AI w sprzedaży B2B w 2026: 12 zadań, w których działa, i 5 obietnic bez pokrycia

AI w sprzedaży B2B przestała w 2026 roku być eksperymentem, ale mało który zarząd potrafi wskazać, w którym miejscu procesu realnie zarabia, a w którym tylko dobrze wygląda na demo.

Według Salesforce 87% organizacji sprzedażowych korzysta już z jakiejś formy AI, a przeciętny handlowiec i tak spędza na sprzedaży zaledwie 40% swojego czasu. Pozostałe 60% to przepisywanie notatek, uzupełnianie CRM, szukanie informacji o firmie przed telefonem i pilnowanie, komu obiecało się ofertę na czwartek. Piszę z perspektywy kogoś, kto od 2018 roku zajmuje się generowaniem leadów, prowadzi call center i kampanie cold mailingowe, a od niedawna wdraża też automatyzację w działach handlowych klientów. Widzę z bliska obie strony rynku: dostawców, którzy obiecują „autonomicznego handlowca”, i dyrektorów sprzedaży, którzy po pół roku płacenia za licencje pytają, gdzie są dodatkowe leady. Prawda wygląda mniej efektownie niż prezentacje. Za to da się na niej zarobić.

Mój wniosek po ostatnich wdrożeniach jest prosty. AI w sprzedaży sprawdza się tam, gdzie szkicuje, streszcza, klasyfikuje i szuka informacji. Zawodzi tam, gdzie ma samodzielnie decydować, negocjować albo dzwonić do obcego człowieka i przekonywać go do spotkania. Dla firmy, której zależy na pozyskiwaniu klientów, ta różnica ma konkretny wymiar finansowy: w pierwszym przypadku odzyskujesz godziny handlowców, w drugim ryzykujesz reputację domeny, zaufanie rynku i zgodność z prawem. Lead generation, telemarketing i usługi telemarketingowe nie znikają przez to z mapy, bo rozmowa z decydentem nadal należy do człowieka. Zmienia się wszystko, co dzieje się przed tą rozmową i po niej.

Poniżej rozkładam temat na czynniki pierwsze. Dzielę zastosowania AI na te, które dowożą wynik w 2026 roku, i te, które wciąż są obietnicą, a każdą tezę opieram na danych Gartnera, Salesforce i na liczbach z dwóch naszych wdrożeń. Całość spina zasada, którą stosujemy w każdym projekcie: AI szkicuje, człowiek decyduje. Jeśli szukasz wsparcia sprzedaży albo zastanawiasz się nad outsourcingiem sprzedaży, ten tekst pomoże Ci oddzielić to, za co warto płacić, od tego, co lepiej przeczekać.

W artykule znajdziesz:

• dane o tym, ile AI jest naprawdę w sprzedaży B2B w 2026 roku i dlaczego oszczędzony czas rzadko zamienia się w przychód,
• 12 zastosowań AI, które działają, podzielonych na etap prospectingu, obsługi leadów i rozmów oraz zaplecza (oferty, CRM, coaching),
• liczby z dwóch wdrożeń hotLead: agencji pracy i software house’u, razem z zastrzeżeniami do własnych wyników,
• 5 obietnic, które się nie spinają, od autonomicznego zamykania transakcji po boty dzwoniące na zimno,
• polskie realia prawne: AI Act, Prawo komunikacji elektronicznej i nagrywanie rozmów,
• kolejność wdrożenia, od której zależy, czy po roku ktoś będzie jeszcze korzystał z tych narzędzi,
• odpowiedzi na najczęstsze pytania dyrektorów sprzedaży i właścicieli firm.

Ile AI jest naprawdę w sprzedaży B2B w 2026 roku

AI jest już w niemal każdym dziale handlowym, ale realny zwrot z niej trafia do mniejszości firm. Gartner przebadał 210 dyrektorów sprzedaży w styczniu i lutym 2026 roku i wyliczył, że narzędzia AI oszczędzają handlowcowi średnio 4,8 godziny tygodniowo, a jednocześnie 72% organizacji przyznaje, że słabo przekierowuje ten czas na działania o wysokiej wartości. To prawie pół dnia pracy tygodniowo na osobę, które w większości firm rozpływa się w dodatkowych spotkaniach wewnętrznych i skrzynce mailowej. Ta sama ankieta pokazuje rozwarstwienie: 25% organizacji raportuje zwrot z inwestycji w AI na poziomie 50% lub wyższym, a 20% raportuje stratę rzędu 50% lub większą. Czyli na jedną firmę, która dobrze na AI zarabia, przypada prawie jedna, która na tym traci. Gdy pokazuję tę liczbę właścicielom firm, zwykle zapada cisza. Bo każdy zakłada, że jest w tej pierwszej grupie.

Drugą stroną medalu są kupujący. W badaniu Gartnera na 646 kupujących B2B, przeprowadzonym w sierpniu i wrześniu 2025 roku, 67% zadeklarowało preferencję zakupu bez handlowca, a 45% korzystało z AI przy niedawnym zakupie. Na tym etapie wielu dostawców ogłasza koniec zawodu handlowca. Tyle że w kolejnej publikacji z maja 2026 roku Gartner podał, że 69% kupujących B2B woli zweryfikować informacje wygenerowane przez AI z handlowcem, a 51% uważa, że to od generatywnej AI częściej dostaje wprowadzające w błąd informacje (49% wskazało handlowców). Kupujący nie chcą więc rozmawiać z handlowcem o rzeczach, które sami znajdą w pięć minut. Chcą z nim rozmawiać wtedy, gdy stawka rośnie i trzeba komuś zaufać.

