Генерація proposal: 70% шаблон, 30% AI-кастомізація

Якщо ви Head of Sales, якому вендор сказав, що AI напише proposal з нуля за 90 секунд, чесно — будь ласка, не треба. Команди, які реально шипають proposal-и швидше і виграють більше — не ті, де AI вигадує документ. Це ті, де AI кастомізує 30%, які мають кастомізуватися, і не чіпає 70%, які не мають.

Чому "нехай AI пише proposal" не виходить?

Три режими провалу. Перше: AI вигадує legal-формулювання, бо паттерн-матчить проти документів, які бачив, — а ваш MSA не серед них. Друге: AI бачить прайс як текст для оптимізації, а не дисципліну для захисту; тюнить структуру так, що ерозує комерційну логіку. Третє: реп втрачає мʼязи пояснювати угоду власними словами, бо AI зробив це за нього.

Definition: Proposal slop — fluently написані, структурно повні proposal-и, які ніхто з deal team не може захистити рядок за рядком; зазвичай виходять, коли весь документ віддають генеративній моделі.

Команди, які я бачу виграють з AI на proposal, зробили навпаки — провели два тижні підтягуючи шаблон і лише потім наклали AI на маленьку поверхню, де кастомізація має значення.

Що з 70%, що має бути залоченим шаблоном?

Це частина, яка не має варіюватись від дзвінка до дзвінка. Якщо варіюється — у вас проблема прайс- чи legal-дисципліни, а не писання.

• Legal-мова: MSA, boilerplate SOW, конфіденційність, передача IP, припинення, юрисдикція
• Прайс-структура: прайс-таблиці, логіка пакетів, пороги затвердження знижок, умови оплати
• Методологія: як ви доставляєте, які стадії існують, за що відповідає клієнт
• Список deliverables: формат і визначення кожного поіменованого deliverable
• Секція case-study: одна-дві передзатверджені історії на вертикаль, обрані по тегу
• Команда/бекграунд: хто ви, чому ця робота у вашій зоні

Ці 70% мають сидіти в version-controlled блоках. Реп їх не редагує. Зміни — у legal-а. Зміни прайс-логіки — у прайсингу. Якщо реп хоче інше — проходить процес виключення, а не повзе в proposal.

Що з 30%, де AI добре кастомізує?

Частини, які мають варіюватися по акаунту. AI тут дійсно сильний, бо інпути вже в CRM і discovery-нотатках.

Фреймування цінності, специфічне для акаунта

Відкриваюча секція "ось чому це важливо для [вас саме]". AI бере discovery-нотатки — pain points, квантифікацію, поіменованих стейкхолдерів — і виробляє 2-3 абзаци у голосі компанії, що називають ситуацію покупця. Реп ревʼює, редагує за потреби, але драфт економить годину.

Преемпція заперечень

Якщо discovery винесло конкретні заперечення — "ми обпеклися на [тип вендора] раніше", "наш procurement йде 12 тижнів", "наш CFO питатиме про ROI у місяцях 1-3" — AI драфтить абзац у proposal, що адресує кожне в лоб, у відповідній секції. Репу не треба памʼятати; discovery-нотатки памʼятають.

Definition: Преемпція заперечень — адресувати відому стурбованість покупця в тексті proposal до того, як він її озвучить на наступному дзвінку; зменшує цикли туди-сюди між proposal і close.

Комерційне фреймування тієї самої ціни

Прайс-таблиці залочені. Але як ціну позиціюють — "еквівалент заміни 1.5 FTE з повністю-навантаженою вартістю X", "менше за консалтинг-engagement, якого ви описали уникнути" — це кастомізується по акаунту з discovery-даних.

Executive summary

Однсторінкове summary вгорі, калібровне під роль поіменованого economic buyer і його turbo. AI бере discovery + залочені секції і виробляє 200-слівне summary, яке реп редагує до 150.

