Почему B2B-боты и AI-ассистенты часто «теряют» контекст сделки
Исследователи из Princeton и Stanford показали важную вещь про языковые модели: они не всегда ведут внутреннюю «карту состояния» по шагам. Когда вопрос становится явным, модель может собрать ответ из релевантных фрагментов уже на финальном токене, а не аккуратно отслеживать изменения от начала к концу.
Для B2B-лидогенерации это особенно заметно. Представьте цепочку: форма, отрасль, размер компании, должность, стадия интереса, прошлые касания. Если AI-ассистент или чат-бот обрабатывает такой сценарий как набор отдельных подсказок, а не как непрерывную историю лида, он может уверенно ответить, но ошибиться в статусе, квалификации или следующем шаге.
Отсюда практический вывод для маркетинга и sales ops: чем сложнее сценарий, тем важнее явно фиксировать изменения. Не рассчитывать, что модель сама «догадается», что лид уже не cold, а SQL, или что в карточке обновился приоритет. Лучше, когда в тексте, форме и CRM-логике состояние обозначено прямо: что было, что изменилось, что сейчас актуально.
Авторы работы отдельно описывают механизм удаления как хрупкий глобальный сигнал подавления. Для прикладных задач это хороший сигнал: любые операции с очисткой, исключением или сменой статуса лучше проверять не только по ответу модели, но и по поведению на пограничных кейсах.
Для B2B-воронок это полезное напоминание: AI хорошо помогает с суммаризацией и первичной квалификацией, но в задачах с этапами, версиями и обновлениями ему нужна максимально явная структура данных.
Исследователи из Princeton и Stanford показали важную вещь про языковые модели: они не всегда ведут внутреннюю «карту состояния» по шагам. Когда вопрос становится явным, модель может собрать ответ из релевантных фрагментов уже на финальном токене, а не аккуратно отслеживать изменения от начала к концу.
Для B2B-лидогенерации это особенно заметно. Представьте цепочку: форма, отрасль, размер компании, должность, стадия интереса, прошлые касания. Если AI-ассистент или чат-бот обрабатывает такой сценарий как набор отдельных подсказок, а не как непрерывную историю лида, он может уверенно ответить, но ошибиться в статусе, квалификации или следующем шаге.
Отсюда практический вывод для маркетинга и sales ops: чем сложнее сценарий, тем важнее явно фиксировать изменения. Не рассчитывать, что модель сама «догадается», что лид уже не cold, а SQL, или что в карточке обновился приоритет. Лучше, когда в тексте, форме и CRM-логике состояние обозначено прямо: что было, что изменилось, что сейчас актуально.
Авторы работы отдельно описывают механизм удаления как хрупкий глобальный сигнал подавления. Для прикладных задач это хороший сигнал: любые операции с очисткой, исключением или сменой статуса лучше проверять не только по ответу модели, но и по поведению на пограничных кейсах.
Для B2B-воронок это полезное напоминание: AI хорошо помогает с суммаризацией и первичной квалификацией, но в задачах с этапами, версиями и обновлениями ему нужна максимально явная структура данных.
Как использовать LLM для оценки лидов: не только считать, но и проверять судью
В B2B-генерации лидов всё чаще автоматизируют не только сбор контактов, но и первичную оценку: подходит ли компания под ICP, насколько релевантен запрос, стоит ли отдавать лид в sales сразу или прогревать дальше. И вот здесь появляется важная проблема: разные AI-оценщики часто смотрят на один и тот же лид по-разному.
В свежем подходе для парных сравнений предложили модель BT-sigma — она не просто ранжирует объекты, а отдельно учитывает, насколько надёжен каждый “судья”. Идея простая: если у вас несколько LLM или скоринговых правил, то мало знать, какой лид “лучше” по их мнению. Нужно понять, кому вообще можно доверять, а чьи оценки шумные и нестабильные.
Для B2B-маркетинга это особенно полезно в трёх местах:
- квалификация входящих форм и запросов;
- приоритизация лидов перед передачей в sales;
- сравнение офферов, лендингов и формулировок в A/B-проверках.
Почему это важно: если AI-система только усредняет оценки, можно получить красивую, но слабую логику скоринга. А подход с учётом надёжности судей помогает отделить устойчивый сигнал от случайных перекосов модели.
