Kan man använda AI för att hitta säljprospekt?

Ja, men resultatet blir aldrig bättre än den datakälla du kopplar in. En språkmodell på egen hand producerar en lista som ser rimlig ut och blandar riktiga företag, företag som inte passar och påhittade företag. Kopplad till en verifierad företagsdatakälla hämtar samma modell rader som går att spåra till ett register.

Vilken AI är bäst för prospektering?

Modellen spelar mindre roll än datan bakom den. Vilken modern modell som helst fungerar när den kan fråga en pålitlig företagsdatakälla genom en koppling som MCP, och ingen av dem fungerar tillförlitligt utan en sådan. Välj datakällan först och modellen sedan.

Hur kan jag använda AI som hjälp i försäljningen?

Börja med den sökformade, repetitiva delen: att bygga och berika prospektlistan. Låt en människa godkänna allt som går ut. I mitt eget system poängsätter och rangordnar agenterna prospekt, samlar signaler och skriver utkast till meddelanden, och varje utskick skickar jag själv.

Prospektering med AI: börja med datan

Be ChatGPT eller Claude om en lista på 200 finska verkstadsföretag med 50 till 200 anställda, och du får en. Den kommer att innehålla riktiga företag som passar, riktiga företag som inte passar och företag som inte finns. Alla tre ser likadana ut i listan. Det är kärnan i problemet med AI-prospektering, och därför är den användbara frågan mindre ”vilket AI-verktyg ska jag välja” och mer ”vilken data får verktyget röra”.

Jag kör min egen marknadsföring på AI-agenter, och där kommer agenten undan med mycket, eftersom den jobbar med material som redan finns: mina kanaler, mina data, min röst. Prospektering är något helt annat. Där måste agenten veta något om en värld den aldrig har sett.

Det här fick jag lära mig den hårda vägen

I mitt eget prospekteringsarbete har jag byggt prospektlistor med Clay tillsammans med ChatGPT eller Claude. Av en typisk lista på 200 företag var mellan 10 % och 30 % av raderna dåliga: företag som inte längre fanns, dotterbolag till större koncerner som egentligen inte matchade kriterierna, eller rena fel. Även betald berikningsdata var ibland helt enkelt fel. Jag fick fortfarande rensa listorna för hand, och dåliga rader läckte in i CRM-systemet ändå. De brukar stanna där.

Tio till trettio procent låter inte katastrofalt, förrän du följer de raderna vidare nedströms.

Därför slår 30 % fel hela systemet sönder

Agentiska säljsystem är kedjor, och varje steg litar på steget före. Mina företagslistor synkades automatiskt in i annonsinriktningen på LinkedIn, så varje jätte utanför idealkundprofilen som slant in på en lista brände tyst annonsbudget på egen hand. Fel kontakter gick in i sekvenser och kom tillbaka som studsningar, och studsningar skadar din avsändarstatus. Säljtid gick åt till konton som ingen borde ha rört från början. En dålig rad ligger inte still. Varje steg nedströms skjuter den vidare.

Forskningen stämmer med det jag såg. B2B-kontaktdata åldras med ungefär 2,1 % i månaden, alltså omkring 22 % per år, enligt den klassiska siffran från HubSpot och MarketingSherpa. Även en ren lista förblir inte ren, och enligt Gartner kostar dålig datakvalitet organisationer i snitt 12,9 miljoner dollar om året. Och en språkmodell utan datakälla är ett eget problem: utan extern förankring hittar modellerna på en betydande andel av sina faktasvar, vilket HALoGEN-studien mätte över olika uppgiftstyper. Mina iakttagna 10 till 30 % dåliga rader ligger mitt i de intervallen.

Den dyraste förlusten syns ändå inte i de siffrorna. De företag som är svårast att hitta data om får också minst kontakt. De är ofta det segment som är mest värt att nå, just för att ingen annan når dem, och de är de första som dålig data rensar bort från listan.

Så gör jag prospektering med AI i dag

Mitt nuvarande system bygger på en idé: få basdatan rätt, och berika ovanpå den.

Ett skript poängsätter och rangordnar prospektpoolen, och CRM-systemet är den enda sanningskällan. En rad finns antingen där eller inte alls.
Agenter jag har byggt samlar in berikningssignalerna: vem som besökte webbplatsen (sett genom verktyg som Leadfeeder eller Dreamdata), vem som gillade eller kommenterade mitt LinkedIn-innehåll och, det mest intressanta, vem som är aktiv på konkurrenters inlägg.
Varje meddelande skickar jag själv. Agenterna läser, poängsätter och skriver utkast. Inget går ut utan mig.

Ge agenten en datakälla, inte ett minne

När jag skrev om vad en agent behöver (ett mål, kontext, verktyg och loopar med kontrollpunkter) var verktyg den del jag själv definierade för snävt: publicerings-API:er, analys, inkorgar. Datakällor hör hemma på den listan, och i prospektering är de posten som avgör allt annat. Med MCP blir det att koppla in en källa konfiguration i stället för ett integrationsprojekt: Clevenios MCP-server gör till exempel finsk företags- och beslutsfattardata tillgänglig för agenten. Den kan fråga på bransch, storlek och ort och få tillbaka rader som kommer från företagsregistret i stället för från modellens minne.

Skillnaden låter teknisk men är större än så. Utan en källa producerar agenten text som ser ut som data. Med en källa hämtar den data och kan berätta varifrån den kom.

Var du ska börja

Den här ordningen har fungerat för mig, och att börja smått är det billigaste sättet att lära sig vilken av dina data du kan lita på.

Koppla in en källa innan du bygger något annat. Ställ några frågor du redan vet svaret på. Du ser direkt om den svarar rätt.
Ge agenten rätt att säga nej. Om en sökning inte ger något måste agenten rapportera det. Annars fyller den luckan själv, och det är precis det felet som får de här experimenten nedlagda.
Fråga efter antalet innan listan. ”Hur många företag matchar de här kriterierna” är en billig fråga, och svaret visar direkt om din inriktning är rimlig. Tre träffar och nio tusen träffar betyder båda att kriterierna är fel.
Automatisera sist. När sökningen fungerar för hand kan du bygga en loop runt den.

Vad det här inte löser

En agent som hittar rätt företag har fortfarande inte sålt något. Listan är den del av prospekteringen som faktiskt går att automatisera, för under ytan är den ett sökproblem. Meddelandet, tajmingen och själva samtalet är fortfarande mänskligt arbete, och jag har inte sett något som tyder på att det ändras inom överskådlig tid. Men när listan inte längre äter dagar av din tid flyttar den tiden till just de sakerna.

Mer om att skriva offerten efter säljsamtalet: min offertagent.

Mer om var Parvis första affärer faktiskt kom ifrån: founder-led sales.

Mer om en signalagent för ett säljteam: AI-utbildning för sälj- och marknadsteam.

Prospektering med AI: börja med datan, inte med promptarna