Как использовать AI для сбора B2B-базы: где он помогает, а где уверенно врет

AI ускоряет подготовку B2B-базы: помогает разложить сайт на признаки ЦА, придумать запросы к источникам и навести порядок в таблице. Проблема в том, что с той же скоростью он делает мусор аккуратным: на запрос “найди мне клиентов” выдаст красивую, уверенную и часто бесполезную таблицу.

Разбираю, где AI реально полезен в сборе базы для B2B-аутрича, а где его нужно держать на коротком поводке: без новых цифр, без магии и без обещаний лидов.

Сразу о словах. B2B-база - это список компаний и контактов, с которыми вы планируете работать в аутриче. ICP (Ideal Customer Profile) - профиль идеального клиента: тип компаний, которым вы реально полезны. ЛПР - человек, который принимает решение по вашему продукту внутри компании. Вокруг этих трех понятий и крутится весь сбор.

Самый частый запрос к модели звучит примерно так: “вот мой продукт, найди мне клиентов”.

На первый взгляд логично. На деле это одна из самых слабых формулировок.

У модели нет вашего ICP. Она не знает, кто для вас подходящая компания, а кто - потеря времени. Если не описать признаки и исключения, AI достроит их сам, на основе общих представлений о рынке. На выходе получится список, который выглядит уверенно, но собран на догадках.

Еще важнее: AI сам по себе не источник данных о компаниях.

Источник факта - это место, откуда вы взяли проверяемую информацию: сайт компании, вакансия, реестр, тендер, новость, отраслевой каталог. Если модель не связана с таким источником, любой факт о компании остается предположением.

Просите “найди клиентов” - получаете красивую таблицу, в которой может не быть ни одной подтвержденной строки.

AI не собирает качественную базу сам по себе и не находит вам клиентов. Он помогает быстрее думать о критериях и проверять то, что уже собрано. Именно здесь от него есть толк.

До того как идти в источники, у AI есть нормальная полезная работа: превратить ваш контекст в критерии и сегментацию.

Разобрать сайт и оффер в признаки ICP. Вы даете сайт, описание продукта, кейсы - AI помогает вытащить из них, кому вы реально полезны: тип компаний, масштаб, отрасль, задачи, ситуации, где продукт может быть нужен.

Сформулировать признаки подходящей компании и исключения. Не только “кого брать”, но и “кого не брать”. Исключения часто важнее признаков: они отсекают компании, которые внешне похожи на вашу ЦА, но не подходят по задаче, масштабу или экономике.

Предложить источники под признаки. Под каждый признак AI может накидать, где искать: HH, отраслевые каталоги, рейтинги, реестры, сайты компаний, СБИС, Контур.Компас, Rusprofile, СПАРК и другие источники. В какие из них идти - решает человек.

Подготовить запросы к источникам. Поисковые формулировки, фильтры, комбинации признаков - это рутинная часть, на которую вручную уходит время.

Главная польза здесь не в том, что AI “сам собрал базу”. Он экономит время на разборе контекста: быстрее раскладывает продукт в признаки и помогает подготовиться к работе с реальными источниками.

Когда компании уже собраны из источников, у AI появляется вторая зона пользы - навести порядок в таблице.

Классификация и сегментация. Разложить компании по сегментам и признакам. Сотни строк AI сгруппирует быстрее, чем человек вручную, а без сегментации B2B-аутрич быстро превращается в одно письмо на всех.

Нормализация. Привести таблицу к единому виду: сегмент, источник, почему подходит, признак потребности, роль ЛПР, оценка качества, причина исключения.

Оценка качества с объяснением. AI может предложить оценку A/B/C по каждой компании и пояснить, почему именно так. Это черновик для вашей проверки, а не приговор.

Поиск мусора. Подсветить слабые места: смешанные сегменты, компании без причины попадания, слабые признаки потребности, противоречия в данных.

Если в базе нет поля “почему подходит”, AI лишь причешет нерелевантные строки. Но он же поможет эту дыру найти.

Самое опасное место - факты о компаниях.

AI легко придумает выручку, штат, продукты или клиентов, если не подключен к реальному источнику. Звучит правдоподобно, проверяешь - выдумка.

С ролями и ЛПР та же история. Кто принимает решение в компании, модель может предположить, но без проверки это гипотеза, а не контакт для холодного письма.

С потребностью еще тоньше. AI охотно “подтвердит”, что у компании есть потребность в вашем продукте, потому что так складывается логика. Но реальная потребность подтверждается внешним сигналом: вакансией, тендером, новостью, изменением на сайте, отраслевым событием. Не рассуждением модели.

Правило простое: модель может предложить гипотезу, источник должен подтвердить факт. Все, что AI выдает без источника, - это “проверить руками”, а не “готово к холодной рассылке”.

Нормальная схема выглядит так:

Логика простая: AI работает на входе, где есть гипотеза, и в середине, где нужен порядок в данных. Факты приходят из источников. Финальное решение остается за человеком.

Полезно вести базу так, чтобы AI-слой был отделен от подтвержденного. Минимум три колонки рядом с компанией:

Когда видно, где гипотеза, а где факт, база перестает обманывать аккуратным видом.

И обязательный шаг перед рассылкой - ручной QA базы: проверка выборки A/B/C. Не всей базы построчно, а репрезентативной выборки: совпадает ли реальность с тем, что предположил AI. Этот шаг не делегируется модели. Если вы выстраиваете систему B2B-аутрича целиком, ручной QA - обязательное звено перед запуском.

Если нужно начать с разбора сайта, можно дать модели такой запрос:

Результат - это не готовая база. Это гипотеза, с которой можно идти в источники.

AI не заменяет ICP, источники данных и ручную проверку. Он работает на другом слое: быстрее раскладывает сайт и оффер на признаки, готовит запросы, наводит порядок в таблице и находит слабые места до рассылки.

В хорошей B2B-базе важен не вид таблицы. По каждой компании должно быть понятно: почему она подходит и чем это подтверждено.

Если хотите посмотреть, как сайт и оффер можно разложить в список компаний для проверки, отправьте сайт в бот Polza. Он подберет 100 компаний из вашей ЦА по сайту. Дальше этот список стоит проверять по той же логике: источник, причина попадания, ручной QA.