Labākie Claude prompti B2B sales outreach 2026

Claude prompti B2B sales outreach strādā nedaudz citādāk nekā ChatGPT prompti — Claude mēdz sekot ierobežojumiem burtiskāk, halucinē mazāk, kad avota materiāls tiek sniegts kontekstā, un ražo output ar mazāk acīmredzamu “AI tells” paterni, ko B2B pircēji detektē. Šis raksts — Claude prompti, ko mēs izmantojam produkcijā AFF Lab 2024-2026 B2B pārdošanas darbam: izpēte, personalizācija, atbilžu triage un follow-up. Pāris ar ChatGPT prompts pārdošanai ceļvedi (līdzīga struktūra ar Claude-specifiskām variācijām) un AI cold outreach pārskatu.

Claude prompti, kas strādā B2B sales 2026, dalās četras īpašības: skaidrs lomas piešķīrums, kontekstā esošs avota materiāls (ne training-data izsecināšana), aizliegto-frāžu saraksti AI tells un strukturēts output formāts. Prompti, kuriem trūkst kāda no šiem, ražo generic vai halucinētu saturu. Claude mēdz būt nedaudz labāks sekot negatīviem ierobežojumiem (“don’t use X”) nekā ChatGPT — prompti zemāk balstās uz šī.

Kāpēc Claude konkrēti

Claude 3.5/4 un vēlākām versijām ir īpašības, kas piemērotas sales-outreach darbam:

• Labāka instrukciju-sekošana negatīviem ierobežojumiem. “Don’t use generic LLM phrases like ‘I noticed you…’” tiek uzticamāk ievērots Claude nekā GPT-class modeļiem.
• Zemāka halucinācija uz source-grounded uzdevumiem. Kad prompts ietver faktisko primary avotu (LinkedIn About, blog post), Claude izvelk faktus uzticamāk bez izsecināšanas ārpus avota.
• Nedaudz dabiskāks reģistrs. Claude noklusējuma rakstīšanas tonis lasās nedaudz mazāk kā marketinga kopija nekā GPT-4 noklusējums. Joprojām prasa ierobežojumus, lai justos operator-to-operator, bet sākas tuvāk.
• Labāks ilga-konteksta uzdevumos. Kad prompts ietver vairākus paragrāfus primary avota, Claude uztur uzmanību cauri pilnam kontekstam uzticamāk.

Atšķirības ir pakāpeniskas, ne dramatiskas. Gan Claude, gan GPT var ražot produkcijas-grade outreach darbu ar pareizu prompting; Claude prasa nedaudz mazāk agresīvu prompting, lai sasniegtu to pašu kvalitāti.

Prompts 1: Akaunta izpēte

Prospecting darbam: dots uzņēmuma nosaukums, ģenerējiet izpētes brief.

You are an analyst summarizing a B2B prospect company for sales outreach.

Source material (use only this — do not infer beyond what's provided):
<source>
[Paste company blog post, press release, About page, or LinkedIn company page here]
</source>

Generate a 4-bullet brief with:
1. What the company does (1 sentence)
2. Their most recent material event (funding, hiring, launch, exec change)
3. Likely buying signal relevant to outbound outreach
4. One specific personalization hook the outreach can reference

Rules:
- Use only facts from the source material; do not extrapolate
- If a field can't be determined from the source, write "Not available"
- No hedging language ("might," "could," "potentially")
- No flattery

Kāpēc strādā: in-context avots ground modeli. “Use only this” ierobežojums plus “Not available” fallback novērš Claude izsecināšanu faktiem, kas nav. Strukturēts output formāts patur output izmantojamu downstream.

Prompts 2: Personalization-hook ģenerēšana

Per-prospekta outreach: izvelk opener-enkuru no prospekta datiem.

You are writing a B2B cold email opener for a sales outreach campaign.

About the prospect (use only this — do not infer):
- Name: [first last]
- Role: [title]
- Company: [name]
- LinkedIn About: [paste actual About section]
- Recent company event: [funding/hiring/launch with date]

About my offer:
- We help [target audience] with [specific outcome]
- Recent example: [actual peer or case study]

Write a 4-7 word subject line and 3-4 sentence opener that:
- References the recent event specifically
- Connects to an operational insight the prospect would recognize
- Avoids: "I noticed," "Hope you're well," "Given your work at," "Quick question"
- Avoids: flattery, vague claims, marketing language
- Reads as operator-to-operator

If the prospect's data is insufficient to write a specific opener, output "INSUFFICIENT DATA" and stop.

