Signal-Based Outbound: a Story of Missing Context and Commodity Messaging
Автор критикует модный подход «signal-based outbound» — холодные рассылки на основе AI и сигналов (триггеров, событий, intent-данных). Он выделяет две ключевые проблемы: нехватку контекста (сигналы не заменяют человеческого анализа аккаунта и нюансов) и коммодитизацию сообщений (все используют одни и те же покупные данные, и покупатели распознают шаблоны). LLM в таких воркфлоу работают как маршрутизация плюс автодополнение шаблонов, но не умеют рассуждать, синтезировать и взвешивать релевантность. Сигналы хороши для роутинга и приоритизации, особенно при наличии first-party данных, но в чистом холодном аутриче нужен либо copilot с человеком в петле, либо агент, способный рассуждать как продавец. Автор намекает на собственный продукт Ora, который сочетается с сигнальными платформами: те выявляют сценарий, а Ora формирует сообщение с полноценным контекстом. Главный тезис: outbound — это задача рассуждения, а не маршрутизации.
Signal-Based Outbound: история о нехватке контекста и коммодити-сообщениях
Холодный аутрич на базе AI и сигналов сейчас на пике популярности. У него есть свои ограничения.
«Signal-based outbound» стал главной AI-powered модной фразой момента. Каждый AI-инструмент для аутрича утверждает, что использует триггеры, события или intent-сигналы, чтобы создавать идеально своевременные сообщения.
Но вот неудобная правда:
Вся категория упирается в одни и те же две проблемы:
нехватка контекстакоммодити-сообщения
Если вы пытаетесь строить outbound с помощью AI, понимание этих двух проблем избавит вас от множества ментальной гимнастики (и нескольких месяцев возни с воркфлоу, которые вы в итоге забросите).
Давайте разберёмся.
Проблема №1: нехватка контекста
Сигнальные инструменты создают иллюзию точности. Они срабатывают, когда кто-то ищет тему, заходит на страницу, нанимает на роль, что-то скачивает или взаимодействует с маркетингом.
Но сигнальные воркфлоу не способны уловить полную картину.
Результат?
Мы автоматизируем то, чего на самом деле не понимаем. А когда вы автоматизируете без контекста, вы упускаете нюансы, благодаря которым холодный аутрич срабатывает.
Посмотрим, как работают сигнальные инструменты сегодня:
Это конструкторы воркфлоу. Вы берёте:
Third-party intent (поиск тем, потребление контента, поведение на сайтах отзывов)First-party intent (визиты на сайт, использование продукта)Third-party buying signals (найм, новости, новые установки технологий)First-party engagement signals (вебинары, письма)Third-party fit signals (индустрия, SOC2, удалённая команда и т. д.)
Затем вы накладываете сверху условия, маршруты, шаги… И на каждом шаге даёте LLM промпт для генерации сообщения.
LLM, встроенные в воркфлоу. Сигналы, используемые для маршрутизации. Шаблоны, заполняемые AI.
Другими словами:
Сигналы = маршрутизация + автодополнение.
Вот и вся игра.
И, справедливости ради… это звучит умно. Но трещины проявляются быстро.
Люди не работают как линейные деревья решений.
Если бы вы дали хорошему продавцу список аккаунтов и бесконечно времени, его рабочий процесс никогда не выглядел бы как сигнальная диаграмма маршрутизации.
Он бы:
Анализировал нюансы аккаунтаНаслаивал личные бэкграунд-связиВзвешивал сдвиги на рынкеФильтровал сигналы, понижая приоритет неважныхСтроил ментальную модель проспектаИ только потом формировал сообщение, учитывая всё вышеперечисленное
Он не думает в стиле «если X, то Y».
Он собирает контекст → рассуждает над ним → затем пишет сообщение.
Signal-first воркфлоу не может это воспроизвести. Он слишком хрупкий, слишком узкий и слишком легко рушится из-за нехватки контекста.
Именно поэтому сигналы прекрасно работают, когда у вас уже есть first-party данные (кто-то активно использует продукт, задержался на странице с ценами, взаимодействует с маркетинговыми материалами и т. д.). Предоставляемый контекст достаточно значим, чтобы стать сутью письма. Сообщение не требует десятков точек данных, чтобы быть релевантным.
