AI-генерация холодных писем: как получить письмо, а не отшлифованный шаблон

Просьба «сгенерируй письмо клиенту» без контекста почти гарантированно возвращает текст, который узнаётся с первой строки: «Здравствуйте! Меня зовут [Имя], и я хотел бы предложить вам…» — модель написала грамматически безупречный, но совершенно обезличенный шаблон, потому что ей не дали ничего, кроме самой задачи. Разбираем, как использовать LLM в холодном аутриче так, чтобы на выходе получалось письмо конкретному человеку, а не текст, который мог бы получить кто угодно.

Почему «напиши письмо клиенту» не работает

Языковая модель генерирует текст, наиболее вероятный при заданных условиях. Если условие — только «напиши холодное письмо о продукте X», модель заполняет всё, что не задано явно, самым статистически частым вариантом: обезличенным приветствием, представлением компании, стандартным CTA. Это ровно тот набор штампов, который любой опытный получатель узнаёт мгновенно, потому что тысячи писем в интернете и обучающих данных модели построены по такому же лекалу.

Проблема не в модели, а в постановке задачи: генерация без контекста о конкретном получателе технически не может дать персонализированный результат, потому что персонализировать нечего — модели просто не из чего собрать что-то конкретное про адресата. Это тот же принцип, что и в работе с человеком-копирайтером: без брифа с фактами о клиенте текст выйдет общим, вне зависимости от того, кто его пишет — человек или модель.

Отсюда практический вывод: основная работа при использовании AI для холодных писем — не в промпте с просьбой «напиши письмо», а в сборе и структурировании данных, которые в этот промпт подаются на входе.

Что подавать на вход, чтобы получить письмо, а не шаблон

Минимальный набор данных, который превращает генерацию из шаблонной в адресную, — это конкретные факты о компании-получателе и её нише, а не только название и имя контакта. Чем конкретнее и специфичнее данные, тем меньше модели остаётся пространства для заполнения общими формулировками.

Источники таких данных в адресном B2B-аутриче обычно уже есть в CRM или собираются на этапе подготовки сегмента: отрасль и профиль деятельности компании, размер и структура (штат, филиалы), недавние события (расширение, смена руководства, выход на новый рынок — если есть публичная информация), вероятная боль или задача, характерная для этой роли и отрасли, а не абстрактная «эффективность бизнеса».

• Отрасль и конкретная специфика бизнеса компании-получателя
• Должность и зона ответственности контакта (что реально решает этот человек в компании)
• Публично доступный повод для касания: недавнее событие, новость, изменение в компании
• Конкретная боль или задача, типичная для этой роли в этой отрасли — не абстрактная, а сформулированная предметно
• Факты о собственном предложении, которые релевантны именно этой боли — а не общее описание продукта целиком

Правила тона: задавайте явно, не полагайтесь на дефолт модели

По умолчанию модель, попросив «деловое письмо», выдаёт официозный канцелярит — это статистически частый регистр деловой переписки в обучающих данных. Чтобы получить живой, но при этом деловой тон, правила нужно прописывать явно и конкретно, а не полагаться на общую просьбу «пиши проще».

Рабочий набор инструкций для промпта: запрет на конкретный список штампов и клише («взаимовыгодное сотрудничество», «уникальное предложение», «команда профессионалов» и подобные); ограничение длины (например, не более 90 слов); требование начать с сути или повода, а не с представления себя и компании; требование одного конкретного вопроса или простого CTA в конце вместо развёрнутого призыва.

Полезно также задавать модели ролевой контекст — «ты опытный менеджер по продажам B2B, который пишет коллеге из отрасли, а не маркетинговый копирайтер» — это смещает статистическое распределение текста в сторону более прямого и делового стиля, ближе к тому, как реально пишут люди в переписке, а не в рекламных материалах.

