Как поднять конверсию outreach без разметки и без «ручного тюнинга» каждого письма

Как поднять конверсию outreach без разметки и без «ручного тюнинга» каждого письма

В исследовании по LLM предложили подход, который можно читать как аналог sales-outreach в автоматическом режиме: вместо дорогой ручной оценки используют сигнал от другой модели, которая выступает в роли «проверяющего». В оригинале это Cross-Model Entropy (CME) — метрика, где качество ответа оценивают по тому, насколько уверенно verifier-модель принимает его как хороший.

Почему это интересно для SDR/BDR и руководителей продаж: в outreach часто улучшают только видимые метрики — open rate или CTR. Но письмо может хорошо открываться и при этом плохо проходить главную проверку: даёт ли оно релевантный ответ, вызывает ли встречу, не выглядит ли шаблонно для получателя и для внутренних фильтров качества.

Что показал эксперимент:
- метод встроили в дообучение без перестройки самого пайплайна;
- тестировали на нескольких семействах моделей: Qwen, Llama, Gemma, OLMo;
- результатом стали tie-adjusted win rate в диапазоне 52,5%–71,4%;
- эффект особенно заметен в задачах open-ended, где ответ не сводится к одному правильному шаблону.

Если перевести это на sales-реальность, то вывод такой: при работе с последовательностями писем стоит оценивать не только клики и ответы, но и «оценку качества» со стороны второй системы — CRM-аналитики, менеджера, LLM-ревьюера или скоринговой модели. Иначе можно оптимизировать красивые метрики, не двигая встречи и pipeline.

Для outreach это хороший сигнал: следующий слой оптимизации — не только A/B по теме письма, а тестирование того, как текст воспринимается моделью-оценщиком качества.