Промпты ChatGPT для B2B продаж: 12, которые реально работают в 2026

Большинство промптов ChatGPT для B2B продаж, циркулирующих в 2026, не работают в продакшене, потому что просят модель делать креативную работу без ограничений, которые держат output полезным. “Напиши мне cold email” даёт generic-output. “Напиши cold email SaaS-фаундеру” даёт чуть менее generic. Промпты, которые реально работают в реальных sales-операциях, выглядят совсем иначе — они сильно ограниченные, fact-grounded и часто явно прописывают роль модели. Мы зашипили в продакшен порядка 60 таких промптов в клиентских кампаниях в AFF Lab за 2024-2025; эта статья проходит по 12 самым полезным через четыре типичные задачи продаж, с правилами prompt engineering, делающими каждый надёжным.

Разделение категорий ниже зеркалит то, как AI вписывается в реальные B2B sales workflow — см. наш pillar про AI в B2B продажах для более широкого стека. Четыре задачи, где ChatGPT (или любая frontier LLM) реально отрабатывает: research, персонализация, triage ответов, follow-up. Промпты ниже предполагают GPT-4-класс; для старых или мелких моделей нужны более многословные ограничения, чтобы получить эквивалентный output.

Работающие промпты ChatGPT для B2B продаж разделяют четыре свойства: чёткое назначение роли (system prompt или явное “ты…”), ограниченный контекст (используй только факты, которые я дал, без экстраполяции), определённый формат output и пример желаемого вывода. Промпты, которым не хватает любого из четырёх, производят generic или галлюцинированный контент.

Мы не будем тратить место на повтор “ChatGPT может помочь вашей sales-команде” филлера. Ниже — конкретные промпты и правила за ними.

Категория 1: research prospect’а

Use case: взять имя, компанию и LinkedIn URL — на выходе структурированный intelligence, который SDR использует в персонализации.

Промпт A — Параграф-резюме prospect’а.

Ты B2B sales-аналитик. По данным LinkedIn-профиля и информации о компании
ниже, произведи резюме из 3 предложений, покрывающее: (1) роль prospect'а
и что он профессионально вероятно ценит, (2) одно конкретное недавнее событие
или пост из данных, (3) одну правдоподобную бизнес-причину, по которой он мог
бы заинтересоваться нашим предложением: [ВАШ ОФФЕР].

Используй ТОЛЬКО факты из данных ниже. Не экстраполируй за пределы того, что
указано. Если факта нет — напиши "неизвестно", не выдумывай.

ДАННЫЕ:
[вставить LinkedIn-bio, недавние посты, описание компании]

Почему работает: явная роль, явное ограничение против экстраполяции, определённая длина output, инструкция “неизвестно” вместо угадывания. Инструкция “неизвестно” — это то, что останавливает галлюцинации; без неё LLM по дефолту уверенно выдумывает.

Промпт B — Industry-specific ICP fit check.

Ты оцениваешь fit B2B prospect'а. Наш ICP: [описание ICP в 2-3 предложениях].

Для компании ниже выставь скор 1-10 их fit с этим ICP. Потом одним предложением
каждое — (a) сильнейшая причина, по которой подходят, (b) сильнейшая причина,
по которой не подходят. Используй только информацию, присутствующую в данных.

ДАННЫЕ КОМПАНИИ:
[snippets с сайта, число сотрудников, отраслевые теги, tech stack если известен]

Почему работает: заставляет и положительное, И отрицательное рассуждение, что ловит false-positives, которые простые yes/no-промпты упускают.

Категория 2: персонализация

Use case: написать персонализированный opener cold email.

Промпт C — Ограниченный opener.

Напиши открывающий параграф cold email для [ИМЯ] из [КОМПАНИЯ].

ТРЕБОВАНИЯ:
- Сослаться на один конкретный факт из данных ниже (укажи на какой)
- Максимум 2 предложения
- Без flattery, без "я заметил", без "учитывая вашу работу в"
- Разговорный, не формальный

ФАКТЫ, КОТОРЫЕ МОЖНО ИСПОЛЬЗОВАТЬ:
[3-5 конкретных фактов: недавние посты, контекст роли, новости компании, и т.д.]

НАШ ОФФЕР (одно предложение): [одно предложение]

Почему работает: banned-phrase список на уровне промпта предотвращает самые избитые LLM-конвенции. Принуждение сослаться на конкретный факт раскрывает, когда LLM ленится.

Промпт D — Генератор subject line с ограничением.

Сгенерируй 5 subject line для cold email на [РОЛЬ] в [ТИП КОМПАНИИ].
Тема: [ваш оффер, 1 предложение].