Zebrałem najważniejsze liczby w jednym miejscu, bo ustawiają one resztę tekstu:

Z tej tabeli wynikają dla mnie cztery praktyczne wnioski:

• czas odzyskany dzięki AI nie jest jeszcze przychodem, dopóki ktoś nie zdecyduje, na co go przeznaczyć,
• kupujący odsiewa handlowca na etapie informacji, ale wraca do niego na etapie decyzji,
• rozrzut wyników jest ogromny, więc średnie z raportów dostawców niewiele mówią o Twojej firmie,
• wygrywa proces, a narzędzie jest dodatkiem do niego.

Najlepiej ujął to Dan Gottlieb, VP Analyst w praktyce sprzedażowej Gartnera:

„AI nie jest bohaterem tej historii, AI jest przyspieszaczem.” / “AI is not the hero of this story; AI is the accelerant.”

Zgadzam się z tym w stu procentach. Przyspieszacz dolany do sprawnego procesu daje wynik, dolany do bałaganu tylko szybciej ten bałagan rozlewa. Dlatego zanim przejdę do listy zastosowań, uprzedzam: każde z nich działa pod warunkiem, że wiesz, co ma się stać z czasem, który odzyskasz.

Przed pierwszym kontaktem: 4 zastosowania AI w prospectingu i outreachu

Na etapie prospectingu AI najlepiej sprawdza się jako researcher i redaktor szkiców, a najsłabiej jako samodzielny nadawca wiadomości. Handlowcy ankietowani przez Salesforce spodziewają się, że po pełnym wdrożeniu agenci AI skrócą czas researchu potencjalnych klientów o 34%, a pisania maili o 36%. To są oczekiwania, nie pomiary, ale kierunek pokrywa się z tym, co widzę w projektach. Research i szkic wiadomości to dokładnie te zadania, które handlowcy wykonują niechętnie, nierówno i z przerwami. Model robi je w kilka sekund, a człowiek tylko sprawdza i poprawia. Oto cztery zastosowania, które w naszych wdrożeniach dają najszybszy efekt:

1. Karta firmy po NIP. Automat pobiera dane z KRS, CEIDG i REGON, a model pisze kilka zdań o firmie: czym się zajmuje, ile ma oddziałów, co ostatnio ogłosiła.
2. Brief przed spotkaniem. Jedna strona z historią kontaktów, otwartymi wątkami i informacjami z ostatnich maili, gotowa kwadrans przed rozmową.
3. Szkic pierwszego akapitu wiadomości. Model nawiązuje do konkretnego faktu z researchu, handlowiec zatwierdza albo przepisuje.
4. Klasyfikacja odpowiedzi na kampanię. Model sortuje odpowiedzi na kategorie: zainteresowany, „nie teraz”, zła osoba, wypisanie z listy.

Zacznę od karty firmy, bo to najprostszy i najbardziej niedoceniany proces. Handlowiec, który przed telefonem spędza dziesięć minut na stronie klienta, LinkedInie i w rejestrach, przy trzydziestu rozmowach dziennie traci na to pół etatu. Model nie zastąpi rozmowy, ale potrafi w kilka sekund zestawić to, co publicznie dostępne, i wskazać jeden konkretny powód do kontaktu: nową rekrutację, nowy oddział, wygrany przetarg. W prospectingu i budowie bazy łączymy to z monitoringiem sygnałów zakupowych, więc rano w CRM czeka zadanie z powodem kontaktu i linkiem do źródła. Brief przed spotkaniem działa na tej samej zasadzie, tylko korzysta z danych wewnętrznych. Handlowiec wchodzi na rozmowę, pamiętając, co klient powiedział trzy miesiące temu, nawet jeśli sam tego nie zanotował. Kupujący wyczuwa tę różnicę od pierwszej minuty.

Personalizacja i klasyfikacja odpowiedzi to dwa procesy, które w cold mailingu robią największą różnicę. Szkic pierwszego akapitu ma sens tylko wtedy, gdy opiera się na prawdziwym fakcie o odbiorcy i gdy przechodzi przez ręce człowieka. Polski rynek dokłada tu swoją specyfikę: model musi poprawnie odmienić imię w wołaczu, bo „Dzień dobry, Panie Grzegorz” w pierwszym zdaniu zabija wiadomość szybciej niż słaba oferta. Testujemy to na danych klienta przy każdym odbiorze. Klasyfikacja odpowiedzi jest jeszcze prostsza i jeszcze bardziej opłacalna. Zainteresowany trafia do handlowca w kilka minut, „nie teraz” wraca w kalendarzu za kwartał, a prośba o wypisanie ląduje na liście wykluczeń bez udziału człowieka. W kampanii na kilka tysięcy kontaktów to różnica między leadem, który dostaje odpowiedź tego samego dnia, a leadem, który czeka do poniedziałku.

„Dobra personalizacja zaczyna się od jednego prawdziwego zdania o odbiorcy. Model potrafi to zdanie znaleźć, ale decyzję, czy w ogóle pisać do tej osoby, zostawiam handlowcowi” – tak tłumaczę to klientom na warsztatach.