Copy/paste паттерн генерації proposal

Інпути (зібрані з CRM + discovery-нотаток):
- Назва акаунта, індустрія, розмір (кількість співробітників)
- Поіменовані стейкхолдери: economic buyer, чемпіон, end users
- Топ-3 pain points (з квантифікацією за наявності)
- Топ-3 заперечення, винесені в discovery
- Compelling event + дата
- Обраний прайс-tier (від репа, має відповідати залоченим опціям)
- Обрані case studies (1-2, з затвердженої бібліотеки по тегу вертикалі)

Залочені секції (без AI-дотику):
- Cover + table of contents
- Методологія
- Таблиця deliverables
- Прайс-таблиця (секції, не числа — числа з tier-інпуту)
- Legal: MSA, boilerplate SOW, умови
- Bio команди

AI-кастомізовані секції:
- Executive summary (200 слів, каліброване під роль economic buyer)
- "Чому це важливо для [акаунта]" — 2-3 абзаци з discovery
- Преемпція заперечень — один абзац на заперечення, у відповідній секції
- Комерційне фреймування — 100-слівне переформатування ціни для цього акаунта
- Lead-in до case study — 50 слів, що звʼязують обраний case з ситуацією акаунта

Аутпут: реп ревʼює AI-кастомізовані 30% за 15 хвилин, редагує за потреби, шипить.
Цільовий turnaround: менше 24 годин від discovery до відправленого proposal.

Tool tip (Course for Business): Це Augment, don't replace у найчистішому вигляді — AI робить 30%, на які реп витрачав би найбільше часу, а люди стережуть 70%, де AI наробив би біди. У нашій 6-week програмі тиждень 3 — сесія лок-дауну шаблону proposal, а тиждень 4 — шар AI-кастомізації. Пропустити лок-даун і одразу йти в "нехай AI пише" — найпоширеніший failure mode, який ми бачимо в sales-org-ах, що це пробують. Подивіться програму на https://course.aiadvisoryboard.me/business.

Хороші vs погані приклади

Фреймування цінності

• Погано: "Ми допомагаємо компаніям досягати operational excellence через transformative solutions."
• Добре: "Ви згадали, що ваш триетижневий цикл onboarding коштує вам 6-8 тижнів продуктивного часу на квартал по 12-людському інтейку нових. Запропонована робота цілить саме в цей цикл і знижує медіанний час onboarding до менше пʼяти днів за 90 днів."

Преемпція заперечень

• Погано: "Ми впевнені у нашій доставці."
• Добре: "Ви поділилися, що ваш останній вендорський engagement завис на тижні 8, бо внутрішні стейкхолдери відключилися після початкового воркшопу. Ми це адресуємо щотижневими стейкхолдерськими чек-інами і письмовим 30/60/90 ревʼю з вашим COO — не опціонально, не пропустимо."

Комерційне фреймування

• Погано: "Разом: $147,000 за engagement."
• Добре: "Загальний engagement: $147,000. Для контексту — це еквівалент приблизно одного FTE за рік, повністю навантаженого — а проектовані заощадження годин, які ви описали в discovery, перевищують два FTE на квартал. Окупність у першому ж кварталі, за вашими ж числами."

Team scan (що AI champions репортують після тижня 1)

• 18 репів в org-у, 1 AI Champion (sales operations lead) підтримує шаблон + кастомізаційний шар
• Adoption: 100% нових proposal-ів проведено через 70/30 паттерн за 10 днів
• Use case: AI-шар кастомізації знижує prep-час репа на proposal з ~3 годин до ~45 хвилин
• Зекономлений час на репа: 6-9 годин/тиждень, раніше витрачені на проpos-Франкенштейн
• Use case: черга legal-ревʼю стиснулася на ~60%, бо залочені секції не тригерять ревʼю
• Тертя: 2 репи спочатку редагували залочені секції; AI Champion провів 15-хв reset чому
• Патерн win-rate: close rate першого proposal рухнувся на 4-7 пунктів за 4 тижні, в основному через преемпцію заперечень
• Upkeep шаблону: AI Champion проводить 30-хв щомісячне ревʼю залочених секцій з legal + прайсингом
• Розкриття: репи знають, які секції чіпав AI, які — ні, повна прозорість
• Через 6 тижнів: час turnaround discovery → proposal sent впав з 4 робочих днів до менше 1

Micro-case (що змінюється за 7-14 днів)