Практический вывод для команд понятный: если вы уже используете LLM в лид-скоринге, стоит смотреть не только на итоговый балл, но и на качество самого оценщика. Иначе одна “умная” модель может незаметно испортить воронку на этапе фильтрации.
Для B2B leadgen это хороший сдвиг: от вопроса «какой лид лучше?» к вопросу «какой алгоритм это решил и можно ли ему верить».
В B2B-генерации лидов всё чаще автоматизируют не только сбор контактов, но и первичную оценку: подходит ли компания под ICP, насколько релевантен запрос, стоит ли отдавать лид в sales сразу или прогревать дальше. И вот здесь появляется важная проблема: разные AI-оценщики часто смотрят на один и тот же лид по-разному.
В свежем подходе для парных сравнений предложили модель BT-sigma — она не просто ранжирует объекты, а отдельно учитывает, насколько надёжен каждый “судья”. Идея простая: если у вас несколько LLM или скоринговых правил, то мало знать, какой лид “лучше” по их мнению. Нужно понять, кому вообще можно доверять, а чьи оценки шумные и нестабильные.
Для B2B-маркетинга это особенно полезно в трёх местах:
- квалификация входящих форм и запросов;
- приоритизация лидов перед передачей в sales;
- сравнение офферов, лендингов и формулировок в A/B-проверках.
Почему это важно: если AI-система только усредняет оценки, можно получить красивую, но слабую логику скоринга. А подход с учётом надёжности судей помогает отделить устойчивый сигнал от случайных перекосов модели.
Практический вывод для команд понятный: если вы уже используете LLM в лид-скоринге, стоит смотреть не только на итоговый балл, но и на качество самого оценщика. Иначе одна “умная” модель может незаметно испортить воронку на этапе фильтрации.
Для B2B leadgen это хороший сдвиг: от вопроса «какой лид лучше?» к вопросу «какой алгоритм это решил и можно ли ему верить».
Как инструменты для AI Search меняют требования к B2B-воронке
В исследовании про agentic search предложили оценивать не только итоговый ответ, но и вклад каждого шага в поиск. Логика простая: чем ближе найденная сущность или источник к финальному ответу в графе связей, тем выше её ценность на этапе обучения модели.
Параллельно показали схему, где этот «шаговый» вклад смешивается с оценкой всей траектории поиска. То есть система смотрит не только на то, добрался ли агент до правильного ответа, но и насколько полезным был каждый промежуточный ход.
Для B2B-маркетинга это хороший ориентир. Если AI-поисковики и ассистенты начнут лучше понимать цепочку аргументов, то материалы станут оцениваться не по общему объёму, а по тому, насколько каждый блок помогает быстро дойти до решения.
Иными словами, страница с длинным вступлением, общими формулировками и рыхлой структурой будет проигрывать материалу, где сразу видны: проблема, критерии выбора, сравнение инструментов, подтверждение и следующий шаг.
Что это значит для лидгена и sales-контента:
- оффер должен читаться без расшифровки;
- форма — собирать только те поля, которые реально нужны для квалификации;
- кейсы и FAQ — не «для объёма», а как опорные точки для выбора;
- внутренние переходы и связанные блоки должны усиливать ответ, а не размывать его.
Для команд, которые работают с B2B leadgen tools, вывод практический: структура контента становится частью качества лида. Чем яснее маршрут от запроса к ответу, тем выше шанс, что материал заметят и правильно интерпретируют и люди, и AI-слои поиска.
В исследовании про agentic search предложили оценивать не только итоговый ответ, но и вклад каждого шага в поиск. Логика простая: чем ближе найденная сущность или источник к финальному ответу в графе связей, тем выше её ценность на этапе обучения модели.
Параллельно показали схему, где этот «шаговый» вклад смешивается с оценкой всей траектории поиска. То есть система смотрит не только на то, добрался ли агент до правильного ответа, но и насколько полезным был каждый промежуточный ход.
Для B2B-маркетинга это хороший ориентир. Если AI-поисковики и ассистенты начнут лучше понимать цепочку аргументов, то материалы станут оцениваться не по общему объёму, а по тому, насколько каждый блок помогает быстро дойти до решения.
Иными словами, страница с длинным вступлением, общими формулировками и рыхлой структурой будет проигрывать материалу, где сразу видны: проблема, критерии выбора, сравнение инструментов, подтверждение и следующий шаг.
