AI w zarządzaniu sprzedażą – kontekst, agenci i automatyzacje

Sztuczna inteligencja w zarządzaniu sprzedażą działa dokładnie tak dobrze, jak dobry jest kontekst, który jej dostarczysz. Bez niego dostajesz generyczne porady, szablonowe maile i rekomendacje, które pasują do każdej firmy — czyli do żadnej. Z dobrze przygotowanym kontekstem AI zaczyna pracować jak ktoś, kto zna Twoją ofertę, Twoich klientów i Twój proces sprzedaży od miesięcy.

Podczas webinaru Kuba Masztalski (Handlowcy.AI) i Bartosz Michałowski (Head of Sales & Client Service, Livespace CRM) pokazali praktyczne zastosowania AI w pracy szefa sprzedaży: od budowania kontekstu, przez proste automatyzacje i agentów AI, po zaawansowane narzędzia budowane w Claude Code i Codeksie. Bez teorii, z konkretnymi przykładami i uczciwym omówieniem pułapek.

Kontekst to fundament pracy z AI

Kuba otworzył webinar tezą, którą powtarzał przez całe spotkanie: kontekst jest najważniejszą rzeczą w pracy ze sztuczną inteligencją. Wszystko inne — agenci, automatyzacje, zaawansowane narzędzia — buduje się dopiero na tym fundamencie.

Trzy poziomy pracy z AI

Bartosz opisał hierarchię, która dobrze porządkuje temat. Poziom pierwszy to zadanie pytania bez żadnego kontekstu: „napisz mi maila”, „pomóż ze strategią sprzedażową”. Poziom drugi to framing przez rolę: „wciel się w rolę szefa sprzedaży z doświadczeniem w branży X”. To już lepiej, ale AI wciąż nic nie wie o Twojej firmie. Poziom trzeci to dostarczenie repozytorium dokumentów opisujących Twój biznes — dopiero wtedy AI filtruje swoje odpowiedzi przez wiedzę o Twojej ofercie, klientach i procesach.

Jak ujął to Bartosz: budowanie kontekstu to w praktyce szkolenie dla sztucznej inteligencji.

Jakie pliki są niezbędne

Kuba pokazał swoje repozytorium kontekstów, które obejmuje między innymi: profil firmy, zakres oferty, mapę procesu sprzedaży, ścieżkę zakupową klienta, role w zespole, buyer persony i propozycje wartości.

Kluczowa uwaga: nie musisz zaczynać od kilkunastu plików. Zacznij od jednego lub dwóch, gdzie spiszesz najważniejsze informacje — czym zajmuje się firma, do kogo sprzedajesz, co sprzedajesz i dlaczego ktoś miałby kupić właśnie od Ciebie. Resztę dobudujesz z czasem.

Kuba podkreślił też, że te dokumenty powinny być tworzone wspólnie z zespołem i regularnie aktualizowane. Najczęstszy problem w firmach: te informacje istnieją, ale wyłącznie w głowach ludzi — szefa sprzedaży, menedżerów, poszczególnych handlowców. Każdy ma swój własny kontekst, ale nie ma wspólnego.

Format ma znaczenie — od PDF do JSON

Bartosz przedstawił praktyczną hierarchię formatów, uporządkowaną od najgorszego do najlepszego.

Najgorsza opcja: PDF-y i PowerPointy. To dokumenty ciężkie do przetworzenia, pełne grafik i formatowania. AI je odczyta, ale zgubi szczegóły i spali mnóstwo tokenów.

Poziom drugi: pliki markdown (.md). Czysty tekst, łatwy do parsowania przez AI. Minus: są brzydkie i trudne w czytaniu dla człowieka.

Poziom trzeci: HTML. Łatwy do parsowania przez AI i jednocześnie czytelny dla ludzi. Kuba pokazał, jak poprosić AI o zwizualizowanie kontekstów w formie pliku HTML w stylu brandingu firmy — z rozwijanymi sekcjami, które zespół może wygodnie przeglądać.

Poziom czwarty: JSON. W pełni ustrukturyzowane dane, po których AI porusza się najpłynniej.

Kontekst stały vs. dokumenty referencyjne i routing

Zaawansowana technika, o której mówił Bartosz: rozdzielenie kontekstu na dwie kategorie. Kontekst stały (operacyjny) — informacje o firmie, procesach, typach klientów, zasadach pracy. To baza, którą AI ma zawsze. Dokumenty referencyjne — katalog produktów, cenniki, szczegółowe specyfikacje. Te podsuwasz tylko wtedy, gdy pracujesz na konkretnym obszarze.

Powód jest prosty: sztuczna inteligencja nie ma nieograniczonej pamięci. Im większy kontekst, tym bardziej pobieżnie go przetwarza.

Rozwiązaniem jest tak zwany routing — plik nawigator, który mówi AI, jakie dokumenty są dostępne, co zawierają i kiedy po nie sięgać. Kuba pokazał, jak taki nawigator działa w praktyce: AI dostaje drogowskazy zamiast stosu 100 stron do przejrzenia.