ОГРАНИЧЕНИЯ:
- 4-7 слов каждый
- Без "Re:", без "Fwd:", без вопросов
- Конкретные, не размытые (упоминай конкретные роль/компанию/индустрию где возможно)
- Варьируй структуру между 5 — не начинай все с одного слова

Output как нумерованный список, больше ничего.

Почему работает: ограничение на вариативность останавливает модель от производства 5 почти-идентичных строк.

Категория 3: triage ответов

Use case: классифицировать ответы на cold email, чтобы SDR видел только те, что имеют значение.

Промпт E — Классификатор ответов.

Классифицируй следующий ответ на cold email точно в ОДНУ из этих категорий:

1. POSITIVE_INTEREST — спрашивает больше инфы, запрашивает звонок, проявляет любопытство
2. SOFT_DECLINE — вежливое нет, "не сейчас", "может в следующем квартале"
3. HARD_DECLINE — явное нет, просит убрать, злой
4. OUT_OF_OFFICE — автоматический ответ об отсутствии
5. WRONG_PERSON — говорит, что он не тот контакт, перенаправляет
6. BOUNCE_OR_SPAM_TRAP — автоматический язык отказа
7. UNCLEAR — неоднозначно, нужен human review

Ответ: [вставить текст ответа]

Output: ТОЛЬКО метка категории, больше ничего.

Почему работает: явные определения категорий, single-token output, “UNCLEAR” escape valve, чтобы модель не пыталась force-fit неоднозначные случаи.

Промпт F — Sentiment ответа + next-action.

Для следующего ответа на B2B cold email, выведи:
1. Sentiment: positive / neutral / negative
2. Next action: REPLY_NOW / SCHEDULE_FOLLOWUP / REMOVE_FROM_LIST / ESCALATE_HUMAN
3. Причина одним предложением

Ответ: [текст]

Форматируй output как JSON с ключами: sentiment, next_action, reason.

Почему работает: структурированный output делает интеграцию с downstream автоматизацией тривиальной.

Категория 4: предложения follow-up

Use case: когда SDR надо написать follow-up, дать им 3 варианта на выбор.

Промпт G — Три варианта follow-up.

Prospect [ИМЯ] из [КОМПАНИЯ] открыл наш cold email, но не ответил.
Subject оригинального письма: [subject]
Opener оригинала: [opener]
Времени с отправки: 5 рабочих дней

Напиши 3 варианта follow-up. Каждый:
- Максимум 4 предложения суммарно
- Разный угол (Вариант 1: дать ценность; Вариант 2: сослаться на конкретный
  факт; Вариант 3: явный pivot к "может, сейчас не время?")
- Без "just bumping this up", без "checking in", без "circling back"

Output: нумерованный список, каждый вариант чётко разделён.

Почему работает: три сознательно разных угла заставляют модель думать о том, какой подход подходит конкретному prospect’у, вместо производства трёх почти-идентичных сообщений.

Пять правил за каждым работающим промптом

Конкретные промпты выше полезны, но они стареют. Frontier-модели меняются каждый квартал, что было best practice в начале 2025 — уже не совсем правильно к концу 2026. Правила за промптами держатся дольше:

1. Назначь роль явно. “Ты B2B sales-аналитик” или “ты copywriter для cold email” ставит модель в ограниченное ментальное пространство, которое производит более полезный output, чем без назначения роли. Это не плацебо — измеримая разница в качестве output.

2. Ограничь верифицированными фактами. Всегда включай “используй только данные ниже, не экстраполируй” или похожее. LLM по дефолту выдумывают; только явное ограничение это останавливает.

3. Определи формат output точно. “3 предложения”, “JSON с ключами X, Y, Z”, “нумерованный список, больше ничего”. Размытые запросы output производят размытый output.

4. Включи “неизвестно” escape valve. При просьбе модели извлечь или классифицировать всегда дай ей способ сказать “у меня недостаточно информации”. Без этого valve она выдумывает.

5. Перечисляй банальные phrases явно когда важно качество копи. “Не используй: я заметил, учитывая вашу работу в, просто хотел” и т.д. LLM по дефолту склонны к определённым конвенциям; только banning на уровне промпта это стабильно останавливает.

Эти пять правил покрывают примерно 80% разницы между промптами, производящими полезный B2B sales output, и промптами, производящими slop. Оставшиеся 20% — это тестирование: каждый промпт должен прогоняться на 10–20 реальных prospect’ах до того, как доверять в продакшене. Что хорошо выглядит на одном sample, часто разваливается на одиннадцатом случае.

Если дочитали досюда — естественное продолжение это операционный playbook по запуску AI cold outreach в продакшене — там эти промпты вписываются в реальный workflow.