A legtöbb cégvezető jelenleg arra használja a mesterséges intelligenciát (AI), hogy lassított márka-öngyilkosságot kövessen el.
Látnak egy eszközt, amely képes tíz másodperc alatt 1000 e-mailt generálni, és azt gondolják: „Zseniális, az értékesítési problémám megoldódott.” Valójában azonban a Generikus Lavinához járulnak hozzá – a középszerű, AI-generált zaj szüntelen áradatához, amely az átlagos B2B beérkező levelezőládákat a figyelmen kívül hagyott ajánlatok temetőjévé tette. Ha az AI-t 1000 rossz e-mail kiküldésére használja, azzal nem az értékesítést skálázza, hanem csak gyorsabban vall kudarcot.
Annak ismerete, hogyan használjuk az AI-t az értékesítésben, nem a mennyiségről szól. Arról szól, hogy a technológiát olyan mélység és relevancia elérésére használjuk, amely korábban túl drága vagy időigényes lett volna nagy léptékben.
Több száz, AI-alapú modellre átálló vállalkozás működését elemeztem. A győztesek nem a leghangosabb megafonnal rendelkezők, hanem azok, akik az AI-t mikroszkópként használják, hogy megtalálják a pontos okot, amiért éppen most kellene beszélniük egy potenciális ügyféllel.
A kutatás-kimenet inverz összefüggése
💡 Szeretné, hogy Penny elemezze vállalkozását? Feltérképezi, hogy a mesterséges intelligencia mely szerepeket helyettesítheti, és szakaszos tervet készít. Indítsa el az ingyenes próbaidőszakot →
A hagyományos értékesítésben közvetlen összefüggés van a kutatás minősége és a ráfordított idő között. Ha valaki hiper-személyre szabott e-mailt szeretne, egy SDR-nek (értékesítési képviselőnek) 20 percet kell töltenie a LinkedIn, az éves jelentések és podcastok átfésülésével.
Az új modellt a kutatás-kimenet inverz összefüggésének nevezem. A megfelelő AI-stackkel a kutatásra fordított idő szinte nullára csökken, miközben a személyre szabottság mélysége valójában nő. Az AI képes „elolvasni” egy teljes, 100 oldalas éves jelentést, megtalálni egy specifikus kihívást, amelyet az Ön terméke megold, és kontextuálisan releváns módon hivatkozni rá – mindezt másodpercek alatt.
Ha Ön még mindig havi több ezer fontot fizet egy marketingügynökségnek az alapvető outbound szekvenciák futtatásáért, akkor lényegében „manuális munkavégzési adót” fizet olyan feladatokért, amelyeket az AI ma már nagyobb precizitással kezel.
1. fázis: Az adatintelligencia rétege
Ne az üzenettel kezdje. Kezdje a Jelzéssel (Signal).
A legtöbb értékesítési keresés azért bukik el, mert az időzítés rossz. Az AI kiváló az olyan „Kiváltó Események” (Trigger Events) monitorozásában, amelyek arra utalnak, hogy egy vállalkozás készen áll a vásárlásra. Ahelyett, hogy egyszerűen listázná a „londoni marketingmenedzsereket”, használja az AI-t a következők megtalálására:
- Vezetői váltások: Ki az, aki éppen most kezdett új pozícióban, és bizonyítani szeretne?
- Pénzügyi triggerek: Mely cégek említették az „operatív hatékonyságot” vagy a „költségcsökkentést” a legutóbbi gyorsjelentésük során?
- Technológiai rések: Mely cégek használnak konkurens terméket, de három éve nem frissítették a technológiai eszköztárukat?
Az olyan eszközök, mint a Clay vagy az Apollo, az LLM-ekkel (nagy nyelvi modellekkel) integrálva lehetővé teszik olyan munkafolyamatok kiépítését, amelyek nemcsak egy személyt keresnek meg, hanem egy indokot is találnak. Például utasíthat egy AI-t, hogy látogassa meg a potenciális ügyfél weboldalát, keresse meg a „Karrier” oldalt, és nézze meg, hogy olyan pozíciókra hirdetnek-e, amelyeket az Ön szolgáltatása általában kiváltana vagy támogatna.
