5 Maneras de Convertir Tu Cold Outreach de "Meh" a "Wow!" Con AI

Hola a todos por ahí. Mi nombre es Leo Goldfarb. Soy socio gerente en albato.com, una plataforma de integración de todo código. Y sí, estoy muy feliz de que todos estén escuchando mi presentación y espero que la disfruten.

Así que antes de ir al grano, solo unas pocas palabras sobre albato y quiénes somos. Somos una plataforma de integración y automatización sin código con más de 80 personas a bordo y con sede en Lisboa, Portugal, y tenemos básicamente todo tipo de clientes, usuarios individuales, PYMEs, empresas SaaS, tanto B2B como B2C. Automatizan sus flujos de trabajo y sus tareas tediosas a través de nuestras integraciones API sin código y las cifras que ahora ves en la diapositiva deberían darte una idea bastante precisa de la escala de nuestro negocio.

Hemos estado alrededor de cinco años y hasta hoy, tenemos más de 800 integraciones API listas para usar que tú y tus clientes pueden usar desde el primer día. Y hay más de 100 K clientes activos en la plataforma. Y también solo otro punto destacado que albato embedded es, así que en realidad tenemos como un portafolio de diferentes productos dirigidos a diferentes negocios y albato embedded específicamente es nuestro producto estrella dirigido principalmente a empresas SaaS. En resumen, si eres una empresa SaaS, en lugar de cargar a tus desarrolladores y a tu equipo con el desarrollo y mantenimiento de docenas o cientos de integraciones, lo cual siempre es un gran dolor para todos, puedes integrar un mercado de más de 800 integraciones de marca blanca, listas para usar en tu SaaS y habilitarlas para tus clientes en solo unos pocos clics. Sí. Así que eso es en resumen sobre quiénes somos, solo para darte un poco de contexto.

Así que como ya habrás adivinado, nuestro alcance, y esto es de lo que vamos a hablar aquí hoy. Está dirigido principalmente a empresas SaaS B2B, lo cual es un, eso es un ICP súper específico, diría yo, sí, es una audiencia muy de nicho y es, es bastante difícil armar la lista de prospectos y llegar a todas esas personas de SaaS B2B, y mucho menos obtener algunas respuestas a tus correos electrónicos en frío.

Así que vamos al grano y básicamente lo que voy a, ya sabes, lo que vamos a explorar a lo largo de mi presentación es cómo nuestra experiencia, nuestra experiencia práctica de aprovechar la IA para mejorar el rendimiento del alcance y supongo que nadie discutiría si dijera que el alcance ha sido cada vez más difícil de abordar en los últimos años. Sí. Y en realidad está empeorando. Así que supongo que, ya sabes, todos los que me están escuchando pueden relacionarse, especialmente si estás involucrado en llevar a cabo un alcance en frío, ya sabes, hasta cierto punto.

Así que la gente, la gente ignora los mensajes en frío cada vez más. Sí. Y básicamente cada vez que tienes una, ya sabes, se te ocurre otra receta secreta, tienes que reinventar la rueda. Sí. Y algunas técnicas de alcance que solían funcionar hace poco ya no son efectivas. Sí. Y por ejemplo, ya sabes, tal vez hace solo un par de años atrás, ya sabes, diría, Oye, hagamos esto. Vamos a ejecutar una campaña de alcance masivo. Sí. Usemos este enfoque llamado rociar y rezar. Sí. Y simplemente recolectar como el fruto fácil de alcanzar. Sí. Porque de todos modos, obtendríamos un montón de respuestas. Obtendríamos un montón de reuniones, un montón de ventas.