Kāpēc strādā: negatīvo-ierobežojumu saraksts ir skaidrs, noņemot biežākos LLM noklusējumus. “INSUFFICIENT DATA” escape valve novērš Claude no satura izgudrošanas, kad ievads ir plāns.

Prompts 3: Atbilžu triage

Ienākošo atbilžu kategorizēšanai.

You are categorizing a B2B cold email reply.

The reply:
<reply>
[Paste the full reply text]
</reply>

Categorize into exactly one of:
- POSITIVE_INTENT: prospect asks a question, asks for a call, or shows clear interest
- NEUTRAL: prospect responds but doesn't show clear positive or negative intent
- NOT_INTERESTED: prospect declines, says no, or says not now
- WRONG_PERSON: prospect says they're not the right contact
- OUT_OF_OFFICE: automated OOO reply
- UNSUBSCRIBE: prospect asks to be removed
- AMBIGUOUS: cannot determine from the text alone

Output format:
Category: [one of above]
Confidence: [HIGH/MEDIUM/LOW]
Reasoning: [one sentence]

Kāpēc strādā: strukturēts output padara rezultātu darbojamu. AMBIGUOUS kategorija novērš piespiestu klasifikāciju. Pārliecības vērtējums ļauj downstream routing apstrādāt zemas-pārliecības gadījumus citādāk.

Prompts 4: Follow-up ģenerēšana

E-pastam 2-4 sequence.

You are writing a follow-up email in a B2B cold sequence.

Context:
- Previous email summary: [1-sentence what email 1 said]
- Prospect: [name, role, company]
- Position in sequence: [Email 2 / Email 3 / Email 4]
- Days since last touch: [number]

The follow-up must:
- Acknowledge that previous email exists in ONE clause
- Add something new (data point, peer comparison, fresh insight) — NOT a restatement
- Stay 3-5 sentences total
- End with a smaller ask than previous email (not bigger)

Avoid: "Just bumping this up," "Following up on my previous email," "I wanted to check in," "I haven't heard from you"

For email 4 specifically: include an explicit "if not the right time, ignore" framing.

If the input lacks enough context to write a follow-up that adds something new, output "INSUFFICIENT CONTEXT" and stop.

Kāpēc strādā: “add something new” ierobežojums adresē biežāko follow-up neveiksmi (iepriekšējā ziņojuma atkārtošanu skaļāk). Escape valve novērš satura ģenerēšanu, kad ievads pārāk plāns.

Tipiskas Claude prompts kļūdas

Lūdzot Claude rakstīt bez avota materiāla. “Write me a cold email to a SaaS founder” ražo generic output neatkarīgi no tā, cik labs ir prompts. Vienmēr sniedziet faktiskos prospekta datus; Claude strādā vislabāk, kad tas ir grounded.

Negatīvo-ierobežojumu saraksta izlaišana. Bez skaidriem “avoid X” instrukcijām Claude noklusējas uz biežiem LLM paterniem. Skaidrais saraksts ir tas, kas padara output izklausāmies mazāk kā AI.

Escape valve nesniegšana. Prompti bez “INSUFFICIENT DATA” vai “AMBIGUOUS” output opcijas piespiež Claude kaut ko ģenerēt pat tad, kad ievads ir plāns. Ģenerētais saturs parasti ir slikts. Vienmēr atļaujiet Claude flagot zemas-kvalitātes ievadus.

Izturēšanās pret Claude promptiem kā ChatGPT promptiem. Tie strādā lielākoties tāpat, bet Claude instrukciju-sekošana negatīviem ierobežojumiem ir nedaudz spēcīgāka. Lean into to; izmantojiet vairāk “do not” ierobežojumus Claude promptos nekā varētu GPT promptos.

Output manuāla verifikācija katru reizi. Visa strukturētu prompts būtība ir uzticams output. Ja jūs manuāli pārrakstāt katru Claude output, prompts nav noskaņots. Iterējiet uz prompta, ne output.

Aizmiršana atjaunināt prompts, kad Claude evolūcijē. Modeļa atjauninājumi maina uzvedību. Prompts, kas strādāja perfekti Claude 3.5, var prasīt pielāgošanu Claude 4+. Produkcijas komandas versionē savus prompts un re-evaluē ceturkšņa.

Paterns: Claude ir spēcīgs rīks B2B sales darbam 2026, kad uzmanīgi promptēts. “Tells”, ko pircēji detektē AI-rakstītā saturā, lielākoties ir noņemami ar skaidriem negatīviem ierobežojumiem, in-context avota materiālu un strukturētiem output formātiem. Komandas, kas izmanto Claude šādā veidā, uztver jēgpilnus produktivitātes ieguvumus bez credibility bojājumu, kas nāk no neapstrādāta AI output.