Bartosz użył trafnej metafory: to różnica między rzuceniem pracownikowi na biurko stosu dokumentów ze słowami „poszukaj sobie”, a powiedzeniem „do tego problemu skorzystaj z tych konkretnych materiałów”.

Proste automatyzacje: od formularza do CRM

Kuba pokazał live automatyzację zbudowaną w Make.com (alternatywnie n8n), która obsługuje cały proces od zgłoszenia z formularza po utworzenie szansy sprzedaży w CRM.

Jak działa taki przepływ

Krok pierwszy: formularz na stronie zbiera podstawowe dane (email firmowy, wiadomość, telefon). Krok drugi: automatyzacja wyciąga domenę z adresu email. Krok trzeci: Apollo.io zwraca dane o firmie — nazwę, stronę, LinkedIn, liczbę pracowników. Krok czwarty: moduł OpenAI przeprowadza dodatkowy research po stronie www i zwraca ustrukturyzowaną notatkę: dane rejestrowe, branża, produkty i usługi, wielkość zespołu, szacowany obrót.

Krok piąty — i tu zaczyna się prawdziwa wartość — kolejny moduł AI dokonuje kwalifikacji leadów na podstawie kryteriów zapisanych w Twoim kontekście. W przykładzie Kuby kryterium było proste (nie sprzedajemy do jednoosobowych działalności), ale w praktyce może obejmować próg przychodów, wielkość zespołu, branżę czy dowolny inny warunek.

Jeśli firma się kwalifikuje, trafia do CRM jako kontakt z gotową notatką i szansą sprzedaży. Jeśli nie — automatyzacja kończy się grzeczną odpowiedzią albo krótkim telefonem.

Wzbogacanie danych o osobach

Ten sam mechanizm działa dla kontaktów, nie tylko firm. Kuba pokazał, jak wykorzystać Apify do wyszukania profilu LinkedIn na podstawie imienia, nazwiska i firmy — i pobrania z niego stanowiska oraz opisu profilu.

Pułapki data enrichmentu — czego unikać

To była jedna z najbardziej wartościowych części webinaru, bo Bartosz mówił otwarcie o kosztach i błędach, o których rzadko się wspomina.

Nie wzbogacaj wszystkiego naraz

Większość narzędzi do enrichmentu zarabia na zużyciu tokenów. Bartosz rekomenduje podejście etapowe: najpierw podstawowe dane pozwalające ocenić, czy firma w ogóle pasuje do Twojego ICP. Dopiero potem, dla zakwalifikowanych firm, wzbogacanie o szczegóły. Na samym końcu — dane kontaktowe, które zwykle są najdroższe.

Jak ostrzegł: puszczając prospecting na autopilocie, można obudzić się z rachunkiem na kilka tysięcy euro miesięcznie przy niewielkiej wartości uzyskanych danych.

Mniejsze firmy = gorsze dane

Małe firmy nie raportują, nie chwalą się kontraktami, nie publikują aktualizacji. Przy nich metryczka często zostaje pusta albo wypełniona bezwartościowymi danymi. Bartosz radzi po prostu nie zbierać danych, które okazują się niewartościowe — i czyścić pola, które konsekwentnie zostają puste.

Ryzyko: handlowcy stają się leniwi

Nieoczywista pułapka, o której Bartosz mówił z własnego doświadczenia: kiedy handlowiec dostaje wszystko na tacy, przestaje się przygotowywać. Zakłada, że notatka jest gotowa, więc zerknie w nią w trakcie rozmowy. Efekt: AI odrobiło pracę domową, ale człowiek nie.

To wymaga świadomego zarządzania sprzedażą — uczulenia zespołu, że automatyzacja nie zwalnia z przygotowania.

Deep research zamiast autopilota

Do większych kampanii prospectingowych czy kluczowych klientów Bartosz rekomenduje deep research zamiast automatycznego wzbogacania. Wynik jest nieporównywalnie lepszy, ale to działanie świadome, nie masowe.

Trzej asystenci AI dla menedżerów sprzedaży

Kuba zaprezentował trzech asystentów zbudowanych specjalnie dla osób zarządzających zespołami handlowymi — obszar, który zwykle jest pomijany, bo większość materiałów o AI w sprzedaży kieruje się do handlowców.

Researcher potencjału — analizuje Twój kontekst (profil firmy, buyer persony, propozycje wartości) i podpowiada nisze oraz pokrewne branże, w których Twoja oferta mogłaby się sprawdzić, a których jeszcze nie eksplorujesz. W demo zwrócił firmy B2B SaaS, integratorów i wdrożeniowców jako niewykorzystany potencjał.

Trener rozmów z zespołem — pomaga przygotować się do trudnej rozmowy z handlowcem lub całym zespołem. Pokazuje potencjalne newralgiczne momenty i sposoby ich zaadresowania komunikacją bez przemocy. Jak zauważył Kuba: handlowców uczy się przygotowywania do rozmów z klientami, ale menedżerowie rzadko mają z kim przegadać trudne sytuacje wewnętrzne.

Pomocnik w decyzjach menedżerskich — przyjmuje problem biznesowy i pokazuje plusy oraz minusy potencjalnej decyzji w Twoim konkretnym kontekście.