Bueno, ya sabes, tengo algunas noticias desconcertantes para ustedes, amigos. Sí. Porque ya no hay el fruto fácil de alcanzar en el alcance en frío. Sí. Así que básicamente cada fruto está muy alto. Sí. Hoy. Y tienes que ser realmente, realmente reflexivo y diligente en cómo llevas a cabo tu alcance en frío, especialmente si tienes un mercado direccionable bastante limitado como nosotros porque no quieres simplemente, ya sabes, ignorar y quemar a tu audiencia con un alcance deficiente. Sí. Porque una vez que te marcan como spam o una vez que se dan de baja, nunca puedes volver a comunicarte con ellos. Sí. Así que básicamente cada cliente potencial es, es valioso. Sí. Es invaluable. Así que sí, vamos a sumergirnos de lleno. Y aquí estoy un poco poniendo el carro delante del caballo. Así que esto es en realidad, ya sabes, el resultado de todos nuestros esfuerzos. Sí. Así que aquí puedes ver solo algunos ejemplos de lo que, lo que nuestros prospectos, ya sabes, están respondiendo a nuestros correos electrónicos en frío. Y por supuesto, siempre es genial ver a nuestros prospectos reaccionando positivamente a nuestros correos electrónicos en frío. Y básicamente bueno, diría que la razón por la que sucedió. Sí. Porque tuvimos muchos altibajos con nuestro alcance en frío y ahora estamos, ya sabes, mirando como a algún tipo de logro que, que, que nos llevó un tiempo alcanzar. Y todo es gracias a llevar la IA a nuestro alcance. Sí. Es solo un poco de diversión. Esta es una respuesta real de uno de nuestros prospectos. Sí. Te daré solo un par de segundos para leer este material.

Sí. Está bien. Voy a ayudarte. Esto es bastante divertido porque, ya sabes, terminamos programando una reunión con este tipo. Sí. Pero siempre esté preparado para que a veces puedan lanzarte una palabrota. Bueno, este es aún más convincente en un punto. Sí. La honestidad es la mejor política. Sí. Así que básicamente, ya sabes, una respuesta de un prospecto, incluso una respuesta como esta es siempre mejor que ninguna respuesta. ¿Y sabes qué pasó realmente? Ese tipo, el tipo que lanzó la palabrota, este. Sí. Él, como un par de días después, regresó, y estaba ansioso por aprender más sobre nuestro producto. Sí. Y creo que terminamos programando una reunión con él. ¿Por qué? Sí. Porque creemos que, ya sabes, hemos puesto mucho esfuerzo en hacer que nuestros mensajes sean significativos y, ya sabes, simplemente tener ese valor que hace que la gente, ya sabes, preste atención y no puedan simplemente ignorarlo. Sí.

Sí. A medida que nos acercamos a, ya sabes, nuestra experiencia práctica. Así que supongo que todos los involucrados en el cold outreach, ya sabes, en cierto grado, todos deberían poder relacionarse con esto.

Sí. Así que hay un dilema interminable que, ya sabes, todos hemos enfrentado muchas veces.

Así que puedes hacer outreach personalizado o outreach a escala. Sí. Así que, ya sabes, en la mayoría de los casos no puedes hacer ambos al mismo tiempo. Sí. Eso suena familiar.

¿Verdad? Y para nosotros ese fue el caso. Sí. Podíamos, ya sabes, hiperpersonalizar, pero entonces haríamos un outreach muy limitado.

Sí. Y realmente no podíamos mantenernos al día con los volúmenes y no podíamos alcanzar nuestra cuota de ventas debido a un volumen extremadamente bajo o intentaríamos hacer algo a escala, pero entonces sacrificaríamos ese aspecto de personalización. Pero ese fue el caso antes de que AI entrara en juego. Sí. Y hoy con la ayuda de AI y también algunas integraciones de AI. Sí. Realmente podemos personalizar a escala.

Sí. Y sí. Ahora voy a guiarte a través de nuestra experiencia práctica. Bien. Así que a un nivel alto, cada outreach, quiero decir, ya sabes, la forma en que lo vemos, sí. Se basa en tres pilares fundamentales o piedras angulares, si quieres.

Así que el primero son las listas de prospectos de alta calidad. Sí. Eso es como la base. Luego, básicamente, reunir y extraer puntos de datos impactantes que te ayudarían a primero preclasificar y, en cierto modo, seleccionar los mejores leads. Y luego, por supuesto, sí, como la punta de lanza de cualquier outreach es, es un mensaje contundente que, tú sabes, que, que termina en la bandeja de entrada de tu prospecto. ¿Verdad?

Y sí, como sabes, exploremos algunos ejemplos de mensajes buenos y malos y cómo AI realmente puede marcar la diferencia. Así que este, sí, es en realidad un mensaje muy antiguo y eso fue, supongo, hace más de un año. Así que en ese momento, ya sabes, no estábamos usando AI en nuestro cold outreach. Sí. Y te daré solo un par de segundos para leer este mensaje. Entonces, ¿qué piensas al respecto? Sí, en realidad, ya sabes, queríamos, pensamos. Así que eso sería un mensaje contundente, pero en realidad terminamos enviando solo otro mensaje más, como muy mediocre. Sí. Y realmente no, realmente no impactante.

