ChatGPT prompti B2B pārdošanai: 12 kas patiešām strādā 2026

Lielākā daļa ChatGPT promptu B2B pārdošanai, kas cirkulē 2026. gadā, produkcijā nestrādā, jo lūdz modelim darīt radošu darbu, nedodot tam ierobežojumus, kas tā output uzturētu noderīgu. “Uzraksti man cold email” rada vispārīgu output. “Uzraksti cold email SaaS dibinātājam” rada nedaudz mazāk vispārīgu output. Prompti, kas patiešām strādā reālās pārdošanas operācijās, izskatās pilnīgi citādi — tie ir stipri ierobežoti, balstīti uz faktiem un bieži skaidri norāda modeļa lomu. Mēs esam piegādājuši aptuveni 60 šādus promptus klientu kampaņās AFF Lab 2024-2025 gadā; šis raksts iziet cauri 12 visnoderīgākajiem caur četrām tipiskām pārdošanas darbībām, ar prompt-engineering noteikumiem, kas katru padara uzticamu.

Kategoriju dalījums zemāk atspoguļo, kā AI iederas reālos B2B sales darbplūsmā — skatīt mūsu pillar par AI B2B pārdošanā plašākam stekam. Četras darbības, kur ChatGPT (vai jebkurš frontier LLM) patiešām nopelna savu vērtību: research, personalizācija, atbilžu triage, follow-up. Prompti zemāk pieņem GPT-4 klases iespējas; vecākiem vai mazākiem modeļiem nepieciešami daudzvārdīgāki ierobežojumi, lai iegūtu līdzvērtīgu output.

Strādājošie ChatGPT prompti B2B pārdošanai dala četras īpašības: skaidrs lomas piešķīrums (system prompt vai skaidrs “tu esi…”), ierobežots konteksts (izmanto tikai faktus, ko es devu, bez ekstrapolācijas), definēts output formāts, un vēlamā output piemērs. Prompti, kuriem trūkst jebkurš no četriem, rada vispārīgu vai halucinētu saturu.

Mēs neizšķiedīsim vietu atkārtojot “ChatGPT var palīdzēt jūsu pārdošanas komandai” pildvielu. Zemāk — konkrēti prompti un noteikumi aiz tiem.

1. kategorija: prospect research

Use case: paņem vārdu, uzņēmumu un LinkedIn URL — output strukturēta inteliģence, ko SDR izmanto personalizācijā.

Prompts A — Viena paragrāfa prospect kopsavilkums.

Tu esi B2B sales analītiķis. Pēc LinkedIn profila un uzņēmuma informācijas
zemāk, sagatavo 3-teikumu kopsavilkumu, kas aptver: (1) prospect lomu un to,
ko viņš profesionāli, visticamāk, vērtē, (2) vienu konkrētu nesenu notikumu
vai ierakstu no datiem, (3) vienu ticamu biznesa iemeslu, kāpēc viņam varētu
rūpēt mūsu piedāvājums, kas ir [JŪSU PIEDĀVĀJUMS].

Izmanto TIKAI faktus datos zemāk. Neekstrapolē ārpus tā, kas norādīts.
Ja fakta nav, raksti "nezināms" — neizgudro.

DATI:
[ielīmēt LinkedIn bio, nesenos ierakstus, uzņēmuma aprakstu]

Kāpēc strādā: skaidra loma, skaidra ierobežošana pret ekstrapolāciju, definēts output garums, instrukcija “nezināms” minēt vietā uzminēt. Instrukcija “nezināms” ir tas, kas aptur halucinācijas — bez tās LLM noklusējumā uzticami izgudro.

Prompts B — Industrijas specifisks ICP fit pārbaude.

Tu vērtē B2B prospect atbilstību. Mūsu ICP ir: [ICP apraksts 2-3 teikumos].

Pēc uzņēmuma zemāk, izvērtē 1-10 to atbilstību šim ICP. Tad vienā teikumā
katru — (a) spēcīgākais iemesls, kāpēc atbilst, un (b) spēcīgākais iemesls,
kāpēc neatbilst. Izmanto tikai informāciju, kas ir datos.

UZŅĒMUMA DATI:
[mājaslapas snippets, darbinieku skaits, industrijas tagi, tech stack, ja zināms]

Kāpēc strādā: piespiež gan pozitīvu, gan negatīvu argumentāciju, kas noķer false-positives, ko vienkārši jā/nē-prompti palaiž garām.

2. kategorija: personalizācija

Use case: rakstīt personalizētu cold email atvēršanu.

Prompts C — Ierobežots opener.

Uzraksti cold email atvēršanas paragrāfu [VĀRDS] no [UZŅĒMUMS].

PRASĪBAS:
- Atsaucies uz vienu konkrētu faktu no datiem zemāk (norādi uz kuru)
- Maksimums 2 teikumi
- Bez flattery, bez "es pamanīju", bez "ņemot vērā jūsu darbu"
- Sarunvalodā, ne formāli

FAKTI, KO VAR LIETOT:
[3-5 konkrēti fakti: nesenie ieraksti, lomas konteksts, uzņēmuma ziņas, utt.]

MŪSU PIEDĀVĀJUMS (viens teikums): [viens teikums]

Kāpēc strādā: aizliegto frāžu saraksts prompta līmenī novērš LLM populārākās konvencijas. Piespiest atsaukties uz konkrētu faktu atklāj, kad LLM ir slinks.

Prompts D — Subject line ģenerators ar ierobežojumu.

Ģenerē 5 cold email subject line e-pastam [LOMA] [UZŅĒMUMA TIPS].
Tēma: [jūsu piedāvājums, 1 teikums].