Lead przychodzący i rozmowa: 4 zastosowania, które oddają handlowcom godziny

Najszybszy zwrot z AI w sprzedaży widzę w obsłudze leadów przychodzących i w pracy po rozmowie handlowej. Powód jest prozaiczny: tu przepisuje się najwięcej i najczęściej gubi się informacje. Klient, który sam wypełnił formularz, oczekuje odpowiedzi w minutach, a w wielu firmach dostaje ją następnego dnia. Handlowiec po spotkaniu ma w głowie ustalenia, obiekcje i terminy, ale zanim je spisze, przychodzi kolejny telefon. Model w tym miejscu robi rzeczy żmudne i powtarzalne, czyli dokładnie to, w czym ludzie są najsłabsi pod koniec dnia. Cztery procesy, które wdrażamy najczęściej:

• wyciąganie danych z zapytania i wstępna punktacja leada, którą zatwierdza kierownik przed przekazaniem handlowcowi,
• notatka z nagrania rozmowy z ustaleniami, obiekcjami i zadaniami,
• kwalifikacja z transkrypcji według BANT, czyli budżetu, decyzyjności, potrzeby i terminu, albo MEDDICC (metryki, decydent ekonomiczny, kryteria i proces decyzyjny, zidentyfikowany problem, ambasador po stronie klienta, konkurencja),
• szkic maila po spotkaniu i szkic ponowienia oferty, które handlowiec poprawia i wysyła jednym kliknięciem.

W obsłudze leadów przychodzących AI ma bardzo wąską i bardzo konkretną rolę. W jednym z naszych wdrożeń, w agencji pracy, model wyciąga dane z treści zapytania i wstępnie przypisuje punktację, a kierownik oddziału zatwierdza status przed przekazaniem leada handlowcowi. Sama reguła punktacji powstała na warsztacie, na którym czterech kierowników po raz pierwszy spisało wspólnie, czym jest „dobry lead”. To było trudniejsze niż cała technologia. Model nie wymyśla kryteriów, tylko stosuje te, które firma mu dała, a człowiek patrzy mu na ręce. Dzięki temu zapytanie z formularza, skrzynki ogólnej czy giełdy leadów trafia do właściwej osoby w kilka minut, a nie po porannym przeglądzie skrzynki przez asystentkę.

Notatka z rozmowy i kwalifikacja z transkrypcji to zastosowania, przy których najczęściej słyszę od handlowców „wreszcie”. Ale tu też jest haczyk, o którym dostawcy mówią niechętnie. Transkrypcja zapisuje to, co padło w rozmowie. Nie zapisuje pytań, których nikt nie zadał. Dlatego w procesach, które budujemy na spotkaniach i rozmowach handlowych, puste pola BANT czy MEDDICC nie zostają puste, tylko zamieniają się w listę pytań na następne spotkanie. Handlowiec widzi czarno na białym, że nie wie, kto podpisuje umowę, i wie, o co zapytać. Do tego dochodzi kwestia nagrywania: rozmówca musi dostać informację, a część osób się nie zgodzi. W jednym z wdrożeń było to około 12% rozmówców, więc dla nich handlowiec dyktuje notatkę głosową po spotkaniu i proces idzie dalej.

Mail po spotkaniu i szkic ponowienia wyglądają na drobiazg. W praktyce to one decydują, czy klient dostaje podsumowanie w kwadrans po rozmowie, czy po trzech dniach, i czy oferta bez odpowiedzi zostanie ponowiona, czy umrze w ciszy. Handlowiec z agencji pracy opisał efekt jednym zdaniem, które zapamiętałem: „Klikam, nie szukam.”

Oferta, CRM i zarządzanie: 4 zastosowania po stronie zaplecza

Po stronie zaplecza AI zarabia wtedy, gdy pracuje na uporządkowanych danych i spisanych regułach, a traci, gdy ma je zgadywać. Ofertowanie, CRM i raportowanie to obszary, w których firmy najczęściej chcą „generatora z AI”, a dostają najwięcej rozczarowań, bo model nie wie, ile kosztuje ich usługa ani jaki rabat jest jeszcze akceptowalny. Te informacje trzeba mu podać, najlepiej w formie twardych reguł, których nie da się obejść. Dopiero na takim fundamencie model może szkicować, porównywać i podpowiadać. Cztery zastosowania, które w tym obszarze działają:

1. Czat z danymi CRM. Handlowiec pyta „co mam dziś”, „pokaż szanse bez ruchu od 30 dni” albo „streść mi tego klienta przed telefonem”.
2. Szkic oferty z danych CRM, cennika i szablonu. Model składa ofertę, a ceny i progi marży pilnuje deterministyczny kalkulator.
3. Porównanie umowy ze wzorcem. Model wypunktowuje odstępstwa w zapisach o odpowiedzialności, karach i prawach autorskich, decyzję podejmuje człowiek.
4. Karta oceny rozmów. Model nakłada kryteria jakości na transkrypcje i daje wynik per rozmowa oraz per handlowiec, co daje kierownikowi materiał do coachingu.

Przy szkicu oferty widać najlepiej, gdzie kończy się rola modelu. W software housie, z którym pracowaliśmy, AI porównuje projekt umowy ze wzorcem firmy i wypunktowuje odstępstwa, ale nie decyduje, czy odstępstwo jest akceptowalne, bo lista trafia do dyrektora sprzedaży, a przy wysokich karach umownych do prawnika klienta. Ceny liczy kalkulator na spisanych modułach z blokadą poniżej marży minimalnej, a nie model językowy. To rozróżnienie wydaje się techniczne, ale ma ogromne znaczenie biznesowe. Model językowy potrafi napisać przekonujące uzasadnienie dowolnej ceny, także błędnej. Kalkulator z regułą po prostu nie wypuści oferty poniżej progu.

Czat z danymi CRM i ocena rozmów mają jeden wspólny warunek: dane muszą być w porządku. Adam Alfano, EVP of Sales w Salesforce, powiedział to wprost przy okazji raportu State of Sales:

„Samodzielni agenci bez pełnego kontekstu klienta zwykle zawodzą.” / “Stand-alone agents without comprehensive customer context tend to fail.”