Что это значит для лидгена и sales-контента:
- оффер должен читаться без расшифровки;
- форма — собирать только те поля, которые реально нужны для квалификации;
- кейсы и FAQ — не «для объёма», а как опорные точки для выбора;
- внутренние переходы и связанные блоки должны усиливать ответ, а не размывать его.
Для команд, которые работают с B2B leadgen tools, вывод практический: структура контента становится частью качества лида. Чем яснее маршрут от запроса к ответу, тем выше шанс, что материал заметят и правильно интерпретируют и люди, и AI-слои поиска.
Почему одни AI-формы дают много лидов, а другие — только мусор
В исследовании про Entropy-Cut показали любопытную вещь: для reasoning-моделей важнее не просто длина ответа, а точки, в которых модель принимает решения. Алгоритм не режет текст случайно, а ищет в цепочке рассуждения места с высокой неопределённостью по next-token entropy и пересобирает ответ именно оттуда.
Для B2B-лидогена это полезная метафора. Когда мы строим квиз, лендинг или чат-форму, качество лида часто определяется не количеством полей, а тем, где именно пользователь «ломается» по пути. Один лишний вопрос в начале — и отваливается часть трафика. Один плохо сформулированный оффер — и лид приходит без намерения покупать.
Смысл работы ещё и в том, что стабильность результата зависит от структуры внутренних шагов, а не от общего объёма. В тестах метод оказался сильнее базовых подходов на нескольких бенчмарках, включая MATH500, HumanEval, GPQA Diamond и AIME26. Для маркетолога тут важен не сам рекорд, а вывод: предсказуемость появляется там, где понятны узловые точки процесса.
Что из этого можно взять в B2B-практику:
- проверять, на каком шаге формы падает конверсия;
- смотреть не только CPL, но и качество лидов по этапам квалификации;
- тестировать оффер на стабильность: одинаково ли он понятен разным сегментам;
- отдельно анализировать, где AI-ассистент или CRM-скоринг меняет логику решения.
Если вы используете AI в лидогенерации, полезно оценивать не только финальный текст ответа, но и то, насколько он повторяем между прогоном и прогоном. Для sales-лида это часто важнее, чем красивый, но нестабильный результат.
В исследовании про Entropy-Cut показали любопытную вещь: для reasoning-моделей важнее не просто длина ответа, а точки, в которых модель принимает решения. Алгоритм не режет текст случайно, а ищет в цепочке рассуждения места с высокой неопределённостью по next-token entropy и пересобирает ответ именно оттуда.
Для B2B-лидогена это полезная метафора. Когда мы строим квиз, лендинг или чат-форму, качество лида часто определяется не количеством полей, а тем, где именно пользователь «ломается» по пути. Один лишний вопрос в начале — и отваливается часть трафика. Один плохо сформулированный оффер — и лид приходит без намерения покупать.
Смысл работы ещё и в том, что стабильность результата зависит от структуры внутренних шагов, а не от общего объёма. В тестах метод оказался сильнее базовых подходов на нескольких бенчмарках, включая MATH500, HumanEval, GPQA Diamond и AIME26. Для маркетолога тут важен не сам рекорд, а вывод: предсказуемость появляется там, где понятны узловые точки процесса.
Что из этого можно взять в B2B-практику:
- проверять, на каком шаге формы падает конверсия;
- смотреть не только CPL, но и качество лидов по этапам квалификации;
- тестировать оффер на стабильность: одинаково ли он понятен разным сегментам;
- отдельно анализировать, где AI-ассистент или CRM-скоринг меняет логику решения.
Если вы используете AI в лидогенерации, полезно оценивать не только финальный текст ответа, но и то, насколько он повторяем между прогоном и прогоном. Для sales-лида это часто важнее, чем красивый, но нестабильный результат.
Почему B2B-воронки ломаются на «непохожих» лидах
В ML-публикации про TTT-SCL показали любопытную вещь: модель лучше справляется с новыми кейсами, если на этапе применения может подстроить обучение под конкретный пример. Иначе говоря, стандартный подход работает на привычных данных, но заметно проседает, когда меняется структура входящего потока.
Для B2B-лидогена это очень знакомая ситуация. В CRM и сквозной аналитике всё выглядит прилично, пока лиды идут из одного источника, с похожими формами и ожидаемыми ответами. Но стоит добавить другой канал, новую офферную упаковку или более длинный цикл сделки, и старые правила квалификации начинают давать сбои.
