AI nelle vendite: Zeller+Gmelin triplica la pipeline

Case Study · 7. September 2026 · Mohsen Ghulami

L'AI nelle vendite applicata a un caso reale di PMI: come Zeller+Gmelin ha triplicato la sua pipeline. Leggete la guida pratica con configurazioni, numeri ed errori.

Chi nel 2026, nel settore manifatturiero delle PMI, crede ancora che buoni prodotti generino automaticamente una buona pipeline, ha confuso le vendite con il business dei pezzi di ricambio. L'AI nelle vendite non è rilevante perché un bot scrive e-mail carine, ma perché i mercati tecnici sono diventati troppo grandi, troppo frammentati e troppo lenti per l'istinto. Questo è scomodo. Soprattutto per le aziende che per decenni hanno vinto grazie all'ingegneria applicativa, alle fiere e alle relazioni. Zeller+Gmelin, produttore svevo di specialità chimiche per lubrificanti industriali e inchiostri da stampa vicino a Stoccarda, è per me esattamente un caso del genere: tecnicamente forte, visibile a livello internazionale, ma prima di Amplifa con un accesso sistematico insufficiente ai nuovi clienti.

Scrivo questo come Mohsen Ghulami, GTM Engineer presso Amplifa. Non come un analista che stampa tre studi di mercato e poi spiega il settore delle PMI. Il mio lavoro è analizzare i mercati target, consolidare le fonti di dati, costruire sequenze outbound e trovare il punto in cui un ingegnere commerciale non dice più: "Ancora un lead", ma: "Voglio occuparmi io stesso di questo appuntamento".

Per Zeller+Gmelin non si trattava di un semplice strumento per i lead. Si trattava di capire come una PMI con circa 900 dipendenti, strutture di produzione e vendita in diverse regioni e un portafoglio di lubrificanti ad alte prestazioni, inchiostri per rotocalco, inchiostri flessografici e sistemi a polimerizzazione UV potesse triplicare la sua pipeline in nove mesi, senza assumere 15 nuovi SDR. Beh, quasi. Si trattava anche di uccidere alcuni vecchi riflessi di vendita.

Problem Statement: Perché l'AI nelle vendite era necessaria qui

Il problema di Zeller+Gmelin non era la domanda. Nel settore della stampa di imballaggi, normative, contatto alimentare, sistemi a bassa migrazione e imballaggi sostenibili spingono il mercato. Nel settore dei lubrificanti, OEM, manutenzione e responsabili di stabilimento parlano di efficienza energetica, tempi di fermo, monitoraggio delle condizioni e meno interruzioni. Secondo le previsioni di IndexBox, il mercato degli inchiostri a polimerizzazione UV crescerà con un CAGR di circa il 7,9% fino al 2035; gli inchiostri speciali termocromici e variabili si attestano a circa il 7,5% CAGR secondo le analisi di mercato. Allo stesso tempo, le nuove formulazioni in applicazioni critiche richiedono spesso da 6 a 18 mesi per l'approvazione. Questo odora di pipeline. Ma odora anche di laboratorio, cicli di approvazione e note CRM molto lunghe.

Se non si implementa l'AI nelle vendite in un ambiente del genere, succede qualcosa di banale: la forza vendita rimane bloccata con i clienti esistenti. Non perché sia pigra. Ma perché è necessaria. Per prove sui clienti, reclami, campionature, domande REACH, date di consegna, calcoli, visite agli stabilimenti. Thomas, responsabile delle vendite di prodotti chimici industriali nella Germania meridionale, mi disse in modo piuttosto secco nell'aprile 2025: "Non avevamo un gap di lead. Avevamo un gap di capacità prima del primo vero colloquio." Questa frase mi è rimasta impressa, perché si adatta a molti costruttori di macchine, aziende chimiche e produttori di componenti. Phoenix Contact, Festo, Wittenstein – ovunque si vedono varianti dello stesso modello: il know-how è concentrato in poche persone, e proprio queste persone dovrebbero anche sviluppare sistematicamente nuovi mercati.