130-людська managed-services компанія мала в середньому 4.5 робочих дні з discovery до proposal з 28% close rate на першому proposal. Кожен proposal на 60-80% переписувався з нуля репом з legal-ревʼю на кожному. За вихідні залочили 70% документа з legal і прайсингом, підняли AI-шар кастомізації з CRM discovery-нотаток і провели тренування репів за одну 90-хв сесію. Тиждень 1: середній turnaround впав до 22 годин. Тиждень 3: черга legal-ревʼю на 65% нижче, close rate першого proposal рухнувся до 34%, а три репи доповіли, що секцію преемпції заперечень цитували їм на close-дзвінках покупці. До тижня 8 turnaround у середньому під 12 годин, close rate сидить на 36%, sales-команда вивільнила сукупно ~25 годин/тиждень, раніше витрачених на механіку proposal-ів.

Note on this case: Цей приклад ілюстративний — на основі типових патернів, які ми спостерігаємо у компаніях 30-500 людей, не один іменований клієнт. Конкретні числа — округлені наближення поширених діапазонів, не гарантії.

Tool tip (Course for Business): Найшвидший спосіб посадити це в реальній sales-org — Shoulder-to-Shoulder: AI Champion сидить поруч з одним репом, проганяє AI-кастомізовані 30% live, а реп наративить "що б я змінив у фреймуванні цінності". Двох таких сесій на репа з різницею у два тижні достатньо, щоб закріпити мʼязи. Бачимо, що 70/30 паттерн прилипає, коли репи особисто редагують AI-кастомізовану секцію у другій hot seat; бачимо, що валиться, коли компанія намагається розкатати по email-розсилці. Замовте 30-хв mapping call на https://course.aiadvisoryboard.me/business.

FAQ

Чи не виглядатимуть proposal-и шаблонними й безособистими? Навпаки на практиці — 30% кастомізації — це те, що покупці помічають, і це вища якість кастомізації, ніж писали репи під дедлайном. Покупці не читають legal-мову; читають executive summary і "чому це важливо для вас". Це і є AI-кастомізовані частини.

Чи може AI ще й торгуватись з ціною? Ні. Прайс-дисципліна — саме та область, де AI робить найбільше шкоди. Прайс-tier-и — інпути, не аутпути AI-шару. Якщо реп хоче нестандартну ціну — проходить людський процес виключення, не "подивимось, що AI запропонує".

А якщо наші proposal-и шалено різні по угодах? Імовірно, не мають бути. Інстинкт "різні по угодах" зазвичай ховає прайс- чи scoping-дисципліну, яку треба фіксити на рівні каталогу. Якщо після фіксу каталогу все одно різні — ви в custom-services території і співвідношення 70/30 зрушується — але принцип лишається.

Чи не потрібна фантазійна платформа генерації proposal? docx-шаблон, пара merge-field-ів і маленький скрипт, що кличе LLM з discovery-нотатками — спрацюють для команди 5-20 репів. Тули типу PandaDoc чи Proposify роблять охайніше; не обовʼязкові.

Як це взаємодіє з коучингом discovery-дзвінків? Туго. Discovery-нотатки годують AI-кастомізаційний шар; погане discovery → погана кастомізація. Паттерн 70/30 виносить слабкість discovery — якщо у репа секція "чому це важливо" постійно виходить generic, то й discovery був generic. Заслуговує окремої петлі коучингу.

Висновок

Обіцянка "AI пише proposal" переважно погана. Реальність "AI кастомізує правильні 30% proposal" — відмінна. Залочіть шаблон. Виділіть 30%, що варіюються по акаунту. Дайте AI обробляти ці 30% з CRM. Подивіться, як turnaround впаде і close rate зрушиться.

Оберіть 70% для лок-дауну цього тижня. Виділіть 30% для AI-кастомізації. Зашипіть перший proposal під новим паттерном до пʼятниці.

Якщо ви хочете, щоб кожен співробітник — включно з кожним sales-репом — зашипив свою першу AI-автоматизацію за пʼять днів, з proposal-патернами, що тримаються під реальними угодами, замовте 30-хв call і ми разом проложимо перший тиждень вашої команди на https://course.aiadvisoryboard.me/business.