Sí. Y el problema con este mensaje, por supuesto, en realidad hay un montón de problemas aquí. Sí. Así que supongo que cometimos como, ya sabes, cada error que, ya sabes, que cometes cuando comienzas a hacer outreach. Sí. Así que, en primer lugar, esa es una línea de asunto muy vaga. Sí. Realmente no transmite nada. Sí. Hay, ya sabes, algunas cosas básicas que faltan, como que no hay parte del problema aquí. Así que estamos hablando de algunas, ya sabes, tendencias generales sobre cómo AI ahora está impulsando el crecimiento en la industria conversacional. Supongo que estás buscando expandir tus capacidades de AI. Luego, en cierto modo, ya sabes, pasamos a, y estamos tratando de lanzar alguna característica que nuestro prospecto podría agregar a su producto, pero probablemente la pregunta que, ya sabes, que Jeffrey está pensando cuando realmente abre este correo electrónico, si alguna vez abriría este correo electrónico con una línea de asunto tan mediocre, ¿verdad? Entonces, ¿qué hay para mí? Quiero decir, ¿qué tipo de, qué tipo de problema, qué tipo de urgencia están tratando de, ya sabes, señalar, porque no hay nada sobre eso aquí. Sí. Y por supuesto, supongo que el mayor problema aquí es que es, es simplemente demasiado genérico. Sí. Y ves, lo he resaltado en amarillo para ti. Sí. Hay, hay solo un puñado de lo que podemos llamar como, ya sabes, personalización muy básica. Por supuesto, estamos usando el nombre del prospecto. Estamos usando el nombre de la empresa del prospecto, el sector de la empresa. Sí. Así que sabemos que esa empresa Abbott. Sí. Así que ellos, ellos están en la industria conversacional. Son algún tipo de chat bot, pero eso, eso no es suficiente. Sí. Así que diría que este correo electrónico está muy poco personalizado. Sí. Y ese es el problema. Así que ahora hagamos algunas conjeturas. Hagamos algunas conjeturas. Entonces, ¿qué piensas que fue su tasa de respuesta en esta campaña? Te daré un segundo. Sí, fue bastante baja, así que ¿por qué un 20%? Sí.

Lo cual está más o menos bien. Así que recibimos algunas respuestas y algunas de ellas fueron positivas, pero está muy por debajo del, eh, ya sabes, el punto de referencia del mercado. Correcto. Y también la tasa de interés fue, ya sabes, menos de la mitad de eso. Así que por tasa de interés, en realidad nos referimos a, eh, digamos la proporción de, eh, ya sabes, respuestas de interés positivo a todas las respuestas. Y esto también es súper bajo, ya sabes, en comparación con el, el, el punto de referencia del mercado en general.

Y luego avancemos seis meses después. Y aquí es cuando, de alguna manera, eh, ya sabes, hackeamos AI en el outreach y comenzamos a ver el primer impacto positivo. Así que, eh, como puedes ver en esta campaña en particular, sí, mientras estamos vendiendo, eh, integraciones FBI. Sí. Así que decidimos aprovechar el hecho de que nuestro prospecto, específicamente esta empresa, Sandspark. Sí. Eh, así que, eh, estamos aprovechando el hecho de que, eh, ofrecen integración con su plataforma a través de Zapier. Eh, lo cual es genial. Sí. Pero no tan genial como ofrecer integraciones nativas dentro de tu plataforma, lo cual es exactamente lo que estamos vendiendo aquí. Así que, eh, sí, aquí puedes ver que es, eh, ya sabes, es un enfoque muy diferente. Así que realmente, eh, sí, hicimos ese outreach mucho más, eh, ya sabes, personalizado y preciso.