Prima di Amplifa, la pipeline di Zeller+Gmelin era fortemente caratterizzata da account noti. La percentuale di nuovi clienti era internamente inferiore al 20%. Le fonti di lead? Fiere, raccomandazioni, distributori esistenti, richieste occasionali dal sito web, singole ricerche su LinkedIn da parte di colleghi di vendita motivati. Funziona. Finché non è più sufficiente. Soprattutto quando concorrenti come Siegwerk, Flint Group, Fuchs SE, Shell o Castrol si presentano con reti di vendita più ampie e la coda lunga dei clienti target adatti è distribuita da qualche parte tra Bielefeld, Lione, Eindhoven e Brno.

Sapevamo che c'erano molti clienti target adatti là fuori – stampatori di imballaggi, costruttori di macchine, OEM. Ma ci mancava semplicemente la capacità di identificarli sistematicamente e di contattarli in modo pulito.

— Thomas, Responsabile Vendite Chimica Industriale, area Stoccarda

Il pericolo: lo si nota tardi. Per un anno, la tabella delle previsioni sembra ancora in ordine, perché i clienti esistenti spingono i progetti. Poi due Key Account posticipano gli investimenti, un cliente di imballaggi attende approvazioni normative, un OEM blocca il suo programma – e improvvisamente la pipeline non è più un imbuto, ma un pezzo da museo. Ben etichettato. Nessun movimento.

Panoramica: Cosa mostra questa guida pratica sull'AI nelle vendite

Qui non mostro "l'AI automatizza le vendite". Non è del tutto vero, molti la vendono così. Mostro la configurazione concreta con cui Zeller+Gmelin ha triplicato la sua pipeline di vendita attiva in nove mesi: dalla segmentazione all'arricchimento dei dati e all'outbound AI-SDR fino al passaggio agli ingegneri commerciali tecnici. Il punto rilevante non è l'e-mail. Il punto rilevante è il sistema operativo che sta dietro.

I passaggi in questa guida:

• Passo 1: Tradurre i dati esistenti e gli ordini storici in modelli di clienti target
• Passo 2: Arricchire i segmenti di mercato con occasioni di acquisto e segnali tecnici
• Passo 3: Costruire sequenze AI-SDR separate per inchiostri da stampa e lubrificanti
• Passo 4: Strutturare la qualificazione in modo che gli ingegneri di vendita non perdano tempo
• Passo 5: Programmare revisioni della pipeline, cicli di feedback e correzioni dei messaggi settimanalmente

Il risultato: il numero di opportunità qualificate per la vendita è aumentato da una media di circa 30 al mese a oltre 90. Il valore della pipeline è triplicato rispetto alla baseline. La percentuale di nuovi loghi è passata da meno del 20% a quasi la metà della pipeline attiva. E sì, questi numeri sono interessanti solo perché sono stati generati in un mercato in cui un "appuntamento" non significa che qualcuno clicca su una demo il giovedì. Spesso significa: primo colloquio tecnico, campioni, parametri macchina, substrato, processo di approvazione, acquisto, QA, responsabile di produzione. A volte il passo successivo odora di solvente e olio motore caldo.

Passo 1: Costruire veri modelli di clienti target dai dati CRM

Il primo errore in progetti come questi è quasi sempre lo stesso: si inizia con delle liste. "Dacci 5.000 stampatori di imballaggi in Europa." Per favore, no. Questa non è una strategia Go-to-Market, è spazzatura di dati con funzione di esportazione. Con Zeller+Gmelin, abbiamo prima esaminato il CRM esistente, i dati storici delle offerte, i progetti vinti e le opportunità perse. Non perfetto. Nessun CRM è perfetto. Ma anche un CRM disordinato dice la verità se lo si esamina per ripetizioni.