2. fázis: A relevancia logikája (A Hárompontos Keretrendszer)
Miután megvan a jelzés, szüksége van egy keretrendszerre a megkereséshez. Ügyfeleimnek a Hárompontos Keretrendszer használatát javaslom, amikor az AI-t a megkeresés megírására instruálják:
- A Horgony: Egy specifikus, nem kézenfekvő tény a vállalkozásukról (pl. „Észrevettem a közelmúltbeli terjeszkedésüket a DACH régióban...”)
- A Híd: Miért fontos ez a tény Önnek? (pl. „...általában, amikor a cégek belépnek abba a régióba, a helyi megfelelőség szűk keresztmetszetté válik.”)
- Az alacsony ellenállású kérés: Egy olyan kérés, amely szinte semmilyen erőfeszítést nem igényel a válaszadáshoz (pl. „Jelenleg ezt házon belül oldják meg, vagy helyi partnerrel dolgoznak?”)
Ezt a logikát betáplálva az AI-ba, eltávolodhat a „Szeretnék egy 15 perces feltáró hívást kérni” sablontól, amelyet mindenki gyűlöl. Olyan partnerként jelenik meg, aki elvégezte a házi feladatát.
3. fázis: Az AI értékesítési eszköztár felépítése
Ahhoz, hogy ezt spam-mentesen hajtsa végre, specifikus eszközök összehangolt működésére van szüksége. Így néz ki egy karcsú, AI-fókuszú értékesítési folyamat:
- Adatforrás (Clay): Gondoljon rá úgy, mint egy Excel-táblára, amelynek agya van. 50+ forrásból hív le adatokat, és AI-t használ az adatok szűrésére és gazdagítására.
- Mélykutatás (Perplexity vagy GPT-4o): Az élő internet böngészésére és a specifikus vállalati hírek pontokba szedésére szolgál.
- Validálás (Egyedi GPT-k): Mielőtt bármilyen e-mailt kiküldene, egy második AI „játssza el a potenciális ügyfelet”, és kritizálja a tervezetet. Kérdezze meg tőle: „Bosszantó ez az e-mail? Generikusnak tűnik? Törölném ezt három másodperc után?”
- Kézbesítés (Instantly vagy Salesloft): A tényleges kiküldés és a beérkező levelek egészségének kezeléséhez.
A szakmai szolgáltatások marketingje területén dolgozók számára a magas létszámú SDR csapatról egyetlen „AI Operátorra” való váltás akár 70%-kal is csökkentheti az ügyfélakvizíciós költségeket. Ezzel nem veszíti el az emberi érintést; az emberi jelenlétet a tényleges beszélgetésre tartogatja, nem pedig a kutatás fárasztó munkájára.
Az AI értékesítés „90/10-es szabálya”
A 90/10-es szabály mellett érvelek: hagyja, hogy az AI végezze a kutatás és a tervezés 90%-át, de tartson meg egy embert a folyamatban az utolsó 10%-ra – a hitelességi kontrollra (vibe check).
Az AI kiváló a logikában, de néha érzéketlen lehet. Egy embernek minden nagy értékű megkeresést át kell néznie, hogy a „Horgony” hitelesnek tűnjön. Ha az AI talál egy podcastot, amelyben a vezérigazgató szerepelt, az embernek ellenőriznie kell, hogy az idézett részletnek valóban van-e értelme az e-mail kontextusában.
Miért bukik el ebben a legtöbb vállalkozás?
A legtöbb cég azért bukik el, mert az AI-t a Hatékonyság (ugyanazt csinálni gyorsabban) eszközének tekinti, nem pedig az Eredményesség (jobb dolgot csinálni) eszközének.
Ha az ajánlata középszerű, az AI csak abban segít, hogy több embert bosszantson fel gyorsabban. De ha valódi megoldása van egy specifikus problémára, az AI a valaha létrehozott legerősebb eszköz azoknak az embereknek a megtalálására, akiknek éppen most van szükségük erre a megoldásra.
A lényeg: A „elég jó” outbound üzenetek ideje lejáróban van. Ahogy az AI megkönnyíti az e-mailek küldését, egyre magasabbra kerül a léc azzal kapcsolatban, hogy mi számít „értékes” üzenetnek. A győzelemhez az AI-t arra kell használnia, hogy emberibb legyen, nem pedig kevésbé az.
Ha készen áll arra, hogy leállítsa a generikus tömeges üzenetküldést, és elkezdjen egy karcsúbb, intelligensebb értékesítési gépezetet építeni, nézzük meg jelenlegi folyamatait. A várakozás költsége magasabb, mint gondolná.