Dane z tego samego raportu potwierdzają, że firmy to czują. 51% liderów sprzedaży korzystających z AI twierdzi, że rozproszone systemy spowalniają ich projekty AI, a najlepsze zespoły traktują higienę danych jako priorytet w 79% przypadków, wobec 54% wśród słabszych. Ocena rozmów ma jeszcze jeden wymiar, o którym rzadko się mówi. 46% młodych handlowców z pokolenia Z rzadko dostaje informację zwrotną o swoich rozmowach sprzedażowych. Kierownik zespołu nie przesłucha stu rozmów tygodniowo, ale przeczyta wynik karty oceny i wybierze trzy, które warto omówić. W naszym call center robimy to od lat ręcznie, a model pozwala robić to na całym wolumenie zamiast na próbce.

Dane z wdrożeń hotLead: co się zmienia, gdy AI tylko szkicuje

W obu wdrożeniach, które opisaliśmy w case studies, największe zmiany przyniosły procesy, w których AI streszcza, szkicuje i klasyfikuje, a człowiek zatwierdza. Pierwsze dotyczy agencji pracy z dwunastoma handlowcami w czterech oddziałach i 340 zapytaniami miesięcznie. Drugie to software house z pięcioma handlowcami i czterema architektami presales, który wysyła około jedenastu ofert miesięcznie o średniej wartości 280 000 zł. W żadnym z nich AI nie wysyła niczego samodzielnie i nie podejmuje decyzji o cenie, rabacie ani kontakcie z klientem. Oba projekty zaczęliśmy od pomiaru stanu wyjściowego, zanim cokolwiek zbudowaliśmy, bo bez tego każdy wynik byłby kwestią wiary. Szczegóły znajdziesz w case studies agencji pracy i software house’u, tutaj zestawiam najważniejsze liczby.

Te liczby wymagają uczciwego komentarza i sami go publikujemy. W agencji pracy wzrost konwersji zapytania w umowę z 6,1% do 8,4% nie jest w całości zasługą automatyzacji, bo w kwietniu 2026 roku firma zmieniła cennik dla jednego segmentu klientów, a w czerwcu przyjęła dwóch nowych handlowców. Dlatego w rachunku zwrotu przypisujemy automatyzacji tylko część tego wzrostu. W software housie mieliśmy rzadki luksus: grupę kontrolną. Win rate wzrósł w obu liniach biznesowych, więc część poprawy wynika z rynku, a wdrożeniu przypisujemy różnicę między liniami, czyli 3 punkty procentowe. To nie jest eksperyment laboratoryjny, bo obie linie sprzedają inne usługi innym klientom. Ale to najlepszy punkt odniesienia, jaki da się zbudować w realnej firmie, i dużo lepszy niż „średnio 30% wzrostu” z materiałów sprzedażowych dostawców.

Gdzie w tych wynikach jest AI, a gdzie zwykła automatyzacja? Rozdzielam to tak:

• AI: notatki z nagrań, kwalifikacja z transkrypcji, szkice maili i ponowień, wyciąganie danych z zapytań, wstępna punktacja, lista odstępstw w umowie,
• automatyzacja bez AI: przeniesienie leada do CRM w dwie minuty, powiadomienie na telefon, eskalacja po kwadransie bez reakcji, raport poranny, alert o otwarciu oferty,
• reguły spisane przez ludzi: kryteria dobrego leada, cennik w modułach, progi rabatowe, marża minimalna,
• decyzje człowieka: każda wysyłka, każdy rabat powyżej progu, każde odstępstwo od wzoru umowy.

Spadek czasu reakcji z prawie dwunastu godzin do dziewięciu minut to w większości zasługa zwykłej automatyzacji i dyscypliny, a nie modelu językowego. Model dołożył swoje tam, gdzie trzeba było czytać, streszczać i pisać.

Kiedy patrzę na te dwie tabele, najbardziej cieszy mnie liczba, której nie ma w tytułach case studies: zero ofert z błędem wyceny w software housie, wobec dziewięciu w poprzednim roku. Nie dlatego, że AI policzyło lepiej. Dlatego, że ktoś wreszcie spisał reguły cenowe, a model dostał je jako granice, których nie może przekroczyć.

Jednocześnie widzę ryzyko, o którym branża mówi za mało. Gdy notatka pisze się sama, część handlowców przestaje dopytywać, bo przecież „wszystko jest w transkrypcji”. W jednym z zespołów zauważyliśmy to u dwóch osób już po trzech miesiącach. Czy oznaczanie brakujących pól jako pytań na następną rozmowę wystarczy, żeby ten nawyk nie zanikał? Nie wiem jeszcze.

Druga sprawa: oba wdrożenia mierzymy od kilku miesięcy, a nie od kilku lat. Nie wiem, czy przewaga się utrzyma, gdy podobne narzędzia będzie miała cała konkurencja. Stawiam, że wtedy znowu zacznie wygrywać ten, kto szybciej i lepiej rozmawia z klientem. Ale to jest zakład, a nie dana, i tak go traktuję.