Abbiamo esaminato quali account si adattavano davvero bene: stampatori flessografici e rotocalco di medie dimensioni con imballaggi alimentari, converter con pressione normativa sui sistemi a bassa migrazione, clienti industriali con alta disponibilità degli impianti, OEM con programmi di manutenzione e lubrificazione, distributori in mercati con esigenze di consulenza tecnica. Poi è arrivata la domanda difficile: quali caratteristiche erano visibili prima del primo colloquio? Perché se un segnale diventa visibile solo in una prova di laboratorio, non aiuta per il prospecting. Visibili erano, ad esempio, processi di stampa, certificazioni, segmenti di imballaggio, indicazioni sul parco macchine, struttura della sede, mercati di esportazione, comunicazione sulla sostenibilità, posizioni aperte in qualità o ingegneria applicativa.

Un esempio concreto: uno stampatore di imballaggi nel Nord Italia, 180 dipendenti, Flexible Packaging, indicazioni su rotocalco e flessografia, certificazioni ISO, clienti del settore alimentare e farmaceutico, sito web con pagina sulla sostenibilità, ma nessuna chiara comunicazione su UV a bassa migrazione. Per un SDR generico, questo è un "tipografia". Per Zeller+Gmelin, questo è potenzialmente un account in cui il problema normativo, l'applicazione tecnica e il margine si uniscono. È proprio qui che l'AI nelle vendite deve aiutare: non generare più contatti, ma formulare ipotesi migliori.

Per questo abbiamo costruito un modello di idoneità. Non magia nera. Piuttosto una logica di punteggio strutturata con ponderazioni che abbiamo validato con le vendite e l'ingegneria applicativa. Un account riceveva punti per segmento, dimensione dell'azienda, tecnologia, rilevanza normativa, priorità geografica e caso d'uso presunto. Punti negativi venivano assegnati a aziende troppo piccole, tipografie commerciali pure senza focus sugli imballaggi, aziende commerciali senza profondità tecnica o mercati in cui Zeller+Gmelin non voleva deliberatamente essere aggressiva. Sembra noioso. E lo era. Ma il lavoro noioso triplica più spesso la pipeline di un workshop creativo sui titoli delle e-mail.

La discussione più importante non è stata quale AI utilizzare. La discussione più importante è stata: chi non vogliamo più contattare affatto?

— Julia, Marketing Operations, Ulm

Passo 2: Arricchire i segmenti di mercato con segnali

Dopo il lavoro sull'ICP è arrivato l'arricchimento. Per gli inchiostri da stampa abbiamo separato i segmenti target: imballaggi flessibili, etichette, carte decorative, applicazioni speciali, sistemi a polimerizzazione UV. Per i lubrificanti: ingegneria meccanica, lavorazione dei metalli, produzione alimentare, fornitori automobilistici, applicazioni eoliche ed energetiche, manutenzione industriale con maturità nel monitoraggio delle condizioni. Questo sembra un foglio di settore. Nello strumento, è diventato un modello di dati con campi, fonti e regole decisionali.

Abbiamo combinato dati firmografici, segnali pubblici del sito web, annunci di lavoro, certificati, pagine di prodotto, elenchi di espositori fieristici, informazioni aziendali di LinkedIn e, in parte, tecnografia. Un esempio da maggio 2025: se un costruttore di macchine nel Baden-Württemberg aveva annunciato posizioni per "Predictive Maintenance Engineer" e "Service Sales Manager", riceveva un peso di segnale più alto per determinate campagne di lubrificanti. Perché? Perché il monitoraggio delle condizioni raramente viene da solo. Chi misura lo stato delle macchine, a un certo punto si interroga su usura, intervalli, qualità dell'olio, pacchetti di additivi e TCO. Lì la conversazione non inizia con "Abbiamo lubrificanti", ma con "Quanto sono affidabili i vostri dati sull'attrito e la durata in campo?"

Per gli stampatori di imballaggi, la logica era diversa. Lì cercavamo termini come imballaggi alimentari, imballaggi flessibili, bassa migrazione, UV, LED-UV, rotocalco, flessografia, imballaggi farmaceutici, rapporto di sostenibilità, sistemi a base solvente o inchiostri a base acqua. Non ogni termine era un'occasione di acquisto. Ma le combinazioni diventavano interessanti. Un'azienda che comunica imballaggi alimentari, flessografia, nuovi obiettivi di sostenibilità e crescita nel Benelux non è un contatto casuale. È un'ipotesi con un indirizzo.