Así que primero que nada, está la parte del problema aquí, así que está, está justo aquí. Sí. Así que todo para integraciones a través de Zapier nunca es suficiente. Sí. Y, eh, tus representantes de ventas y agentes necesitan cambiar de Sandspark. Eso también, aquí estamos hablando del problema. Sí. Y algunos, algunos riesgos. Sí. Que, ya sabes, tus clientes, ellos, ya sabes, podrían abandonar debido a, eh, ya sabes, algunos problemas con las integraciones y por supuesto va a impactar negativamente en tus ingresos. Sí. Al final del día. Así que, y aquí estamos hablando de la solución. Sí. Pero supongo que la parte más interesante es, eh, ¿dónde está la personalización aquí en este correo electrónico? Sí. ¿Puedes adivinar? Te voy a dar una pista. Así que aquí estamos usando, eh, tres capas de personalización. Así que, eh, sí, las llamamos básica, que es, eh, ya sabes, algo como muy, muy esencial, como el nombre del prospecto, el nombre de la empresa. Eh, luego también hay personalización para la persona compradora. Así que mientras estamos haciendo outreach a diferentes personas, eh, por ejemplo, persona de negocios, como un fundador o jefe de crecimiento o CEO o persona de producto, como CPO o propietario, también hay como una persona técnica, como CTO. Así que tenemos, diría, aproximadamente seis o siete personas a las que estamos haciendo outreach. Sí. Y por supuesto, eh, esas cosas son muy diferentes. Sí. Para la persona. Así que por ejemplo, al fundador, estamos diciendo que, oye, ya sabes, estás perdiendo tus ingresos. Sí. Y si, ya sabes, pruebas nuestra solución, eso va a aumentar tu retención y MRR. Mientras que al tipo de producto, estaríamos, ya sabes, eh, estaríamos hablando sobre algún tipo de adopción de producto, eh, sí, como un uso mensual y cosas así. Sí. Y la tercera y más impactante capa de personalización es la que llamamos caso de uso.

Y se genera a través de chat GPT y se lleva directamente a nuestros mensajes. Así que, por ejemplo, aquí donde estamos hablando con esa empresa, sí. Y estamos mencionando a sus clientes. Así que sabemos que sense park es una plataforma para representantes de ventas y agentes de CS. Sí. Y ese fue el punto de datos que se extrajo de chat GPT. Sí. Y también en el PS, puedes ver que estamos dando un caso de uso muy específico de cómo los clientes de sense park podrían usar, eh, integraciones. Sí. Así que los representantes de ventas pueden crear videos dinámicos. Así que sabemos que esa empresa ofrece una herramienta para, eh, para AI para crear videos AI o videos dinámicos. Y nuevamente, esto es algo que, eh, que extrajimos a través de AI. Así que no tuvimos que, ya sabes, elaborar cada correo electrónico a mano. Eh, sí. Así que esto es, esto es increíble. Así que, y estos son los prompts que usamos. Sí. Así que, por ejemplo, eh, para obtener este punto de datos. Sí. Le preguntamos a Chad GPT, Oye, ¿quiénes son los usuarios más comunes de sense park? Sí. La empresa es una variable dinámica, eh, que estamos ajustando a AI. Sí. Y para esta parte, sí, usamos este prompt. Así que dinos cuál es el escenario de integración más común para los clientes de sense park. Sí. Sí. Y solo, ya sabes, para, eh, darte una idea de cómo se ve esta campaña bajo el capó. Sí. Casi parece, ya sabes, un fragmento de código. Sí. Porque hay tanta personalización aquí y algo, ya sabes, como ramificación y algo de lógica condicional. Pero, eh, ya sabes, para hacerlo simple nuevamente, estamos usando personalización básica el nombre de la empresa y, eh, el nombre del prospecto, la persona compradora es una personalización estática. Así que dependiendo de con quién estamos hablando, sí, estamos cambiando a. Diferente propuesta de valor y diferente, eh, problema, eh, problemas. Sí. Que estamos señalando. Y este, como dije, es el más, eh, complicado, pero al mismo tiempo, el más efectivo. Sí. Así que esto es lo que estamos extrayendo de AI. Así que rol uno, rol dos son los clientes de nuestros prospectos. Sí. Porque estamos hablando de, ya sabes, crear algún valor para los clientes de nuestros prospectos. Así que es importante para nosotros realmente identificar quiénes son esas personas. Eh, sí. Y, eh, sí, por supuesto, estamos usando una herramienta de automatización de outreach. Así que nuevamente, no lo estamos haciendo manualmente. Y, eh, sí, un ejercicio mental para ustedes. Así que echemos un vistazo al impacto positivo. Así que la tasa de respuesta para esta campaña en particular fue del 6%.

Y la tasa de interés fue del 3.5%. Sí. Lo cual es un salto y rebote, diría yo. Y aquí hay un, un ejemplo de, uh, el conjunto de datos de outreach. Sí. Que, que usamos para esta campaña en particular. Así que como puedes ver aquí, estos son como los, ya sabes, los datos básicos puntos como el nombre de la empresa, primer nombre, apellido. Sí. Y todas estas columnas son generadas por AI. Por ejemplo. Uh, y aquí, sí, puedes ver los prompts que usamos. Así que extraímos el sector de la empresa, el caso de uso de integración de la empresa. Uh, los dos principales clientes de la empresa para una carretera a, uh, los dos principales integraciones de la empresa. Um, y sí, básicamente el cielo es el límite, así que puedes enviar cualquier prompt a chat, GPT, API, y simplemente enriquecer tu conjunto de datos con, con grandes, uh, puntos de datos de AI que, que puedes usar en tus, um, en tus comunicaciones de outreach. Correcto.

