Jak psát cold e-maily s ChatGPT, aniž byste zněli jako robot

Obchodníci dnes běžně vkládají do ChatGPT prompt "napiš cold email" a odešlou výstup beze změny – a diví se, že reply rate padá k nule. Problém není v AI samotné, ale v tom, jak se používá: bez kontextu o firmě, bez konkrétního cold email subject line a bez lidské kontroly vznikne text, který zní jako každý druhý spam v inboxu. Tento článek ukazuje konkrétní postup, jak ChatGPT a další AI nástroje zapojit do přípravy cold e-mailů tak, aby zůstala autenticita a email skutečně dostal odpověď.

Proč cold e-mail napsaný čistě ChatGPT zní falešně

Když obchodník vloží do ChatGPT prompt typu "napiš cold email pro výrobní firmu" a odešle výstup beze změny, adresát to pozná obvykle do tří vět. Text je gramaticky bezchybný, věty hladké, ale generický – chybí konkrétní odkaz na firmu, roli adresáta nebo aktuální situaci, kterou email řeší. Takový obchodní email vzor nedostane odpověď, skončí smazaný nebo nahlášený jako spam.

AI je skvělý nástroj na strukturu, tón a rychlost draftu, ale sama o sobě nezná kontext konkrétní firmy – novou investici, otevřenou pozici, technologii na webu, nedávnou tiskovou zprávu. Bez těchto dat je i nejlépe napsaný text jen kosmetika na prázdném základu. Adresáti v B2B segmentu dostávají desítky podobných zpráv týdně a naučili se je odlišit na první pohled.

Jak nastavit prompt, aby AI psala jako člověk

Kvalita výstupu z ChatGPT stojí a padá na kvalitě promptu. Místo obecného zadání dejte AI konkrétní vstupy – jméno firmy, obor, konkrétní bolest, kterou řešíte, a jeden fakt o adresátovi, který jste zjistili sami. Prompt by měl obsahovat i požadavek na délku (60–90 slov), tón (věcný, ne prodejní) a zákaz frází typu "doufám, že se máte dobře" nebo "jsme lídr na trhu".

Druhá věc, na kterou se často zapomíná, je cold email subject line. AI má tendenci generovat předměty plné velkých písmen a superlativů, které spouštějí spamové filtry i lidskou nedůvěru. Fungují krátké, konkrétní předměty odkazující na kontext – například na produkt, obor nebo společnou vazbu, ne na obecnou nabídku.

• Zadejte AI konkrétní firmu, roli a jeden ověřený fakt, ne obecný popis oboru
• Požadujte krátkou délku (60–90 slov) a jasně definovaný tón
• Vylučte generické fráze a superlativy přímo v promptu
• Nechte AI navrhnout 3–5 variant cold email subject line, ne jednu finální verzi
• Vždy požadujte jednu konkrétní výzvu k akci na konci, ne dvě různé

Cold email example: jak vypadá dobrý výstup po úpravě

Rozdíl mezi generickým a fungujícím cold emailem je většinou v jedné až dvou větách navíc – tam, kde AI dostane prostor pro konkrétní detail. Následující cold email example ukazuje strukturu, kterou lze bezpečně používat opakovaně a jen měnit proměnné.

V praxi cílených B2B kampaní se ukazuje jasný vzorec: čím konkrétnější kontext, tím vyšší návratnost. Diagram níže ukazuje orientační reply rate podle míry personalizace – od čistě generického AI textu až po draft doplněný člověkem o reálný fakt o firmě.

LinkedIn AI prospecting tool: kde brát kontext pro personalizaci

Aby AI mohla napsat konkrétní email, potřebuje vstupní data – a tady přichází na řadu linkedin ai prospecting tool. Tyto nástroje sledují změny na profilech (nová pozice, příspěvek, otevřená poptávka po zaměstnancích) a umí je exportovat jako signály pro personalizaci. Výhoda je rychlost, nevýhoda je riziko chyby – nástroj někdy spáruje signál se špatnou osobou nebo firmou.

Proto je nutné brát výstup z prospecting nástroje jako podklad, ne jako finální data. Před odesláním emailu by měl člověk zkontrolovat alespoň jméno, pozici a aktuálnost firmy u firmy adresáta – ruční ověření pár desítek kontaktů denně zabere podstatně méně času než oprava reputace domény po vlně chybných emailů.

• Používejte prospecting nástroj na sběr signálů, ne na automatické odesílání beze kontroly
• Ověřte si u LinkedIn API a Uživatelských podmínek, zda daný nástroj nepracuje se scrapovanými daty v rozporu s pravidly platformy
• Kombinujte signál z LinkedIn s daty z webu firmy – dva zdroje snižují chybovost personalizace
• Exportovaná data držte v CRM, ne v rozházených tabulkách – usnadní to i doložení oprávněného zájmu

Nejčastější chyby při použití AI na cold outreach

• Odeslání výstupu z ChatGPT beze změny a bez konkrétního faktu o adresátovi
• Použití stejného cold email subject line pro stovky kontaktů najednou – filtry i lidé si všimnou vzorce
• Spoléhání na prospecting nástroj bez ruční kontroly jména, firmy a aktuálnosti dat
• Vynechání zápatí s identifikací odesílatele a možností odhlášení, což je v ČR povinnost, ne volba
• Odesílání velkého množství AI-generovaných e-mailů z nové domény bez rozehřátí – i kvalitní text pak padá do spamu

Jak to dělá LDM: AI jako draft, člověk jako kontrola

V LDM používáme ChatGPT a podobné nástroje na první draft a variace předmětů, ale finální schválení textu i kontakty prochází vždy lidskou kontrolou před spuštěním kampaně. Segmenty jsou malé a denní objemy nízké záměrně – u cíleného B2B outreachu jde o kvalitu kontaktu, ne o počet odeslaných zpráv za den.

V České republice se cold email pohybuje v rámci § 7 zákona č. 480/2004 Sb. o některých službách informační společnosti – B2B oslovení na firemní kontakt je při splnění podmínek oprávněného zájmu a jasného odhlášení legitimní. AI ani prospecting nástroj vás z této povinnosti nezbavují, jen usnadňují přípravu podkladů.

• AI napíše 3–5 variant draftu a předmětu, člověk vybere a doladí konkrétní fakt
• Kontakty z prospecting nástrojů se před nahráním do kampaně ručně vzorkově ověřují
• Každý email obsahuje identifikaci odesílatele a jasnou možnost odhlášení
• Odpovědi se sledují v CRM, ne v inboxu jednotlivého obchodníka – zajišťuje to konzistenci follow-upů

Časté dotazy