Podsumowanie Webinaru: AI w Prospectingu Cz. 2 – Tworzenie skutecznych wiadomości prospectingowych z AI

Jak zamienić bazę prospectingową w skuteczne, spersonalizowane wiadomości sprzedażowe? 11 lutego 2026 roku Livespace wraz z ekspertami z Handlowcy.AI przeprowadził drugą część warsztatu poświęconego wykorzystaniu AI w prospectingu B2B. Tym razem skupiliśmy się na konkretach: wzbogacaniu baz danych, identyfikacji sygnałów zakupowych, tworzeniu wiadomości cold mailingowych i automatyzacji całego procesu — od pierwszego maila po kwalifikację leada w CRM.

Warsztaty poprowadzili Kuba Masztalski i Michał Mroczkiewicz z projektu Handlowcy.AI oraz Bartek Michałowski z Livespace. Jeśli nie widziałeś pierwszej części, w której omówiliśmy konfigurację narzędzi AI, definiowanie ICP i Deep Research — znajdziesz ją tutaj.

Wzbogacanie bazy prospectingowej z AI

Pierwsza część warsztatu skoncentrowała się na tym, co zrobić z bazą firm przygotowaną w części pierwszej. Kuba pokazał, że nawet bez wyspecjalizowanych narzędzi enrichmentowych możemy wzbogacić dane o firmach — wystarczy wrzucić plik CSV do Gemini lub ChatGPT z prośbą o uzupełnienie adresów mailowych i telefonów ze stron internetowych tych firm. Na niewielkich bazach (do kilkudziesięciu rekordów) narzędzia AI radzą sobie z tym zaskakująco dobrze — sczytują dane kontaktowe bezpośrednio ze stron www.

Dla większych baz i bardziej zaawansowanego enrichmentu eksperci zaprezentowali trzy dedykowane narzędzia.

Apollo — enrichment i wyszukiwanie kontaktów

Apollo posiada jedną z lepszych baz kontaktów B2B na polskim rynku. Po zaimportowaniu bazy firm w formacie CSV narzędzie automatycznie wyszukuje osoby kontaktowe powiązane z danymi firmami — w pokazanym przykładzie dla 26 dealerów samochodowych z Górnego Śląska Apollo znalazł ponad 500 kontaktów. Szczególnie przydatna jest funkcja „Company Look-alikes”, która pozwala wyszukiwać firmy podobne do tych już znajdujących się w bazie. Apollo umożliwia też filtrowanie firm po technologiach, z których korzystają, lokalizacji oraz sygnałach zakupowych. Narzędzie oferuje darmowy 14-dniowy trial planu Professional.

Clay — zaawansowany enrichment z automatyzacją

Clay działa podobnie do Apollo, ale oferuje jeszcze więcej możliwości wzbogacania danych. Po zaimportowaniu bazy CSV można wybrać identyfikator firmy (np. stronę www), a następnie skorzystać z dziesiątek opcji enrichmentu: pełna nazwa firmy, liczba pracowników, rozmiar, branża i wiele innych. Clay wyróżnia się modułem AI, który pozwala wpisać cel, jaki chcemy osiągnąć, a narzędzie samo przygotowuje kolejne kroki automatyzacji. Jest droższy od Apollo, ale oferuje większą elastyczność.

Apify — scrapery i wyciąganie danych z LinkedIna

Apify to zbiór mini-aplikacji, scraperów i skryptów, które można wpiąć w automatyzacje (np. w Make czy n8n). Kuba pokazał scraper „LinkedIn Profile Search”, który wyszukuje profile na LinkedInie i pobiera z nich szczegółowe informacje — bez konieczności podłączania własnego konta LinkedIn, co jest istotne, bo LinkedIn aktywnie blokuje automatyzację i zawiesza konta za masowe pobieranie danych.

Dzięki temu scraperowi można znaleźć nie tylko link do profilu danej osoby, ale też jej nagłówek, doświadczenie, kursy i inne informacje, które później posłużą do hiperpersonalizacji wiadomości prospectingowych.

Identyfikacja sygnałów zakupowych i triggerów

Samo posiadanie wzbogaconej bazy to dopiero połowa sukcesu. Żeby wiadomość prospectingowa przyciągnęła uwagę, musi trafiać w konkretny problem odbiorcy. Michał pokazał, jak za pomocą AI wyszukiwać tak zwane triggery — sygnały zakupowe i problemy specyficzne dla danej firmy.