Y otro, um, otro ejemplo de cómo hiperpersonalizamos nuestro outreach. Uh, este sigue siendo un experimento en curso, uh, solo para que lo sepas, pero hasta ahora parece bastante prometedor. Así que lo que hemos hecho aquí es que extraímos las reseñas de clientes de nuestros prospectos de G2 y las pasamos por AI para descubrir algunos insights y patrones valiosos. Así que sí, solo lee este correo electrónico conmigo. Sí. Así que, hola, uh, nombre del prospecto. Vimos que los clientes de tu empresa estaban descontentos con tus integraciones. Sí. Y esto es de lo que la gente está mayormente preocupada, y esto es lo que realmente, algunos insights que fueron extraídos de G2 con la ayuda de AI. Sí. Así que la gente está hablando sobre la dificultad de enviar la integración de QuickBooks y algo más, la integración de Stripe. Así que realmente estamos señalando, uh, algo muy específico y esto es cierto. Sí. Así que hay, uh, hay reseñas reales en G2 que están hablando de ello. Sí. Y luego esto es, uh, nuevamente, la personalización de la persona compradora. Así que aquí puedo, puedo decir que estamos hablando con la persona compradora de producto porque ves, este es el, um, ya sabes, el lenguaje del problema que estamos usando. Así que esto lleva a la adopción por pares y la rotación. Sí. Y la propuesta de valor para la persona de producto es que tu producto se volverá mucho más seguro para los usuarios. Y los usuarios de tu producto aumentarán con nuestras integraciones nativas. Y nuevamente, la capa de caso de uso. Sí. Um, está aquí y aquí. Sí. Y ves, como que rastreé este porque es la parte más valiosa. Sí. Así que, y básicamente lo que hemos hecho aquí es como dije, alimentamos docenas o incluso cientos de reseñas reales de clientes. A chat GPT. Sí. Y le pedimos a chat GPT que identificara algunos patrones para analizar ese gran conjunto de datos y señalar, digamos, los dos principales. Y los problemas más críticos con, uh, las integraciones de quillers. Y este es el resultado que obtuvimos. Sí. Um, y sí, nuevamente, eso, uh, esto ya lo hemos cubierto. Sí. Así que, uh, preguntamos como el escenario de integración más común aquí. Sí. Y lo usó en PS y ese es otro ejemplo. Así que básicamente aquí estamos enviando los, ya sabes, los enlaces a las reseñas de G2, solo para, ya sabes, como prueba de que, hey, estos son los enlaces donde la gente está quejándose de tus integraciones. Sí. Y nuevamente, um, cómo realmente extraemos esos enlaces. Sí. Y sí, nos ayudó a identificar, identificar. Sí. Pero esas son reseñas negativas que el sentimiento es negativo y específicamente sobre integraciones. Así que, uh, sí, eso es bastante genial, supongo. Y este es el aspecto del conjunto de datos para esa campaña de reseñas de clientes. Sí. Así que como puedes ver, uh, puedes ver, ya sabes, pulgares arriba y pulgares abajo.

Entonces, lo que realmente significa eso, y eso es, eso es uno de nuestros, ya sabes, puntos clave muy, muy importantes de, ya sabes, interactuar con, con AI. Uh, así que chat GPT es realmente bueno haciendo ciertas cosas mientras que realmente tiene dificultades para hacer otras cosas. Así que es bueno, por ejemplo, um, uh, determinando el sentimiento de las reseñas. Sí. Ya sea negativo o positivo. Sí. Así que es bastante preciso. También, le pedimos que, oye, ¿puedes por favor, um, identificar reseñas que mencionen específicamente integraciones? Sí. Así que esto también funcionó bastante bien. Sí. Pero en lo que no es tan bueno, sí, es básicamente en agregar datos e identificar algunos, ya sabes, como pat algunos patrones ocultos. Así que, por ejemplo, le estás alimentando con, no sé, unos pocos miles de reseñas y dices, oye, ¿puedes, uh, digamos, proponer, uh, dos, uh, insights negativos y dos insights positivos? Uh, así que solo, ya sabes, revisando ese gran conjunto de datos, ¿puedes como que, ya sabes, señalar algunos patrones? Sí. Así que eso no funcionó muy bien. Así que algunos de los datos eran buenos. Sí. Pero nuevamente, tuvimos que hacer, tuvimos que verificarlo manualmente y tuvimos que hacer de hecho, tuvimos que hacer muchas, ya sabes, um, mejoras. Sí. Así que tenemos que, um, sí. Validar el conjunto de datos. Manualmente. Sí. Pero de todos modos, esto parece muy prometedor. Te lo puedo decir. Sí.

