostawcy opóźnień p50 i p95. Średnie wartości są miłe. p95 pokazuje, czego doświadcza Twój zespół w poniedziałki w szczycie.
6. Oblicz koszty na kampanię, nie na token. Cena tokena jest abstrakcyjna. Sekwencja z 10 000 kont, trzema personami i dwoma wariantami obrazu jest konkretna.
7. Zacznij od procesu, który ma bliskość do przychodów i dostęp do danych. Dobrymi kandydatami są badania kont, automatyzacja follow-upów, elementy ofert i priorytetyzacja outbound oparta na ICP.

AI w sprzedaży potrzebuje integracji produktu, a nie kolejnego okna czatu

Jestem uczulony na narzędzia AI, które otwierają tylko kolejne okno. Sprzedawcy mają już wystarczająco dużo okien. Salesforce, HubSpot, Outlook, LinkedIn, wyciąg z ERP, konfigurator ofert, Teams, przeglądarka, czasem jeszcze stare narzędzie Access, którego nikt nie chce dotykać. Jeśli AI nie jest tam zintegrowana, staje się dodatkową pracą. Wtedy ludzie znowu piszą prompty kopiuj-wklej. Wtedy wygrywa Excel. Excel wygrywa częściej, niż przyznają konsultanci.

System Sales-AI gotowy do produkcji musi rozumieć zdarzenia. Nowy lead. Sygnał ze strony internetowej. Kontakt z targów. Utracona okazja. Nowe finansowanie. Ogłoszenie o pracę dla kierownika projektu SAP. Zapytanie o części zamienne. System musi zdecydować, czy coś jest istotne, która persona się liczy, jaka wiadomość pasuje i czy człowiek musi to zatwierdzić. To nie jest tylko kwestia modelu. To jest orkiestracja.

Amplifa Produkt Amplifa łączy logikę ICP, sygnały leadów, badania wspomagane AI i działania sprzedażowe w systemie bliskim workflow dla zespołów B2B.

W implementacjach z HubSpotem często widzę wzorzec: AI jest wystarczająco dobra, ale struktura danych nie. Etapy cyklu życia są niespójne, pola branżowe wpisywane dowolnie, lokalizacje DACH pomieszane, spółki zależne nie są prawidłowo połączone. W Salesforce jest podobnie, tylko z większą logiką obiektów i większym obciążeniem historycznym. Kto tam bezpośrednio umieści agenta, skaluje chaos. Kto wcześniej uporządkuje najważniejsze pola i zdarzenia, nagle otrzymuje odpowiedzi, które brzmią jak sprzedaż, a nie jak biblioteka promptów.

Kiedy AI obrazu naprawdę się opłaca w sprzedaży

AI obrazu nie opłaca się dla każdego e-maila. Proszę, nie. Nikt nie potrzebuje dla każdego pierwszego kontaktu wygenerowanego obrazu fabryki z niebieskim gradientem. To pachnie automatyzacją, i to źle. AI obrazu opłaca się tam, gdzie kontekst wizualny szybciej przekazuje złożoną informację: układ instalacji, porównanie ROI, szkic procesu, mikrowitryna branżowa, spersonalizowana okładka prezentacji, schemat przed-po, wariant techniczny. Szczególnie silne staje się to, gdy wizualizacja jest zasilana prawdziwymi danymi, a nie tylko ładnie wygląda.

U producenta komponentów technicznych z południowych Niemiec widzieliśmy w 2025 roku test, w którym spersonalizowane strony ofertowe z wizualizacjami specyficznymi dla branży były znacznie częściej przekazywane wewnętrznie niż czyste follow-upy PDF. Nie podaję fantazyjnej wartości procentowej, ponieważ próbka była mała. Ale wzorzec był jasny: wizualizacje nie pomagały w otwieraniu. Pomagały w dalszym wyjaśnianiu. A w B2B często wygrywa nie najlepszy e-mail, ale wiadomość, którą odbiorca może bez obaw przekazać wewnętrznie.

Pytanie o dostawcę: Kupować, budować czy orkiestrować?