Piotr Wolniewicz, Właściciel hotLead.pl

5 obietnic AI w sprzedaży, które w 2026 roku wciąż się nie spinają

Hype w AI w sprzedaży koncentruje się dokładnie tam, gdzie technologia jest najsłabsza: w samodzielnych decyzjach, długich rozmowach i kontakcie z obcym człowiekiem. Gartner prognozuje, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości biznesowej albo niewystarczającej kontroli ryzyka. Ten sam analityk zwraca uwagę na zjawisko „agent washing”, czyli przemianowywanie zwykłych asystentów, chatbotów i automatyzacji na „agentów”, i szacuje, że spośród tysięcy dostawców tylko około 130 oferuje rzeczywiście agentowe rozwiązania. Nie twierdzę, że te obietnice nigdy się nie spełnią. Twierdzę, że w październiku 2026 roku nie ma danych, które uzasadniałyby wydawanie na nie pieniędzy przed uporządkowaniem podstaw. Oto pięć, z którymi spotykam się najczęściej:

Autonomiczne zamykanie transakcji to obietnica, z którą najbardziej się nie zgadzam. W benchmarku CRMArena-Pro zespołu Salesforce AI Research czołowe agenty oparte na modelach językowych osiągnęły około 58% skuteczności w zadaniach jednoetapowych i około 35% w scenariuszach wieloetapowych. Autorzy odnotowali też niemal zerową świadomość poufności u wszystkich badanych modeli. Negocjacja w B2B to nic innego jak długa, wieloetapowa rozmowa z informacjami, których nie wolno zdradzić drugiej stronie. Agent, który poprawnie kończy co trzecie takie zadanie i nie wie, czego nie mówić, nie powinien mieć dostępu do Twojego cennika ani do Twojego klienta. Do tego dochodzi strona kupującego: skoro 69% kupujących weryfikuje wyniki AI z handlowcem, to właśnie na etapie zamknięcia chcą rozmawiać z człowiekiem.

AI SDR, czyli agent, który sam buduje listę, pisze, wysyła i umawia spotkania, to druga głośna obietnica. W wersji hybrydowej, w której model robi research i szkice, a człowiek zatwierdza i prowadzi rozmowę, ten model pracy u nas działa. W wersji w pełni autonomicznej widzę te same problemy, które opisuje Gartner przy projektach agentowych: koszty rosną, a wartość trudno wykazać. Dochodzi ryzyko, o którym mało kto mówi na demo, czyli reputacja domeny przy dużym wolumenie wysyłek i ton wiadomości, który rozjeżdża się z głosem firmy. Prognoza sprzedaży i scoring „z AI” od pierwszego dnia to z kolei obietnica, która rozbija się o dane. W agencji pracy CRM zawierał około 3 800 duplikatów na 14 200 rekordów firm, a 41% szans sprzedażowych nie miało żadnej aktywności od ponad 60 dni. Na takiej bazie model wyprodukuje bardzo ładny wykres z bardzo złych liczb. Ostatnia obietnica, że oszczędzony czas sam zamieni się w przychód, rozbija się o zarząd, a nie o technologię: firmy, które reinwestują odzyskany czas w działania o wysokim wpływie, mają według Gartnera 2,2 razy większą szansę na przekroczenie celów wzrostu bazy klientów i 3,1 razy większą na przekroczenie celów konwersji leada w szansę sprzedażową. W agencji pracy dyrektor podniósł cel spotkań tygodniowych z sześciu do ośmiu i dopiero wtedy odzyskane godziny przełożyły się na wynik.

Cold calling przez voiceboty: dlaczego w Polsce to podwójne ryzyko

Bot, który sam wybiera numery z listy i prowadzi rozmowę sprzedażową bez udziału człowieka, w Polsce wchodzi jednocześnie na teren Prawa komunikacji elektronicznej i AI Act. Zaczynam od prawa, bo tu nie ma miejsca na optymizm dostawców. Zakazane jest używanie automatycznych systemów wywołujących do celów marketingu bezpośredniego, chyba że abonent lub użytkownik końcowy uprzednio wyraził na to zgodę. Zasada uprzedniej zgody obowiązuje w art. 398 Prawa komunikacji elektronicznej od 10 listopada 2024 roku. Uważam, że voicebot dzwoniący samodzielnie z kupionej bazy bardzo trudno obronić jako coś innego niż automatyczny system wywołujący. Nie jestem prawnikiem, więc przed każdą kampanią z udziałem bota zalecam analizę konkretnego skryptu i konkretnej bazy przez specjalistę. Sama regulacja marketingu telefonicznego jest zresztą osobnym tematem, który wymaga starannego przygotowania także przy rozmowach prowadzonych przez ludzi.

Drugą warstwą jest AI Act. Od 2 sierpnia 2026 roku przedsiębiorcy muszą stosować obowiązki przejrzystości z art. 50 AI Act, w tym informowanie o kontakcie z systemem AI, a Digital Omnibus przesunął jedynie część obowiązków dotyczących systemów wysokiego ryzyka. Obowiązek informowania, że rozmówcą jest chatbot, wszedł w życie bez zmian, mimo że część firm odczytała nowelizację jako ogólne odroczenie. Jeśli firma korzysta z cudzego rozwiązania, obowiązek zaprojektowania informacji o interakcji z AI spoczywa zasadniczo na dostawcy, ale firma powinna sprawdzić jego prawidłowe wdrożenie i warunki umowy. W praktyce oznacza to, że bot musi się przedstawić jako bot. A rozmowa, która zaczyna się od „jestem asystentem AI firmy X i dzwonię z ofertą”, ma w B2B bardzo małe szanse na umówienie spotkania z decydentem.