Y el último ejemplo, y ese es otro, uh, creo que un buen punto que podrías encontrar útil es que chat TPT es mejor cuando, ya sabes, no establecemos límites estrictos. Así que, por ejemplo, no lo estás alimentando con un conjunto de datos y diciendo, Oye, ¿puedes profundizar en este conjunto de datos e identificar patrones, sino que en su lugar le das como una libertad total para que invente cosas nuevas y sea creativo, dices, Oye, ¿cuáles son los tres principales problemas de integración en el espacio vertical que las empresas, los clientes pueden encontrar? Sí. Sin, sin darle ningún tipo de, uh, ya sabes, datos entrantes y en realidad, ya sabes, es bastante bueno inventando algunos, tal vez sea más genérico. Sí. Pero en realidad parece bastante convincente. Sí. Así que, Oye, y esto es lo que decimos en nuestro correo electrónico frío, Oye, enumeraré los problemas típicos que a menudo se convierten en un obstáculo en tu espacio y el espacio de automatización de ventas, todos relacionados con integraciones. Y estos son como los tres principales, muy típicos, ya sabes, problemas. Sí. Que, que preocupan a los clientes bla, bla, bla. Así que sí, este funciona muy bien. Sí. Supongo que expliqué, uh, este punto. Sí.

Y solo para darte una idea de, ya sabes, cuando estamos, cuando, cuando realmente estoy hablando de hiperpersonalización, sí, esto es lo que quiero decir. Así que estos, esta es la lista de variables de IA que usamos en nuestra campaña de correo electrónico promedio. Y así, las negras son como variables básicas. Vamos a llamarlas estáticas. Sí. Pero las que están resaltadas en naranja. Sí. Así que estos son los puntos de datos generados por IA. Y tenemos aquí aproximadamente 15 puntos de datos generados por IA. Y eso es solo para una campaña de correo electrónico. Sí. Así que como a lo largo de cuatro o cinco, uh, correos electrónicos fríos. Así que supongo que eso es, ya sabes, podemos llamarlo como, uh, ya sabes, uso intensivo de, de IA en el alcance frío. Sí. Pero realmente, ya sabes, demuestra ser, uh, bastante efectivo. Sí.

Y otro, um, otro punto interesante. Sí. Que realmente, ya sabes, llamó nuestra atención es que nuestra tasa de no presentación en 2024 este año es del 2.5%, sí. Lo cual es bastante bajo en comparación, nuevamente, con los promedios del mercado. Sí. Y también la tasa de spam. Así que digamos cada vez que un prospecto simplemente etiqueta nuestros correos electrónicos fríos como spam. Sí. Lo cual realmente puede dañar nuestra reputación de dominio. Y sí, es un montón de otros problemas que, ya sabes, que crea, pero es, es casi medio por ciento. Uh, y esto es promedio en todas nuestras campañas de alcance este año. Sí. Y solo nuevamente, para darte, uh, algo para, ya sabes, comparar estos números con solo, ya sabes, hace un año, el verano pasado, nuestra tasa de no presentación estaba por encima del 60%. Así que, uh, sí. Saltos y rebotes, diría yo. Y creemos que la razón, sí. Por qué, ya sabes, realmente vimos esa mejora en nuestro rendimiento de alcance es, uh, básicamente, um, sí. Inyectando IA en estos tres pilares. Esos, sí. Trabajando con nuestras listas de prospectos, uh, extrayendo puntos de datos.