Dalle nostre implementazioni sappiamo: nei progetti tecnici per le PMI, il 60-70% delle opportunità successivamente accettate non sono gli account con il punteggio aziendale generale più alto, ma gli account con due o tre segnali di acquisto molto specifici. Per Zeller+Gmelin, ad esempio, si trattava di stampa di imballaggi più conformità alimentare più indicazione di tecnologia UV o flessografica. Nel settore dei lubrificanti, si trattava di business di servizio OEM più linguaggio di monitoraggio delle condizioni più base installata internazionale. Questa non è una frase da manuale. Questo è il modello che vedo quando il lunedì metto i dati di risposta dalle sequenze outbound accanto ai tassi di accettazione del CRM.

La differenza sembra piccola. È brutale. Un account con un alto fatturato e un'occasione sbagliata consuma tempo. Un account di medie dimensioni con una vera occasione apre le porte. Andrea, Head of Sales di un Hidden Champion a Bielefeld, mi disse nel giugno 2025: "I nostri migliori nuovi clienti non sembravano mai glamour nel database. Avevano solo esattamente il problema che potevamo risolvere." Esatto.

Passo 3: Costruire sequenze AI-SDR per centri di acquisto tecnici

Solo ora è arrivato l'outbound. Molti iniziano qui. Sbagliato. Senza una logica di segmentazione, l'AI scrive molestie educate. Con Zeller+Gmelin, abbiamo separato le sequenze per settore di attività, caso d'uso e persona. Per gli inchiostri da stampa c'erano messaggi diversi rispetto ai lubrificanti. Per i responsabili della sostenibilità diversi rispetto ai responsabili di produzione. Per i responsabili della qualità diversi rispetto agli acquisti. E no, non abbiamo costruito 48 varianti perché qualcuno in un workshop ama le persone. Abbiamo costruito le varianti che hanno obiezioni, linguaggio e passi successivi misurabilmente diversi.

Un tipico flusso di lavoro per gli inchiostri da stampa funzionava così: l'account viene qualificato dal modello di idoneità, i contatti rilevanti vengono identificati, i dati di contatto vengono verificati, quindi l'AI-SDR genera una sequenza di e-mail, contatto LinkedIn e un'attività di chiamata opzionale. La prima e-mail non fa riferimento a "innovazione" o "partnership". Fa riferimento al contesto tecnico presunto: imballaggi flessibili, contatto alimentare, migrazione, UV/LED-UV o rotocalco. Il secondo messaggio porta una breve prova. Il terzo chiede il contatto giusto per le approvazioni tecniche. Dopo una risposta positiva, non viene subito lanciato un pitch di vendita, ma viene avviato un blocco di discovery: processo di stampa, substrato, requisiti normativi, collo di bottiglia attuale, tempistica.

Per i lubrificanti, la sequenza era più concreta. Nessun termine di imballaggio colorato. Più manutenzione. Più tempi di fermo. Più ingranaggi, compressori, lavorazione dei metalli, consumo energetico, approvazioni. Un possibile inizio suonava più o meno così: "Vediamo in diversi OEM che la scelta dei lubrificanti è sempre più legata ai programmi di monitoraggio delle condizioni. Questo fa già parte della vostra strategia di servizio o manutenzione?" Breve. Non un romanzo. L'AI-SDR adattava il messaggio in base all'account – ingegneria meccanica, produzione alimentare, fornitori automobilistici o applicazioni energetiche.

Importante era il passaggio di consegne. Un lead non veniva passato alle vendite solo perché qualcuno aveva scritto "interessante". Questo è troppo debole. Abbiamo definito criteri di passaggio di consegne: area di applicazione confermata, ruolo rilevante, finestra temporale, problema tecnico o occasione di progetto, idoneità minima per il segmento, nessuna esclusione evidente per regione o portafoglio. Solo allora veniva creata un'opportunità o un lead qualificato nel CRM, inclusi riepilogo, note di conversazione, area di prodotto presunta e azione successiva raccomandata. Un ingegnere commerciale doveva capire in 90 secondi perché questo contatto meritava il suo tempo.