Где AI реально экономит время, а где нужен человек

AI хорошо справляется с тем, что требует объёма и вариативности при сохранении структуры: черновики писем под десятки компаний по заданному шаблону данных, вариации формулировок для A/B-тестов, адаптация одного и того же оффера под разные отраслевые боли, если данные о каждой отрасли поданы конкретно.

AI плохо справляется без контроля с тем, что требует фактической точности и понимания контекста конкретной ситуации: если данных о компании недостаточно, модель может уверенно сгенерировать правдоподобную, но несуществующую деталь — придуманное событие, неверную цифру, факт про компанию, которого не было. Это не редкий сбой, а системное свойство генерации текста без надёжного источника фактов.

Практический вывод — единый ai-egress с контролем качества до отправки: письма генерируются пакетно по заданным правилам, но перед отправкой каждое (или как минимум выборка из партии) проверяется человеком на фактическую точность и общее впечатление живости, а не только на грамматику.

Контроль качества перед отправкой

Чек перед отправкой партии AI-сгенерированных писем должен закрывать три зоны риска: фактическую точность (не придумала ли модель деталь о компании), сохранение тона (не съехал ли текст обратно к штампам на части писем из-за недостатка данных по конкретной компании) и однородность CTA (не потерялся ли единый вопрос или призыв в вариативности формулировок).

• Выборочная сверка фактов о компании с открытыми источниками — особенно для писем с упоминанием конкретных событий
• Проверка на штампы из запрещённого списка — модель иногда обходит явный запрет синонимом того же уровня общности
• Единообразие длины и структуры по всей партии, чтобы не было писем-выбросов, которые сильно отличаются от остальных
• Тест «письмо кому угодно»: можно ли отправить тот же текст другой компании без потери смысла — если да, персонализация не удалась

Единый ai-egress вместо разрозненных инструментов

Отдельная практическая проблема на уровне команды — когда разные сотрудники используют разные инструменты и разные промпты для генерации писем без единой точки контроля: один менеджер настроил хороший промпт с запретом на штампы, другой копирует ответы модели без всякой доработки, третий использует устаревшую версию инструкции. В результате партии писем от одной компании звучат по-разному, а качество непредсказуемо колеблется от менеджера к менеджеру.

Рабочее решение — единая точка входа для генерации: общий набор промптов и правил тона, обновляемый централизованно, доступный всей команде, а не личный опыт каждого отдельного сотрудника. Это не только повышает предсказуемость качества, но и упрощает обновление правил — если находится новый обход запрещённого штампа моделью, правило поправляется один раз в общем месте, а не рассылается отдельным сообщением каждому, кто пишет письма.

Такой подход также облегчает накопление знаний: если видно, что определённая формулировка правил тона стабильно даёт более живые письма, это наблюдение сразу становится частью общего процесса, а не остаётся личным приёмом одного менеджера, который никто больше не использует.

Как выстроить процесс на масштабе

На объёме в десятки и сотни писем в неделю ручная проверка каждого нецелесообразна, но и полностью слепая отправка недопустима из-за риска фактических ошибок и штампов. Рабочий компромисс — генерация по строгому шаблону данных и правил тона, выборочная проверка человеком (например, каждое пятое-десятое письмо и все письма с упоминанием конкретных фактов о компании), и постоянное обновление списка запрещённых штампов по мере того как модель находит новые способы их обойти.

Такой процесс сохраняет главное преимущество AI — скорость подготовки персонализированных писем на объём, недостижимый для ручного написания, — но не жертвует ради этого качеством и адресностью, которые как раз и отличают адресный B2B-аутрич от массовой рассылки.

Со временем список правил и запрещённых штампов стоит пересматривать не реже раза в один-два месяца: языковые модели обновляются, меняется их поведение по умолчанию, и формулировка, которая надёжно предотвращала канцелярит полгода назад, может перестать работать после обновления модели у провайдера — регулярная сверка результата с текущими правилами держит качество писем стабильным вне зависимости от изменений на стороне AI-инструмента.

Вопросы и ответы