Y por supuesto, uh, ya sabes, inyectando todos esos datos de IA, uh, en nuestros mensajes de alcance. Así que, y solo, uh, unas pocas palabras sobre lo que funcionó. Sí. Porque siempre es emocionante sumergirse en algo que falló. Sí. Así que porque hemos estado haciendo muchos experimentos últimamente y por supuesto, ya sabes, muchas cosas que, ya sabes, no funcionaron como se esperaba. Así que, uh, intentamos usar IA para pre-calificar a nuestros prospectos. Sí. Porque tenemos un ICP bastante complejo y como de múltiples capas. Así que esencialmente tenemos como más de 10 criterios. Sí. Que necesitamos validar para decir que, oye, ya sabes, es un buen lead. Es un lead relevante. Y por supuesto, toma mucho tiempo. Sí. Así que intentamos aprovechar la IA para, ya sabes, hacer el trabajo por nosotros. Sí. Pero lo que realmente funcionó es que, uh, básicamente la IA, uh, es buena. Quiero decir, específicamente charge equity es buena, um, en identificar si los leads coinciden, ya sabes, como un criterio de ICP aislado. Así que, por ejemplo, si le preguntas, oye, ¿esta empresa, uh, ya sabes, coincide con el vertical XYZ o es B2B o B2C o es esta empresa un SaaS? O, uh, ¿crees que podría, ya sabes, potencialmente requerir integraciones? Sí. Así que, uh, sí, probablemente obtendrás un punto de datos bastante preciso, pero realmente tiene dificultades para coincidir con, como dije, un ICP compuesto complejo. Así que, por ejemplo, si dijeras, oye, charge equity, aquí está mi ICP. Sí. Y está compuesto por como, no sé, 20, uh, criterios. Sí. Solo dime si, ya sabes, estas empresas, ICP o no. Sí. Así que entonces es como que empieza a, ya sabes, alucinar y sí, no te dará un buen dato. Sí. Así que eso es algo de lo que deberías estar al tanto. Así que de nuevo, y eso como que, ya sabes, solidifica la, uh, la otra conclusión que mencioné antes de que debería ser, podría ser buena en trabajar con algunos, ya sabes, um, como indicaciones aisladas y puntos de datos aislados, mientras que si intentas, si le pides que, ya sabes, agregue para trabajar con un gran conjunto de datos, uh, sí. Y hacer algún tipo de, ya sabes, trabajo matemático. Sí. Tiene dificultades. Así que tal vez otro modelo de AA sería más, uh, adecuado para eso, para ese tipo de trabajo. Sí.

Y otra cosa que realmente no pudimos lograr es, uh, ya sabes, mucha gente ahora está hablando, especialmente en el espacio de alcance, que, oye, tenemos que usar, ya sabes, uh, la actividad social de LinkedIn. Así que tenemos que de alguna manera reconciliar lo que la gente está hablando en LinkedIn, como sus publicaciones o sus comentarios. Tenemos que usar eso como un iniciador de conversación, ya sabes, para ventas.

Sí. Y sí, lo intentamos. Así que básicamente te daré un par de ejemplos. Así que, por ejemplo, este tipo, él publicó algo sobre salud mental. Sí. Así que esto es, ya sabes, exactamente lo que él, uh, lo que escribió en su LinkedIn. Sí. Y le pedimos a la IA que generara una especie de mensaje de enlace. Así que algo así como, oye, danos como un, ya sabes, un abridor de correo electrónico que nos ayude a, ya sabes, hacer la transición a una conversación de ventas.

Sí. Este es el resultado, como, oye, tu compasión por la salud mental. Uh, es genial. Sí. Como que crees en el poder de la conexión y es por eso que queremos ofrecerte algunas integraciones. Sí. Para mí, parece un poco, ya sabes, fuera de lugar, por decir lo menos de hecho, parece ridículo. Sí. O este tipo, uh, ya sabes, estamos hablando de como, uh, algunos procedimientos de ciberseguridad como ISO 27 o uno bla, bla, bla. Sí. Y esto es lo que, um, tragedy se le ocurrió como, oye, abordar ISO es como prepararse para un maratón tecnológico, así como valoras la ciberseguridad, valoramos las integraciones sin problemas. Sí. Um, sí, eso es bastante, no sé. Sí. Uh, dudoso, diría yo, sí. Dudoso. Uh, pero por otro lado, ella realmente te eligió fue bastante buena en realidad, ya sabes, dándonos algunos consejos y diciendo que, oye, esta actividad social podría ser un desafío para las interacciones de ventas, así que podrías, ya sabes, como, no usarla. Sí. O mientras esta es un poco mejor para el compromiso de ventas. Sí. Porque está hablando, ya sabes, sobre negocios, sobre algunos. Uh, ciberseguridad y cosas. Así que definitivamente tiene algún potencial. Sí. Pero nosotros, ya sabes, como dije, es un experimento en curso, así que definitivamente continuaremos, ya sabes, experimentando y dándole otra, uh, oportunidad. Sí. Pero por ahora, como dije, decidimos no seguir ese camino.