У статьи здесь полезный практический вывод:
- нельзя оценивать лидген-механику только по среднему CPL или общему числу MQL;
- важно проверять, как система ведёт себя на «смешанных» сценариях — например, когда в поток попадают лиды из нескольких отраслей, регионов или с разным уровнем готовности;
- модели скоринга, сегментации и маршрутизации нужно тестировать не только на исторических данных, но и на новых комбинациях признаков.
Для команд продаж это особенно важно: если квалификация построена на слишком узком наборе сигналов, отдел продаж начинает получать либо «шум», либо слишком осторожно отсеянные заявки. В итоге страдает и скорость реакции, и конверсия в SQL.
Практический вывод простой: в B2B стоит смотреть не только на то, как форма или скоринг работают в среднем, а на их устойчивость к смене источника, оффера и профиля лида. Именно там чаще всего и прячутся потери.
В ML-публикации про TTT-SCL показали любопытную вещь: модель лучше справляется с новыми кейсами, если на этапе применения может подстроить обучение под конкретный пример. Иначе говоря, стандартный подход работает на привычных данных, но заметно проседает, когда меняется структура входящего потока.
Для B2B-лидогена это очень знакомая ситуация. В CRM и сквозной аналитике всё выглядит прилично, пока лиды идут из одного источника, с похожими формами и ожидаемыми ответами. Но стоит добавить другой канал, новую офферную упаковку или более длинный цикл сделки, и старые правила квалификации начинают давать сбои.
У статьи здесь полезный практический вывод:
- нельзя оценивать лидген-механику только по среднему CPL или общему числу MQL;
- важно проверять, как система ведёт себя на «смешанных» сценариях — например, когда в поток попадают лиды из нескольких отраслей, регионов или с разным уровнем готовности;
- модели скоринга, сегментации и маршрутизации нужно тестировать не только на исторических данных, но и на новых комбинациях признаков.
Для команд продаж это особенно важно: если квалификация построена на слишком узком наборе сигналов, отдел продаж начинает получать либо «шум», либо слишком осторожно отсеянные заявки. В итоге страдает и скорость реакции, и конверсия в SQL.
Практический вывод простой: в B2B стоит смотреть не только на то, как форма или скоринг работают в среднем, а на их устойчивость к смене источника, оффера и профиля лида. Именно там чаще всего и прячутся потери.
LLM начинают лучше понимать не только «что сказано», но и «почему так сказано»
В свежем исследовании авторы прогнали через модели более 5 миллионов вопросов и сравнили ответы LLM с человеческими ценностями: как сами ценности устроены и как они связаны с выбором в реальных ситуациях. В основе — классическая теория ценностей из психологии, то есть речь не про абстрактную «разумность», а про привычные для людей приоритеты: безопасность, статус, заботу о других, самостоятельность и так далее.
Что важно для B2B-маркетинга и лидгена: современные модели все лучше воспроизводят не только фактический контекст, но и человеческий способ принимать решения. Это особенно заметно в том, как они интерпретируют офферы, сравнивают варианты и формулируют выводы.
Практический вывод для команд, которые строят формы, квизы, лендинги и квалификацию:
- сухой перечень характеристик часто проигрывает тексту, где есть понятный сценарий выбора;
- один и тот же оффер может сработать по-разному, если в подаче меняется акцент: на экономию, контроль, снижение риска или рост;
- в AI-поиске и у LLM лучше живут материалы, которые выглядят «естественно по-человечески», а не как набор ключевых слов.
Если смотреть шире, то это ещё один аргумент не ограничиваться семантикой. Для B2B-контента важны не только термины, но и логика мотивации: с какой болью приходит ЛПР, какой страх стоит за запросом, что он считает безопасным решением.
Ссылка на исследование: https://arxiv.org/abs/2605.30036
В свежем исследовании авторы прогнали через модели более 5 миллионов вопросов и сравнили ответы LLM с человеческими ценностями: как сами ценности устроены и как они связаны с выбором в реальных ситуациях. В основе — классическая теория ценностей из психологии, то есть речь не про абстрактную «разумность», а про привычные для людей приоритеты: безопасность, статус, заботу о других, самостоятельность и так далее.
Что важно для B2B-маркетинга и лидгена: современные модели все лучше воспроизводят не только фактический контекст, но и человеческий способ принимать решения. Это особенно заметно в том, как они интерпретируют офферы, сравнивают варианты и формулируют выводы.