Но чистый cold email? Совершенно незнакомому человеку? Совсем другая история.
При нулевом first-party контексте одиночные (или даже парные) сигналы создают пробелы. Полезные подсказки — но не сама история.
СОВЕТ: пересмотрите уже отправленные автоматические письма. Вручную исследуйте проспекта, его компанию и его рынок. Потратьте полчаса, не оставьте камня на камне. Если после нескольких таких разборов вы ничего не хотите изменить — скорее всего, вы автоматизируете правильные вещи. Но если вы находите упущенные ключевые детали или способы написать сообщение иначе — ваши автоматизации, возможно, ущербны.
Проблема №2: коммодити-сообщения
Поговорим о второй проблеме: у всех одни и те же сигналы.
Если каждая компания использует одни и те же платные датасеты для триггеринга сообщений… каждый покупатель начнёт узнавать паттерн.
Ваш покупатель может не знать, что это называется «sequence». Но он точно понимает, что находится в нём.
Когда ваше сообщение опирается на third-party данные — особенно те, которые может купить любой, — ваш аутрич становится предсказуемым.
Предсказуемость → меньше любопытства → меньше ответов.
Это та же ловушка, в которую sales engagement-платформы попали много лет назад: все секвенсят одни и те же персоны с одними и теми же шаблонами из одних и тех же блогов.
Сигнальные воркфлоу на поверхности выглядят иначе, но попадают в ту же базовую ловушку:
Коммодити-входы создают коммодити-выходы.
Почему это важно для AI Outbound
Сигнальные инструменты — не зло. Сигнальные данные — не зло. Сигналы могут быть колоссально полезны для маршрутизации, приоритизации и своевременных follow-up'ов.
Проблема возникает, когда мы ждём, что сигналы будут двигать рассуждение.
Сигналы не рассуждают. Они не синтезируют. Они не взвешивают релевантность. Они не интерпретируют нюансы. Они не решают, как передать что-то с эмпатией, ясностью или стилем.
Они просто срабатывают.
Чтобы outbound работал — особенно холодный outbound — нужно нечто способное делать ту часть работы, которую делает человек:
осмыслить все входы, а не только громкие.
Большинство сигнальных инструментов туда не дотягиваются. Так что у вас два варианта:
1. Использовать copilot (human-in-the-loop)
Вы позволяете автоматизации поднимать сигналы, но человек проверяет, думает, переписывает и доводит сообщение до состояния, в котором оно реально что-то значит.
2. Использовать агента, способного рассуждать
Не генератор шаблонов, не исполнителя воркфлоу — а агента, который умеет думать целостно, как продавец, используя каждую доступную часть контекста.
Хорошие новости: есть email-компания, построенная под оба варианта.
(Думаю, вы знаете, какая.)
Где сигнальные инструменты действительно уместны
Это не разнос компаний, работающих в этой области. Там есть отличные команды, решающие реальные задачи.
Сигнальные инструменты сияют в маршрутизации и приоритизации. У нас даже есть enterprise-клиенты, использующие сигнальные платформы, чтобы выводить аккаунты для Ora — это сильно эффективнее, чем возиться с отчётами Salesforce.
Это идеальная связка:
Сигнальные инструменты выявляют сценарий. Ora доставляет сообщение с полноценным рассуждением и контекстом человеческого уровня.
Каждый решает свою задачу. Они становятся конкурентами только при неправильном применении за пределами своего предназначения.
Итог
Signal-based outbound — мощный подход… но неполный.
Сигналы говорят, когда писать. Контекст говорит, почему. Рассуждение говорит, как.
Если ваша AI-стратегия outbound решает только первое, симптомы вы почувствуете сразу:
Reply rate стагнируетСообщения кажутся шаблоннымиПроспекты замечают автоматизациюВы упускаете нюансы, которые человек никогда бы не упустилВ итоге вы всё равно нянчитесь с инструментом
Outbound — это не задача маршрутизации. Outbound — это задача рассуждения.
Команды, которые это понимают, выиграют следующее десятилетие cold email.
Об авторе