Wspólny mianownik: żaden z tych asystentów nie wyręcza Cię w pracy. Nie napisze posta na LinkedIn ani nie sformatuje raportu. Mają pomóc spojrzeć na sytuację z lotu ptaka.

Claude Code i Codex — narzędzia dla zaawansowanych

Kuba pokazał, jak Claude Code i Codex mogą służyć nie tylko do tworzenia aplikacji, ale też do odczytywania i porównywania danych z różnych źródeł.

Skille podłączone do CRM

Kuba stworzył skilla łączącego się z API Livespace CRM. Sposób powstania: „stwórz mi skilla, który będzie odczytywał dane z Livespace” plus link do dokumentacji API. Tyle.

Taki skill potrafi odczytać liczbę otwartych szans sprzedaży, powody przegranych, statystyki lejka sprzedażowego — a następnie połączyć te dane z kontekstami z plików i przygotować zwizualizowaną analizę w HTML.

Kluczowa uwaga bezpieczeństwa: Kuba mocno podkreślił różnicę między odczytem a zapisem. Odczytywanie danych z CRM jest bezpieczne. Dodawanie, zmienianie czy usuwanie danych to zupełnie inna kategoria ryzyka.

Citizen developers w zespole sprzedaży

Bartosz opowiedział, jak wygląda to w Livespace. Handlowcy sami budują sobie narzędzia — prosty kalkulator zwrotu z inwestycji w CRM na rozmowę handlową, narzędzia do pilnowania agendy spotkania, scraper danych z Google Maps. Jeden z jego handlowców napisał dwie aplikacje w jeden wieczór i podzielił się nimi z zespołem.

Ale Bartosz postawił też jasny warunek: najpierw polityka bezpieczeństwa danych, potem budowanie. Aplikacja, która wygląda na działającą, może być niebezpieczna z punktu widzenia wycieku danych. Trzeba ustalić, kto sprawdza takie narzędzia, do jakich danych mogą sięgać i gdzie są osadzone.

Podał też realistyczną perspektywę czasową: stworzenie aplikacji, która wygląda na działającą, zajmuje dwa tygodnie. Doprowadzenie jej do stanu, w którym jest bezpieczna (tzw. hardening), to dodatkowe sześć tygodni.

Pluginy w Livespace

Bartosz wspomniał o nowości: Livespace pozwala teraz osadzać własne aplikacje jako pluginy w interfejsie CRM. Twoja aplikacja działa na Twoich serwerach, a jej wynik wyświetla się jako komponent w systemie. W samym CRM dostępny jest też wbudowany agent analizy firmy.

Bezpieczeństwo danych — minimum, które trzeba zrobić

Na pytanie o bezpieczeństwo danych przekazywanych do AI, prelegenci wskazali konkretne minimum:

Nie korzystaj z planów darmowych. Wyłącz trenowanie modelu na Twoich danych (w ChatGPT: Ustawienia → Kontrola danych → wyłącz „ulepsz model dla wszystkich”; w Claude analogicznie). Nie przekazuj danych osobowych — zwykle są zupełnie niepotrzebne. Często nawet dokładna nazwa firmy nie jest konieczna, bo AI pomoże Ci koncepcyjnie bez tych informacji. Rozważ plany Team lub Enterprise, które mają lepszą politykę prywatności.

Kluczowe wnioski z webinaru

1. Kontekst jest fundamentem. Jeśli po tym webinarze masz zrobić jedną rzecz — spisz kontekst swojej firmy. Wszystko inne buduje się na tym.
2. Zacznij od jednego pliku. Nie musisz mieć kilkunastu dokumentów. Zacznij od profilu firmy i tego, do kogo sprzedajesz. Resztę dobudujesz.
3. Nie wrzucaj PDF-ów. Markdown → HTML → JSON. Poproś AI, żeby przekonwertowało Twoje materiały i uporządkowało strukturę.
4. Rozdziel kontekst stały od referencyjnego. AI nie ma nieograniczonej pamięci. Katalog produktów podsuwaj tylko wtedy, gdy pytanie go dotyczy.
5. Zrób routing. Plik nawigator z drogowskazami znacząco poprawia szczegółowość odpowiedzi.
6. Automatyzuj kwalifikację leadów. Formularz → enrichment → research → kwalifikacja → CRM. Cały ten łańcuch może działać bez udziału człowieka.
7. Wzbogacaj dane etapami. Najpierw podstawy do kwalifikacji, potem szczegóły, na końcu drogie dane kontaktowe. Autopilot potrafi kosztować tysiące euro miesięcznie.
8. Uważaj na rozleniwienie zespołu. Gotowa notatka od AI to nie to samo co przygotowany handlowiec.
9. Najpierw polityka bezpieczeństwa, potem citizen development. Aplikacja może wyglądać na działającą i jednocześnie być dziurawa.
10. Konteksty chronią przed vendor lockiem. Mając gotowe pliki, możesz zmienić narzędzie AI w kilka minut. Liczy się sposób pracy, nie konkretny model.

Narzędzia wymienione podczas webinaru