Zanim pozwolisz jakiemukolwiek botowi zadzwonić do kogokolwiek, sprawdź te warunki:

1. Podstawa prawna kontaktu: czy masz uprzednią zgodę na kontakt w tym kanale albo czy to klient zadzwonił pierwszy.
2. Informacja o AI: czy bot mówi na początku, że jest systemem AI, a nie człowiekiem.
3. Informacja o nagrywaniu: czy rozmówca wie, że rozmowa jest nagrywana i do czego posłuży.
4. Przekazanie do człowieka: czy w każdej chwili rozmowa może przejść do konsultanta.
5. Zapis w CRM: czy po rozmowie zostaje notatka z nagraniem i czy ktoś ją przegląda.

U nas ta sprawa jest rozstrzygnięta. Voicebot pracuje wyłącznie na połączeniach przychodzących, po godzinach pracy firmy, informuje rozmówcę, że jest AI, umawia termin i zostawia notatkę z nagraniem w CRM. Rozmowy wychodzące, czyli telemarketing i cold calling w Modelu 3P, prowadzą ludzie. Nie z sentymentu, tylko dlatego, że rozmowa z decydentem, który nie spodziewał się telefonu, jest najtrudniejszym zadaniem w całym lejku, a modele radzą sobie najgorzej właśnie z długimi, nieprzewidywalnymi rozmowami.

„AI szkicuje, człowiek decyduje”: jak wygląda ten podział w praktyce

Zasada jest prosta: model przygotowuje wszystko, co da się przygotować, a każda decyzja, która ma skutek dla klienta, przechodzi przez człowieka. Brzmi to jak hamulec, ale w praktyce działa jak przyspieszenie, bo handlowiec przestaje robić rzeczy, których nie musi robić, i robi szybciej te, które należą do niego. Kupujący to zresztą widzi. Szybka, sensowna odpowiedź podpisana przez konkretną osobę buduje więcej zaufania niż natychmiastowa odpowiedź od systemu, który nie wie, o czym rozmawialiśmy tydzień temu. Ta zasada chroni też firmę przed błędami, za które nie da się przeprosić mailem: zbyt dużym rabatem, obietnicą terminu nie do dotrzymania, zapisem w umowie, którego nikt nie przeczytał. Tak rozkładamy role w typowych procesach:

Decyzje, których moim zdaniem w 2026 roku nie należy oddawać modelowi w ogóle:

• wysyłka jakiejkolwiek wiadomości do klienta bez zatwierdzenia,
• rabat, cena i warunki płatności,
• zamknięcie szansy jako przegranej, bo model nie wie, że prezes klienta wraca z urlopu za dwa tygodnie,
• akceptacja odstępstw w umowie,
• pierwszy kontakt telefoniczny z osobą, która się go nie spodziewa.

Najczęstszy zarzut wobec tej zasady brzmi: „skoro człowiek i tak wszystko zatwierdza, to po co AI”. Odpowiadam liczbami z wdrożeń. W software housie czas handlowców i architektów na notatki, oferty i ponowienia spadł z około 7 do około 3 godzin tygodniowo na osobę, mimo że każda oferta nadal przechodzi przez ręce człowieka. Zatwierdzenie gotowego szkicu trwa minutę, napisanie go od zera trwa godzinę. W tej różnicy mieści się cała wartość AI w sprzedaży, jaką dziś widzę w praktyce.

„Klient nigdy nie dowie się, czy notatkę ze spotkania napisał model, czy handlowiec. Ale zawsze się dowie, jeśli rabat dał model” – to zdanie powtarzam na każdym warsztacie i za każdym razem ktoś je sobie zapisuje.

Co to oznacza dla polskich firm

Polskie firmy są w AI daleko za Europą, a w sprzedaży B2B to opóźnienie można zamienić w przewagę, jeśli ominie się drogie błędy pionierów. W 2025 roku z technologii AI korzystało 8,36% polskich przedsiębiorstw zatrudniających co najmniej 10 osób, przy średniej UE na poziomie 19,9%, co dało Polsce 27. miejsce na 28 krajów ujętych w danych Eurostatu. Brzmi to fatalnie i w skali gospodarki pewnie takie jest. Ale z perspektywy działu sprzedaży oznacza to, że Twoi konkurenci prawdopodobnie też jeszcze nie mają uporządkowanego procesu z AI. Oznacza też, że możesz od razu pominąć etap kosztownych eksperymentów z autonomicznymi agentami, które firmy zachodnie właśnie wygaszają. Kto w 2027 roku wejdzie z uporządkowanym CRM, mierzonym czasem reakcji i AI w roli redaktora, będzie miał przewagę nad tymi, którzy dopiero kupią pierwsze licencje.

Polskie realia dokładają do AI w sprzedaży kilka rzeczy, których nie znajdziesz w amerykańskich poradnikach:

• odmiana imion i nazw firm: wołacz w powitaniu, odmiana nazwy spółki w zdaniu, formy grzecznościowe, czyli wszystko, co model musi robić bezbłędnie, zanim wyśle się choć jeden mail,
• polskie rejestry: KRS, CEIDG i REGON jako źródło danych do karty firmy, z innymi formatami niż zagraniczne bazy,
• Prawo komunikacji elektronicznej: zgody na marketing bezpośredni i automatyczne systemy wywołujące,
• RODO przy nagrywaniu rozmów: informacja dla rozmówcy, podstawa przetwarzania, okres przechowywania nagrań,
• AI Act: obowiązek informowania o kontakcie z AI od 2 sierpnia 2026 roku.