Il cambiamento più grande non è stata solo la quantità di lead, ma la loro precisione. Improvvisamente avevamo conversazioni con stampatori di imballaggi che potevano davvero utilizzare i nostri sistemi a bassa migrazione.

— Anna, Responsabile Vendite Inchiostri da Stampa, Stoccarda

Passi 4 e 5: Workflow avanzati per la gestione della pipeline

1. Limitare radicalmente i campi CRM: Con Zeller+Gmelin non abbiamo introdotto 40 campi obbligatori, ma pochi campi che influenzano le decisioni: segmento, applicazione, tecnologia, contesto normativo, fase del progetto, prossimo passo tecnico. Se un campo non innesca un'azione, è decorazione.
2. Includere l'intervento umano per le dichiarazioni tecniche: L'AI-SDR poteva formulare ipotesi, ma non fare promesse affidabili sui prodotti. Le dichiarazioni su REACH, contatto alimentare, approvazioni o durata venivano formulate come spunto di conversazione e, se necessario, passate all'ingegneria applicativa.
3. Revisione settimanale della pipeline invece del rapporto mensile: Ogni martedì venivano esaminate nuove risposte, lead accettati, lead rifiutati e motivi di non idoneità. La riunione durava 35 minuti. Se durava di più, di solito era perché la dashboard era scadente.
4. Utilizzare i motivi di non idoneità come dati di training: "Troppo piccolo", "processo di stampa sbagliato", "solo rivenditore", "nessun progetto tecnico", "regione non prioritaria" – questi motivi venivano reintrodotti nel punteggio. Non come apprendimento da PowerPoint, ma come modifica delle regole.
5. Accorciare o allungare le sequenze in base al risultato del segmento: Gli stampatori di imballaggi con un chiaro segnale di conformità ricevevano sequenze più brevi e dirette. I costruttori di macchine con segnali di servizio e monitoraggio delle condizioni spesso avevano bisogno di più contesto, perché l'occasione di acquisto era distribuita.
6. Impostare l'accettazione delle vendite come stella polare: Non MQL. Non tassi di apertura. Non "contatti generati". La cosa decisiva era: quanti opportunità passate vengono accettate dalle vendite tecniche senza alzare gli occhi al cielo?

I passaggi avanzati suonano come disciplina di processo. E lo sono. È proprio per questo che funzionano. Non ho mai visto un progetto outbound B2B fallire per mancanza di creatività. Molti falliscono per mancanza di feedback. L'AI-SDR non impara, le vendite non si fidano del sistema, il marketing ottimizza per numeri carini, e dopo tre mesi qualcuno dice: "L'AI non funziona per noi." "Questo non funziona per noi", mi ha detto di recente un CSO di Norimberga. Quando abbiamo esaminato i dati, è emerso: il 72 percento dei lead rifiutati proveniva da due segmenti che non avrebbero mai dovuto essere presi in considerazione. L'AI non era il problema. Era l'approvazione del segmento.

Con Zeller+Gmelin, abbiamo quindi esaminato con particolare attenzione i motivi di rifiuto. Se un ingegnere commerciale rifiutava un lead, doveva esserci un motivo. Non come controllo. Come materiale di apprendimento. Una volta è apparso più volte "interlocutore sbagliato - acquisti troppo presto". Così abbiamo modificato la sequenza: per determinati account di imballaggio, si contattava prima la qualità, l'ingegneria applicativa o la direzione di produzione, gli acquisti solo successivamente come stakeholder. La qualità degli appuntamenti è aumentata. Piccolo cambiamento. Grande effetto.