Wiele średnich przedsiębiorstw zadaje niewłaściwe pytanie o budowanie lub kupowanie. Pytają: Czy powinniśmy trenować własny model? W 95 procentach przypadków sprzedażowych: nie. Pytają: Czy powinniśmy wszystko prowadzić przez jednego dostawcę? Również nie, przynajmniej nie na ślepo. Lepsze pytanie brzmi: Jakie części łańcucha wartości musimy kontrolować? Model? Dane? Logika promptów? Ewaluacje? Interfejs użytkownika? Integracje? Audyt?

Własne modele bazowe są dla większości organizacji sprzedażowych nonsensem. Własna orkiestracja jest natomiast często konieczna. Kto bezpośrednio korzysta z OpenAI, Anthropic, Google czy Stability, otrzymuje silne modele podstawowe, ale nie automatycznie czystą logikę sprzedażową. Kto korzysta z gotowego SaaS-u Sales-AI, otrzymuje szybkość, ale czasem niewielką przejrzystość co do kosztów modelu, wyszukiwania czy klas błędów. Obie opcje mogą być prawidłowe. Szczerze? Nie wiem bez kontekstu systemu. Ale wiem, jakie pytanie zadaję na pierwszym warsztacie: Gdzie system może się mylić, a gdzie nie?

W przypadku zimnego e-maila ton nie musi być idealny. W przypadku obietnicy ceny nic nie może się wymknąć. W przypadku podsumowania rozmowy może brakować nieistotnego zdania pobocznego. W przypadku zobowiązania do zgodności nic nie może być wymyślone. Te klasy ryzyka muszą być uwzględnione w architekturze. W przeciwnym razie dyskutuje się o nazwach modeli, podczas gdy prawdziwy problem leży w procesie zatwierdzania.

Osobista prognoza: Następne 2 do 3 lat

Moja pierwsza prognoza: Termin „AI w sprzedaży” zniknie, ponieważ AI będzie w każdym dobrym procesie sprzedażowym. Nikt dziś nie mówi „sprzedaż wspomagana bazą danych”. Używa się CRM. Tak samo nikt w 2028 roku nie będzie z dumą mówił, że jego follow-up wykorzystuje AI. Będzie to oczekiwane.

Moja druga prognoza: Małe modele staną się bardziej strategiczne niż duże modele. Nie dlatego, że są mądrzejsze. Ale dlatego, że mogą działać bliżej procesu: taniej, szybciej, częściej, z mniejszym dramatem. Duże modele pozostają ważne dla złożonych zadań. Ale dźwignia ekonomiczna leży w routingu, wstępnej weryfikacji, zagęszczaniu danych i kontroli jakości. To są zadania dla małych, szybkich modeli i czystej architektury.

Moja trzecia prognoza: AI obrazu w B2B będzie najpierw przeceniana, a potem niedoceniana. Najpierw pojawi się zbyt wiele ogólnych wizualizacji. Potem rozczarowanie. Następnie dobre zastosowania: szkice techniczne, mikrowitryny specyficzne dla konta, nawigacja ofertowa, wewnętrzne wyjaśnienia dla centrów zakupowych. Jeśli „Nano Banana 2 & Co.” naprawdę przyspieszy tę kategorię, zwycięzcą nie będzie najładniejszy model obrazu. Zwycięzcą będzie model, który jest wystarczająco niezawodny, aby stać się częścią łańcucha zatwierdzania.

Moja czwarta prognoza: Przewaga sprzedażowa przeniesie się z wiadomości na czas. Jeśli wszyscy mogą generować dobre teksty, liczy się, kto wcześniej rozpozna, że konto jest gotowe do zakupu, kto prawidłowo zinterpretuje właściwą okazję i kto w ciągu kilku minut zareaguje z odpowiednią treścią. Nie spamem. Kontekstem. Brzmi to nieefektownie. Ale to jest różnica między pipeline a szumem.

Widzę teraz wiele zespołów, które testują modele, jakby modele były najważniejsze. Porównują zrzuty ekranu, odpowiedzi demo, rankingi. Przy okazji CRM pozostaje brudny, ICP niewyraźne, dane produktów rozproszone, a dział prawny za późno włączony. Potem dziwią się, że AI w sprzedaży się nie skaluje. Model nie był problemem. Był tylko częścią, która najjaśniej świeciła.