Dla firm, które rozważają outsourcing sprzedaży albo usługi telemarketingowe, widzę jeszcze jedną konsekwencję. Model biznesowy, w którym zewnętrzne call center tylko „dzwoni z listy”, traci sens, bo kupujący oczekują rozmowy przygotowanej, z wiedzą o ich firmie i z szybkim ciągiem dalszym po telefonie. Dlatego w hotLead łączymy dwie rzeczy: generowanie leadów przez ludzi, którzy rozmawiają z decydentami, i automatyzację sprzedaży, która pilnuje, żeby przekazany lead nie utknął w skrzynce. Jedno bez drugiego daje połowę wyniku. Świetny lead z kampanii telefonicznej, który handlowiec oddzwoni po dwóch dniach, jest wart mniej niż przeciętny lead obsłużony w dziewięć minut.

„W Polsce nie przegrywa się dziś przetargów przez brak AI. Przegrywa się je przez ofertę, która przyszła ostatnia, i przez lead, do którego nikt nie oddzwonił” – mówię klientom, którzy pytają, od jakiego narzędzia zacząć.

Od czego zacząć wdrożenie AI w sprzedaży

Zacznij od pomiaru czasu reakcji i od procesów, które uzupełniają CRM bez udziału handlowca, a systemy „pełne” zostaw na koniec. Ta kolejność wynika z obu opisanych wdrożeń i z kilkunastu rozmów z firmami, które przyszły do nas po nieudanych próbach z gotowymi platformami. Odwrotna kolejność kończy się systemem, którego nikt nie używa, bo zespół nie zdążył mu zaufać, a dane, na których pracuje, były złe od początku. Zespół musi zobaczyć efekt w pierwszym tygodniu, inaczej wróci do starych nawyków. Zarząd musi zobaczyć liczby sprzed wdrożenia, inaczej nie oceni, czy cokolwiek się zmieniło. Kolejność, którą stosujemy niezależnie od tego, co klient zaznaczy w briefie:

1. Pomiar czasu reakcji od leada do kontaktu i od spotkania do oferty, per handlowiec i per źródło.
2. Mikroprocesy z efektem od pierwszego dnia: lead do CRM w dwie minuty, notatka z nagrania, strażnik ponowień.
3. Audyt i sprzątanie CRM przed wszystkim, co liczy na danych.
4. Reguły: kryteria kwalifikacji, cennik w modułach, progi rabatowe, spisane z udziałem kierowników.
5. Procesy średnie: kwalifikacja, routing, klasyfikacja odpowiedzi, generator ofert z kalkulatorem.
6. Systemy pełne dopiero wtedy, gdy działają składowe.

Ile to kosztuje? W agencji pracy wdrożenie trwało 9 tygodni i kosztowało 43 560 zł netto, w software housie 10 tygodni i 66 880 zł netto, oba wyceniane w godzinach po warsztacie. Pierwszy krok, czyli pomiar czasu reakcji i lead w CRM w dwie minuty, to w naszym katalogu około 24 godzin pracy. Przykładowe ceny dla poszczególnych poziomów znajdziesz w cenniku automatyzacji sprzedaży, ale traktuj je jako punkt wyjścia, bo realny koszt zależy od stanu Twoich danych i systemów. Kiedy nie zaczynać od automatyzacji? Gdy problemem jest brak leadów, a nie ich obsługa. Automatyzacja pustej bazy tylko szybciej liczy zero, więc w takiej sytuacji zaczynamy od kampanii, a do automatyzacji wracamy, gdy jest co obsługiwać.

FAQ: najczęstsze pytania o AI w sprzedaży B2B

Czy AI zastąpi handlowców w B2B?

W 2026 roku nie, i dane kupujących mówią to wprost. Większość kupujących B2B chce samodzielnie zbierać informacje, ale wraca do handlowca, gdy trzeba zweryfikować to, co podpowiedziała AI, i podjąć decyzję. AI zabiera handlowcom przepisywanie, szukanie i przypominanie sobie, a zostawia im rozmowę i decyzję. Zmienia się profil pracy: mniej administracji, więcej przygotowanych rozmów z osobami, które naprawdę rozważają zakup.

Od czego zacząć, jeśli CRM jest zaśmiecony albo nikt go nie uzupełnia?

Od procesów, które uzupełniają CRM bez udziału handlowca: automatycznego logowania maili i spotkań, notatki z nagrania i zmiany etapu po zdarzeniu. CRM zaczyna się wypełniać sam, bo nikt nie musi klikać w kartę klienta. Równolegle robi się audyt i sprzątanie bazy: duplikaty, martwe szanse, niespójne nazwy stanowisk. Scoring i prognozę uruchamia się dopiero na czystych danych.

Ile kosztuje wdrożenie AI w dziale sprzedaży?

To zależy od zakresu i stanu danych, dlatego wyceniamy w godzinach po warsztacie, a nie w pakietach. W dwóch opisanych wdrożeniach koszt wyniósł 43 560 zł i 66 880 zł netto przy 9 i 13 procesach. Najmniejszy sensowny start, czyli pomiar czasu reakcji i lead w CRM w dwie minuty, to około 24 godzin pracy. Do tego dochodzą licencje narzędzi i zużycie modeli AI, które przy mikroprocesach jest niewielkie.

Czy można legalnie używać voicebota do dzwonienia do firm z ofertą?

To obszar wysokiego ryzyka prawnego. Prawo komunikacji elektronicznej wymaga uprzedniej zgody na użycie automatycznych systemów wywołujących do marketingu bezpośredniego, a AI Act od 2 sierpnia 2026 roku nakazuje informować rozmówcę, że rozmawia z AI. Bezpieczniejsze zastosowanie to voicebot na połączeniach przychodzących, który przedstawia się jako AI i umawia termin z człowiekiem. Każdą kampanię wychodzącą z udziałem bota skonsultuj z prawnikiem przed startem.

Czy cold mailing pisany przez AI działa?