IEROBEŽOJUMI:
- 4-7 vārdi katrs
- Bez "Re:", bez "Fwd:", bez jautājumiem
- Konkrēti, ne miglaini (piemini konkrētu lomu/uzņēmumu/industriju, kur iespējams)
- Variē struktūru starp 5 — neapstāj visi ar vienu un to pašu vārdu

Output kā numurēts saraksts, nekas vairāk.

Kāpēc strādā: variācijas ierobežojums aptur modeli no 5 gandrīz-identisku rindu ražošanas.

3. kategorija: atbilžu triage

Use case: klasificēt cold email atbildes tā, lai SDR redz tikai tās, kas ir svarīgas.

Prompts E — Atbilžu klasifikators.

Klasificē šo cold email atbildi tieši VIENĀ no šīm kategorijām:

1. POSITIVE_INTEREST — lūdz vairāk info, lūdz zvanu, izrāda zinātkāri
2. SOFT_DECLINE — pieklājīgs nē, "ne tagad", "varbūt nākamajā ceturksnī"
3. HARD_DECLINE — skaidrs nē, lūdz noņemt, dusmīgs
4. OUT_OF_OFFICE — automātiska atbilde par prombūtni
5. WRONG_PERSON — saka, ka nav īstais kontakts, pārvirza
6. BOUNCE_OR_SPAM_TRAP — automātiska atteikuma valoda
7. UNCLEAR — neskaidrs, vajag human review

Atbilde: [ielīmēt atbildes tekstu]

Output: TIKAI kategorijas etiķete, nekas vairāk.

Kāpēc strādā: skaidras kategoriju definīcijas, single-token output, “UNCLEAR” escape valve, lai modelis netiektu force-fit neskaidrus gadījumus.

Prompts F — Atbildes sentiment + next-action.

Sekojošajai B2B cold email atbildei, izvadi:
1. Sentiment: positive / neutral / negative
2. Next action: REPLY_NOW / SCHEDULE_FOLLOWUP / REMOVE_FROM_LIST / ESCALATE_HUMAN
3. Iemesls vienā teikumā

Atbilde: [teksts]

Formatē output kā JSON ar atslēgām: sentiment, next_action, reason.

Kāpēc strādā: strukturēts output padara integrāciju ar downstream automatizāciju triviālu.

4. kategorija: follow-up ieteikumi

Use case: kad SDR jāuzraksta follow-up, dot tiem 3 variantus izvēlei.

Prompts G — Trīs follow-up varianti.

Prospect [VĀRDS] no [UZŅĒMUMS] atvēra mūsu cold email, bet neatbildēja.
Oriģinālā e-pasta subject: [subject]
Oriģinālā opener: [opener]
Laiks kopš sūtīšanas: 5 darba dienas

Uzraksti 3 follow-up e-pasta variantus. Katrs:
- Maksimums 4 teikumi kopā
- Atšķirīgs leņķis (1. variants: pievienot vērtību; 2. variants: atsaukties uz
  konkrētu faktu; 3. variants: skaidrs pivot uz "varbūt tagad nav īstais laiks?")
- Bez "just bumping this up", bez "checking in", bez "circling back"

Output: numurēts saraksts, katrs variants skaidri atdalīts.

Kāpēc strādā: trīs apzināti atšķirīgi leņķi piespiež modeli domāt par to, kura pieeja iederas konkrētam prospect, nevis ražot trīs gandrīz-identiskus ziņojumus.

Pieci noteikumi aiz katra strādājoša prompta

Konkrētie prompti augstāk ir noderīgi, bet tie noveco. Frontier modeļi mainās katru ceturksni, kas bija best practice 2025. gada sākumā, nav gluži pareizi 2026. gada beigās. Noteikumi aiz promptiem turas ilgāk:

1. Piešķir lomu skaidri. “Tu esi B2B sales analītiķis” vai “tu esi copywriter cold email” novieto modeli ierobežotā mentālā telpā, kas rada noderīgāku output nekā bez lomas piešķīruma. Tas nav placebo — izmērāma atšķirība output kvalitātē.

2. Ierobežo ar pārbaudītiem faktiem. Vienmēr iekļauj “izmanto tikai datus zemāk, neekstrapolē” vai līdzīgu. LLM noklusējumā izgudro; tikai skaidra ierobežošana to aptur.

3. Definē output formātu precīzi. “3 teikumi”, “JSON ar atslēgām X, Y, Z”, “numurēts saraksts, nekas vairāk.” Miglaini output pieprasījumi rada miglainu output.

4. Iekļauj “nezināms” escape valve. Kad lūdz modelim izvilkt vai klasificēt, vienmēr dot tam veidu pateikt “man nav pietiekami informācijas”. Bez šī valve tas izgudro.

5. Saraksti aizliegto frāzes skaidri, kad copy kvalitāte ir svarīga. “Nelieto: es pamanīju, ņemot vērā jūsu darbu, vienkārši gribēju” utt. LLM noklusējumā sliecas uz noteiktām konvencijām; tikai banning prompta līmenī to konsekventi aptur.

Šie pieci noteikumi aptver aptuveni 80% atšķirības starp promptiem, kas rada noderīgu B2B sales output, un promptiem, kas rada slop. Atlikušie 20% ir testēšana — katrs prompts jāpalaiž uz 10–20 reāliem prospect, pirms tam uzticēties produkcijā. Kas labi izskatās uz viena sample, bieži sabrūk uz vienpadsmitā gadījuma.

Ja esat dotikuši šeit, dabisks turpinājums ir operacionālais playbook AI cold outreach palaišanai produkcijā — tur šie prompti iederas reālā darbplūsmā.