Практический вывод для команд, которые строят формы, квизы, лендинги и квалификацию:
- сухой перечень характеристик часто проигрывает тексту, где есть понятный сценарий выбора;
- один и тот же оффер может сработать по-разному, если в подаче меняется акцент: на экономию, контроль, снижение риска или рост;
- в AI-поиске и у LLM лучше живут материалы, которые выглядят «естественно по-человечески», а не как набор ключевых слов.
Если смотреть шире, то это ещё один аргумент не ограничиваться семантикой. Для B2B-контента важны не только термины, но и логика мотивации: с какой болью приходит ЛПР, какой страх стоит за запросом, что он считает безопасным решением.
Ссылка на исследование: https://arxiv.org/abs/2605.30036
arXiv.org
Teaching Values to Machines: Simulating Human-Like Behavior in LLMs
Large Language Models (LLMs) demonstrate a remarkable capacity to adopt different personas and roles; however, it remains unclear whether they can manifest behavior that adheres to a coherent,...
Почему один лид-магнит собирает заявки, а другой — только трафик
Есть полезный сдвиг в том, как смотреть на B2B-лидоген: современные LLM уже оценивают не только наличие ключевых слов, но и «логику доверия» внутри текста. Иными словами, модель лучше ранжирует материал, если он не просто отвечает на запрос, а выглядит убедительно с точки зрения человеческих приоритетов: что важно, что вторично, где риск, где следующий шаг.
Это хорошо видно на исследованиях, где через LLM прогоняли миллионы вопросов и сравнивали их ответы с человеческими ценностями и моделями поведения. Когда в промпт добавляли распределение человеческих предпочтений, симуляции становились заметно ближе к реальному выбору людей.
Для B2B это практичная история. Лид-формы, лендинги, калькуляторы и квизы чаще проигрывают не из-за слабого оффера, а из-за того, что не совпадают с тем, как покупатель принимает решение. Например:
- слишком ранняя просьба оставить контакт;
- формулировка без понятной выгоды;
- блоки, где нет критериев выбора;
- CTA, который звучит как давление, а не как следующий шаг.
Если ваш контент потом попадает в AI-поиск, ассистентов и внутренние RAG-системы, эта логика становится ещё важнее. Модель пересобирает ответ не по списку слов, а по структуре смысла: что выглядит надёжным, что отвечает на скрытый вопрос, что соответствует ожиданию B2B-аудитории.
Практический вывод для маркетолога и sales-лида простой: тестировать нужно не только заголовки и ключи, но и саму подачу оффера. Один и тот же продукт можно описать так, что он будет выглядеть как «ещё один софт», а можно — как понятный способ снять конкретную боль и ускорить квалификацию лида.
Есть полезный сдвиг в том, как смотреть на B2B-лидоген: современные LLM уже оценивают не только наличие ключевых слов, но и «логику доверия» внутри текста. Иными словами, модель лучше ранжирует материал, если он не просто отвечает на запрос, а выглядит убедительно с точки зрения человеческих приоритетов: что важно, что вторично, где риск, где следующий шаг.
Это хорошо видно на исследованиях, где через LLM прогоняли миллионы вопросов и сравнивали их ответы с человеческими ценностями и моделями поведения. Когда в промпт добавляли распределение человеческих предпочтений, симуляции становились заметно ближе к реальному выбору людей.
Для B2B это практичная история. Лид-формы, лендинги, калькуляторы и квизы чаще проигрывают не из-за слабого оффера, а из-за того, что не совпадают с тем, как покупатель принимает решение. Например:
- слишком ранняя просьба оставить контакт;
- формулировка без понятной выгоды;
- блоки, где нет критериев выбора;
- CTA, который звучит как давление, а не как следующий шаг.
Если ваш контент потом попадает в AI-поиск, ассистентов и внутренние RAG-системы, эта логика становится ещё важнее. Модель пересобирает ответ не по списку слов, а по структуре смысла: что выглядит надёжным, что отвечает на скрытый вопрос, что соответствует ожиданию B2B-аудитории.
Практический вывод для маркетолога и sales-лида простой: тестировать нужно не только заголовки и ключи, но и саму подачу оффера. Один и тот же продукт можно описать так, что он будет выглядеть как «ещё один софт», а можно — как понятный способ снять конкретную боль и ускорить квалификацию лида.