Działa wtedy, gdy AI szkicuje, a człowiek zatwierdza. Model dobrze radzi sobie z researchem i z pierwszym akapitem nawiązującym do konkretnego faktu o firmie odbiorcy. Gorzej wychodzi samodzielna wysyłka dużego wolumenu, bo rośnie ryzyko dla reputacji domeny, a ton wiadomości rozjeżdża się z głosem firmy. Dobrą praktyką jest też klasyfikacja odpowiedzi przez AI, dzięki której zainteresowany trafia do handlowca w kilka minut.

Jak zmierzyć, czy AI w sprzedaży w ogóle działa?

Mierz czas, a nie wrażenia: medianę od zapytania do kontaktu, od spotkania do oferty, odsetek ofert ponowionych w terminie. Spisz stan wyjściowy przed wdrożeniem, bo bez niego żaden wynik nie będzie wiarygodny. Jeśli możesz, porównaj zespół z automatyzacją z zespołem bez niej, tak jak zrobiliśmy to w software housie. I sprawdzaj, na co idą odzyskane godziny, bo czas bez przypisanego celu znika.

Czy nagrywanie rozmów handlowych do notatek AI jest zgodne z RODO?

Może być, pod warunkiem że rozmówca dostaje informację o nagrywaniu i jego celu, a firma ma podstawę przetwarzania i określony okres przechowywania nagrań. W praktyce część rozmówców się nie zgodzi, w jednym z naszych wdrożeń było to około 12%. Dla nich handlowiec dyktuje notatkę głosową po spotkaniu i proces działa dalej. Konfigurację zgód i informacji warto uzgodnić z prawnikiem lub inspektorem ochrony danych przed uruchomieniem.

Czy AI pomaga w generowaniu leadów, czy tylko w ich obsłudze?

W obu obszarach, ale w różny sposób. W generowaniu leadów AI przyspiesza research, budowę bazy, wykrywanie sygnałów zakupowych i szkice wiadomości. Samą rozmowę z decydentem, który nie spodziewał się kontaktu, nadal skuteczniej prowadzi człowiek, dlatego nasze call center pracuje na rozmowach prowadzonych przez konsultantów. Największy efekt daje połączenie obu: lead pozyskany w rozmowie i obsłużony przez automatyzację w minutach.

Na koniec: AI nie sprzeda za Ciebie, ale przestanie Ci przeszkadzać

Jeśli dotarłeś do tego miejsca, wiesz już więcej niż większość osób, które w tym roku podpisały umowę na „autonomicznego agenta sprzedaży”. Wiesz, że AI w sprzedaży najlepiej sprawdza się jako bardzo szybki asystent, który czyta, streszcza i szkicuje, a najsłabiej jako handlowiec, który ma sam dzwonić, negocjować i zamykać. Wiesz, że czas odzyskany dzięki AI trzeba komuś przypisać, bo inaczej rozpłynie się w spotkaniach. I wiesz, że w Polsce bot dzwoniący na zimno to ryzyko podwójne: prawne i wizerunkowe.

Moja prognoza na najbliższe dwa lata jest dość nudna, i to mi się w niej podoba. Wygrają firmy, które mierzą czas reakcji, mają czysty CRM i spisane reguły, a AI traktują jak redaktora. Przegrają te, które kupiły najdroższe narzędzie i czekają, aż samo zacznie sprzedawać.

Teraz Twoja kolej. Napisz w komentarzu:

• które z 12 zastosowań już działa w Twoim dziale sprzedaży,
• którą z 5 obietnic ktoś próbował Ci sprzedać w tym roku,
• czy się ze mną zgadzasz, że rozmowa z decydentem zostanie przy człowieku jeszcze długo.

Jeśli tekst przyda się Twojemu dyrektorowi sprzedaży albo wspólnikowi, który właśnie ogląda demo „AI SDR”, podeślij mu link albo udostępnij na LinkedInie. A jeśli chcesz sprawdzić, od którego procesu zacząć u siebie, umów bezpłatną konsultację, przyjdziemy z wyceną, nie z pytaniami.

Źródła i metodologia

Artykuł powstał na podstawie analizy zespołu hotLead.pl oraz dodatkowych źródeł, w tym komunikatów prasowych Gartner z marca i maja 2026 roku (badania kupujących B2B oraz dyrektorów sprzedaży zaprezentowane na Gartner CSO & Sales Leader Conference) i z czerwca 2025 roku (prognoza dotycząca projektów agentowej AI), raportu State of Sales Salesforce z lutego 2026 roku, publikacji naukowej CRMArena-Pro zespołu Salesforce AI Research, danych Eurostatu o wykorzystaniu AI w przedsiębiorstwach za 2025 rok, rozporządzenia AI Act wraz ze zmianami Digital Omnibus on AI oraz ustawy Prawo komunikacji elektronicznej. Dane z wdrożeń pochodzą z dwóch case studies hotLead.pl: automatyzacji obsługi leadów w agencji pracy (pomiar marzec-wrzesień 2026) oraz automatyzacji ofertowania w software housie (kwiecień-wrzesień 2026 wobec tego samego okresu 2025, z grupą kontrolną). Cytaty Dana Gottlieba (VP Analyst, Gartner), Roberta Blaisdella (VP Analyst, Chief of Research, Gartner) i Adama Alfano (EVP of Sales, Salesforce) zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz i ocena kontekstu branżowego: Piotr Wolniewicz, Właściciel hotLead.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych danych o skuteczności AI w sprzedaży B2B oraz zmian w przepisach dotyczących AI i marketingu telefonicznego.