Manus — agent AI do pogłębionego researchu

Manus działa jako agent, który samodzielnie odwiedza strony internetowe, zbiera informacje i tworzy analizy. Na przykładzie firmy Stena Recycling ze Szwecji Michał pokazał, jak Manus odnajduje konkretne sygnały zakupowe wraz z odnośnikami do źródeł i datami publikacji. Agent potrafi też wyszukiwać firmy podobne (look-alikes) i budować listy z adresami mailowymi osób decyzyjnych — taki enrichment “na piechotę”, ale bez wykupywania licencji w drogich narzędziach.

Asystenci w Gemini — poszukiwacz problemów i identyfikator sygnałów

Michał zaprezentował dwa podejścia do identyfikacji triggerów w Gemini. Pierwszy asystent — „Poszukiwacz problemów” — to bardziej generyczny Gem, który dopytuje o kontekst (co sprzedajemy, kogo szukamy, jaka branża) i na tej podstawie identyfikuje potencjalne problemy klientów. Drugi — „Identyfikator sygnałów” — jest precyzyjniejszy i dla konkretnej firmy przygotowuje pogłębiony raport z triggerami, szansami i kontekstem makro/mikro.

Tworzenie skutecznych wiadomości prospectingowych

Mając zebrane triggery, można przejść do tworzenia treści wiadomości. Michał pokazał podejście etapowe: najpierw zbieramy sygnały, potem przekazujemy je do asystenta cold mailingowego, który opracowuje gotowe sekwencje maili.

Personalizacja w skali — snippety jako game changer

Kluczowa koncepcja z warsztatu to wykorzystanie snippetów (krótkich, spersonalizowanych fragmentów tekstu) w narzędziach do wysyłki maili typu Woodpecker. Każdy snippet to np. pierwszy paragraf maila, napisany indywidualnie pod konkretną firmę na podstawie znalezionego triggera. Reszta wiadomości może być wspólna dla segmentu, ale ten jeden spersonalizowany fragment sprawia, że odbiorca widzi, iż ktoś odrobił pracę domową.

Takie podejście pozwala rozpisać całą kampanię na wiele touchpointów: mail otwierający skupia się na jednym triggerze, a kolejne follow-upy — zamiast „podbijania” w stylu „czy widział Pan naszą wiadomość?” — wnoszą nową wartość, nawiązując do kolejnych problemów znalezionych w researchu.

Co wycinać z wiadomości prospectingowych

Eksperci byli zgodni co do kilku praktyk, których należy unikać:

Otwieranie maili frazami typu „I hope this email finds you well” albo polskimi odpowiednikami w stylu „mam nadzieję, że dzień upływa Panu dobrze” to stracone miejsce. Pierwsza linijka maila wyświetla się jako preview w skrzynce — jeśli nie wnosi wartości, odbiorca od razu kasuje wiadomość.

Maile powinny być krótkie i „mobile friendly” — większość odbiorców czyta je na telefonie. Amerykański, nadmiernie entuzjastyczny ton („amazing!”, „incredible opportunity!”) nie działa na polskim rynku i powinien być jawnie wyeliminowany w instrukcjach dla AI.

Zamiast generycznych follow-upów „just circling back” każdy kolejny mail w sekwencji powinien wnosić nową propozycję wartości.

Asystent oceny komunikacji — dociskaj AI

Jednym z najciekawszych narzędzi pokazanych na warsztacie był asystent oceny komunikacji w Gemini, zapromptowany tak, żeby wcielał się w rolę odbiorcy (np. dyrektora sprzedaży z konkretnej branży) i bezlitośnie oceniał wiadomości prospectingowe. Asystent analizuje czytelność, siłę CTA, potencjalne słowa triggerujące filtry antyspamowe i proponuje poprawioną wersję.

Kuba podkreślił, że nadawanie AI różnych ról to technika kontrintuicyjna, ale niezwykle skuteczna. Można nawet poprosić AI o wcielenie się w kilka ról jednocześnie, żeby ocenić wiadomość z różnych perspektyw. Eksperci zachęcali też do „popychania” AI — prosząc o bardziej niestandardowe, mniej sztampowe problemy i rozwiązania. AI domyślnie idzie po linii najmniejszego oporu, ale gdy dostanie jasny sygnał, że chcemy czegoś mniej oczywistego, potrafi generować naprawdę wartościowe, wyróżniające się treści.

Automatyzacja: od odpowiedzi do CRM

Kuba pokazał, jak za pomocą platformy Make (alternatywnie n8n) zautomatyzować proces obsługi odpowiedzi na kampanie prospectingowe. Schemat automatyzacji wygląda następująco:

Narzędzie do wysyłki maili (np. Woodpecker) przekazuje odpowiedź na kampanię do platformy automatyzacji. Tam moduł GPT analizuje sentyment odpowiedzi — niezależnie od wbudowanej analizy sentymentu w samym narzędziu mailingowym. Jeśli odpowiedź jest pozytywna, automatyzacja przygotowuje draft spersonalizowanego maila zwrotnego, zapisuje go w skrzynce, wysyła powiadomienie SMS do handlowca, a następnie sprawdza, czy firma istnieje już w CRM. W zależności od wyniku tworzy firmę, kontakt i szansę sprzedaży. Jeśli sentyment jest neutralny lub niejednoznaczny, w CRM powstaje zadanie dla handlowca do ręcznego sprawdzenia.

