設計. 説明用の想定例であり、顧客の成果ではありません。営業担当8人のシリーズA B2B営業チームも、ここにある数字もすべて仮定です。設計は、各担当者のコールリストからアウトバウンドメールの下書きを事前に作るリサーチと下書きの層です。担当者が編集して送ります。
チームが8人のアカウントエグゼクティブで、それぞれ1日の最初の1時間をプロスペクトの調査とゼロからのコールドメール作成に使っていると仮定します。この設計では、その1時間は、プロスペクトの最近の資金調達、採用、製品ニュースをすでに引用した下書きの編集が中心になります。
売上責任者にとって重要なのは返信率と担当者の時間で、この例はどちらについても何も主張しません。この立場のチームなら、変更前に両方を記録して、あとで比較するでしょう。量は担当者1人あたり30〜80件という人間の範囲のままで、これは仮定です。量で勝負する話ではありません。
#AIによるアウトリーチは到達率を損なわずに返信率を上げられるか
AIでアウトバウンドの下書きを作ると到達率は下がるか
送る量を増やすために使えば下がり得ます。量が同じなら下がる必要はありません。この設計では、各担当者は人間の範囲である30〜80件にとどまり、自分のウォームアップ済みメールボックスから送ります。AIが変えるのは各メールの中身であり、送る数ではないので、スパム報告が増える理由はありません。
到達率への不安は現実的です。新しいドメインから1日に500通のほぼ同一のメールを送れば、GoogleやMicrosoftにすぐ迷惑メールへ振り分けられます。だから設計は逆を行きます。人間規模の同じ量、担当者がすでにHubSpotで使っている同じウォームアップ済みメールボックス、変わるのは送信ごとの調査の質だけです。
設計は何で構成されるか
3つのパーツで構成され、いずれも特別なものではない。各見込み客の直近のシグナルを取得する調査ステップ。そのシグナルのひとつを引用した一人称のメールを書く下書きステップ。そして下書きを担当者のHubSpotシーケンスに編集可能なタスクとして投入する連携ステップ。
- 調査: 翌日のコールリストにある各アカウントについて、資金調達・人員・求人シグナルをClayのエンリッチメントとClaudeの処理で取得し、最も関連性の高いフックをひとつ選ぶ。
- 下書き: そのフックを引用した短いメールを担当者の声で1通書く。差し込みタグの羅列はなし。
- 連携: 下書きを午前9時までに担当者が確認するタスクとしてHubSpotに書き戻す。何も自動送信されない。
We are
各担当者により良い初版を編集用に手渡す調査・下書きレイヤー。すべてのメールを人間が確認して送信する。
We aren't
送信割り当てを満たすためにテンプレート化されたメールを何千通も自動送信し、ドメインの評判を焼き切る大量送信スパマー。
人が介在するこの段階が肝心です。担当者はすべての下書きを読み、フックが弱いものは書き直すか破棄します。残した下書きは、フックが具体的なのでより響くはずですが、それは仮定ではなく検証すべき主張です。これは私たちのAI implementationの仕事の背後にある原則と同じです。システムが下書きし、オペレーターが決めます。
うまくいっているかをどう見分けるか
初日にはうまくいきませんし、そうでないと言う人は何かを売っています。この種の設計では、リサーチ段階が最初は弱いフックを出し、担当者が下書きを信頼しなくなることがあります。最初の調整作業は、どのシグナルを採用するかを決め、ありきたりな書き出しを生むシグナルを削ることです。
効果が出るとすれば、フックが担当者に信頼されるほど具体的になったときです。編集時間が下がり、追うべき数字は返信率です。営業責任者が、AIアウトリーチはすぐに成果が出ると言うなら、展開の開始時点からのデータを見せてほしいと頼んでください。
リスクがあるのは最初の段階です。下書きを信頼しなくなった担当者は、それを使わなくなります。対処はフックを調整することで、下書きを一つずつ手で書き直すことではありません。
このような層は2通りで納品します。パイプラインを構築して引き渡すこともあれば、営業チームの中に入って実際の返信データをもとに調整することもあります。このような記事はほかにもジャーナルにあります。
営業や収益チームを運営していて、AIが到達率を損なわずに返信率を上げられるか考えているなら、正直な答えはこうだ: 件数を人間的な範囲に保ち、すべての送信に人間を置けば、できる。それが私たちが構築するバージョンだ。あなたが取り組んでいることを教えてほしい。