Sí. Porque creemos que la falta de personalización es mejor que una mala personalización. Y solo para darte un ejemplo muy divertido. Así que alguien lo publicó en LinkedIn hace un tiempo. Así que está claramente, ya sabes, elaborado con IA y aquí es lo que, ya sabes, el representante de ventas está diciendo como, oye, estaba haciendo una investigación y encontré una foto en nuestro Facebook. Sí. Y, uh, ¿alguna vez revisaste algunos clubes SOMO? Y la lucha SOMO es un poco como luchar contra un CRM torpe. Como, vamos. ¿Qué tipo de, ya sabes, puente es ese? Sí. Y, uh, estoy terminando. Sí.

Así que probablemente te estés preguntando cómo funciona todo esto bajo el capó. Así que cómo realmente incorporamos IA en nuestros mensajes en frío. Sí. Así que te lo voy a explicar en literalmente un minuto. Sí. Así que imagina que tenemos una lista de prospectos, como una hoja de Google con, uh, con las empresas y, por ejemplo, reseñas de G2 u otros puntos de datos. Sí. Así que luego lo que hacemos es alimentarlo a open AI a través de API. Sí. Y por supuesto, creamos, uh, un prompt. Lo cual, ya sabes, lleva bastante tiempo porque esencialmente estamos construyendo como una especie de modelo de lenguaje y necesitamos entrenarlo. Sí. Y no es como, ya sabes, no es de una sola vez. Así que básicamente necesitamos, sí. Entrenarlo y ajustarlo. Y eso es un poco de ida y vuelta aquí. Sí. Porque, uh, lo estamos ajustando, como estamos obteniendo una muestra de salida aquí. Y luego tenemos a una persona, ya sabes, que está como verificando la salida y luego proporcionando retroalimentación para ajustar el prompt, sí. Y esto puede repetirse, um, al menos, no sé, cinco, siete veces antes de que. Antes de que estemos contentos con, ya sabes, con el modelo y las salidas y las salidas. Y luego, una vez que estamos contentos, sí. Enriquecemos todo nuestro conjunto de datos con la salida de IA. Sí. Y terminamos teniendo esos puntos de datos generados por IA que te mostré antes. Sí. Y luego simplemente lo cargamos en nuestra herramienta de automatización de alcance. Sí. Um, sí. Y eso es todo. Y aquí tienes. Tienes docenas de campañas de correo electrónico ejecutándose al mismo tiempo, enviando miles de, uh, ya sabes, mensajes de IA hiperpersonalizados. Sí. Estoy terminando de nuevo. Quería hablar un poco de nuestro producto. Así que, uh, sí, porque de nuevo, incluso con el alcance, dependemos mucho de las integraciones FBA y estábamos usando nuestro propio producto para realmente integrar todo nuestro stack, como la plataforma de automatización de alcance, open AI y algunas otras herramientas que estamos usando. Así que básicamente, uh, si eres una empresa SaaS, imagina que esta barra lateral azul es tu plataforma. Sí. Aquí. Y como dije, lo que ofrecemos son integraciones embebibles de etiqueta blanca que puedes habilitar para tus clientes dentro de tu plataforma. Y eso es, uh, ya sabes, esa área central que ves en la pantalla. Sí. Así que tus clientes pueden tener una especie de zap aquí en esteroides dentro de tu plataforma, completamente de etiqueta blanca y sin problemas. Así que no necesitarían preocuparse por, ya sabes, obtener otra cuenta pagada o salir de tu plataforma. Así que todo esto vive dentro de tu producto. Sí. Y puedes dar a tus clientes como un mercado de etiqueta blanca completamente desarrollado con más de 800, uh, integraciones de un clic. Sí. Así que eso es todo. Espero que lo hayas disfrutado. Uh, y, uh, sí, espero que, uh, ya sabes, algunos de los conocimientos y algunas de las, uh, la experiencia que compartí contigo hoy, uh, ya sabes, sean útiles y te ayuden a aprovechar al máximo tu, uh, alcance en frío. Y si tienes alguna pregunta, uh, sí. Por favor contáctame en Leo en alberta.com y sí, estaré encantado de ponerme en contacto. Cuídate. Adiós.