Taka automatyzacja jest szczególnie wartościowa, gdy włożyliśmy dużo pracy w spersonalizowaną kampanię — pozwala błyskawicznie reagować na odpowiedzi klientów w momencie, gdy temat jest świeży.

Kwalifikacja leadów i analityka w CRM

Bartek z Livespace pokazał, dlaczego mierzenie efektywności prospectingu nie może kończyć się na open rate’ach i response rate’ach. Prawdziwy obraz skuteczności daje dopiero analiza pełnego cyklu życia leada — od pozyskania, przez kwalifikację (MQL → SAL), aż po konwersję na klienta i retencję.

Tagowanie i parametryzacja leadów

Na etapie kwalifikacji w CRM warto zbierać jak najwięcej informacji: źródło i kampania pozyskania, dane BANT i MEDIC z discovery call, dodatkowe kryteria własne (np. poziom dojrzałości procesów sprzedażowych klienta, wykorzystywane rozwiązania IT). Im więcej danych, tym lepsza analityka i możliwość optymalizacji kolejnych kampanii.

Kluczowe wykresy i analizy

Bartek pokazał na przykładzie Livespace kilka raportów, które powinien mieć każdy zespół prowadzący prospecting:

Konwersja MQL → SAL z podziałem na kampanie, która pozwala ocenić, które kampanie przynoszą kaloryczne leady, a które generują jedynie atencję bez realnego potencjału zakupowego. Podział wartości leadów według kanałów pozyskania — bo 100 leadów z nowej kampanii może mieć niższą łączną wartość niż 50 z poprzedniej. Porównanie konwersji inbound vs. outbound, żeby zrozumieć, jak daleko od momentu zakupowego trafiamy z prospectingiem. Analiza spotkań handlowych z podziałem na odbyte i nieodbyłe (no-show), żeby weryfikować jakość kwalifikacji.

Narzędzia wykorzystane w części 2 warsztatu

Narzędzia do enrichmentu i budowania baz

Narzędzia AI (chatboty, agenci, asystenci)

Narzędzia do automatyzacji i wysyłki

Kluczowe wnioski z części 2

1. Wzbogacaj bazę etapowo — małe bazy można enrichować bezpośrednio w Gemini/ChatGPT, większe przez Apollo, Clay lub Apify
2. Szukaj triggerów, nie bólów generycznych — konkretny sygnał zakupowy per firma jest wart więcej niż 100 generycznych wiadomości o “wyzwaniach branży”
3. Personalizuj w skali dzięki snippetom — jeden spersonalizowany paragraf w mailu + wspólna reszta per segment = kampania gotowa w jeden dzień zamiast tygodni
4. Follow-upy muszą wnosić wartość — zamiast “just circling back” wjeżdżaj z kolejną propozycją wartości opartą na innym triggerze
5. Dociskaj AI i nadawaj mu role — proś o niestandardowe problemy, wcielaj AI w rolę odbiorcy i oceniaj wiadomości przed wysyłką
6. Podawaj konkretne daty — zamiast “ostatni kwartał” pisz “Q4 2025” albo “styczeń–marzec 2026”, bo AI nie zawsze zna aktualną datę
7. Automatyzuj obsługę odpowiedzi — szybka reakcja na pozytywną odpowiedź z kampanii prospectingowej drastycznie zwiększa szansę na konwersję
8. Mierz cały lejek, nie tylko open rate — prawdziwa wartość prospectingu ujawnia się dopiero w konwersji MQL → SAL → klient → retencja
9. Bądź elastyczny z narzędziami — krajobraz AI zmienia się tak szybko, że przywiązywanie się do jednego narzędzia jest niewskazane; testuj, porównuj, zmieniaj bez żalu
10. Nie kopiuj outputu AI 1:1 — każda wiadomość powinna przejść przez Twój filtr: ton, styl, kontekst kulturowy i “test lustra” (czy sam byłbym zadowolony, gdybym to dostał?)

Gotowe prompty do wykorzystania

Prompty z drugiej części warsztatu (asystent poszukiwacza problemów, identyfikator sygnałów, asystent cold mailingu, asystent oceny komunikacji) zostaną opublikowane wkrótce w osobnej sekcji poniżej.