Checklist di strumenti e workflow per l'AI nelle vendite

La tabella è semplice. Intenzionalmente. La complessità non risiede in 17 strumenti, ma nelle decisioni intermedie. Vedo spesso stack con HubSpot, Salesforce, Apollo, LinkedIn Sales Navigator, Clay, ChatGPT, Make, Zapier e qualche provider di intenti. Tutti utili singolarmente. Insieme, spesso un piatto di spaghetti. Con Zeller+Gmelin, l'architettura era più snella: Amplifa come logica AI-SDR e di orchestrazione, CRM come sistema di registrazione, fonti di dati definite per l'arricchimento, chiaro passaggio alle vendite. Questo è bastato, perché le questioni di processo erano state chiarite in precedenza.

Amplifa Sales Audit Verificate dove la vostra pipeline perde oggi: ICP, qualità dei dati, configurazione outbound, passaggio CRM e accettazione delle vendite in un audit strutturato.

Impatto aziendale: Cosa ha significato in pratica il triplicare

Una pipeline triplicata suona bene. Ma nelle PMI, ciò che conta è ciò che cambia nella vita quotidiana. Per Zeller+Gmelin significava: la forza vendita doveva fare meno ricerche a freddo e poteva dedicare più tempo a colloqui tecnici. Gli ingegneri di vendita sul campo, secondo un'analisi interna, dedicavano circa il 30-40 percento in più di tempo a visite in loco, campionature, test e processi di approvazione, invece che al primo contatto. Questo non è glamour. Ma è proprio lì che nascono gli ordini nella chimica speciale.

Il secondo effetto è stato più strategico. La percentuale di nuovi loghi nella pipeline attiva è aumentata da meno del 20% a circa il 45-50%. Improvvisamente, Zeller+Gmelin non vedeva solo i grandi clienti e distributori noti, ma anche piccoli converter nell'Europa orientale, specialisti di imballaggi nel Benelux, OEM con programmi di servizio, produttori alimentari con requisiti specifici per i lubrificanti. Alcuni di questi account in passato sarebbero forse passati per una fiera. Forse. Nel rumore di una sala a Düsseldorf, tra moquette, espositori e l'odore di stampa fresca su pellicole campione.

Il terzo effetto è stato la velocità. Il tempo dal primo contatto alla campionatura tecnica è diminuito nei segmenti prioritari di circa il 20-30 percento. Non perché le approvazioni si siano improvvisamente accorciate. Quelle rimangono ostiche. Ma perché i colloqui a bassa idoneità venivano scartati prima e i colloqui ad alta idoneità iniziavano meglio preparati. Se l'ingegnere commerciale sa già prima della prima chiamata che un converter si occupa di imballaggi alimentari, flessografia e temi a bassa migrazione, la conversazione inizia a un altro livello. Meno chiacchiere. Più substrato.

Nel settore dei lubrificanti, l'identificazione degli interlocutori giusti è sempre stata difficile. La piattaforma non solo ci ha mostrato nuovi OEM, ma anche i responsabili della manutenzione e gli ingegneri di produzione che volevano davvero parlare di Condition Monitoring.

— Markus, Responsabile Divisione Lubrificanti, Göppingen

Perché una strategia puramente inbound è insufficiente per le PMI

Mi sbilancio: chi, come PMI tecnica, si affida solo all'inbound, perde le migliori opportunità a favore di concorrenti più rumorosi. L'inbound funziona per problemi chiaramente definiti, alta attività di ricerca e brevi processi decisionali. Ma quale responsabile della manutenzione cerca su Google al momento giusto "pacchetto di additivi ad alte prestazioni per ingranaggi efficienti dal punto di vista energetico con rilevanza per il monitoraggio delle condizioni"? Quale ingegnere di imballaggio cerca pubblicamente un cambiamento nei sistemi di inchiostri a bassa migrazione, quando internamente qualità, acquisti e produzione stanno litigando?

Naturalmente, sono necessari buoni contenuti. Julia del team marketing di Ulm ha utilizzato proprio questo: dai segmenti identificati da Amplifa sono nate landing page e materiali di conversazione su stampa flessografica UV LED, sistemi a bassa migrazione e biolubrificanti. Ma il contenuto da solo aspetta. L'outbound muove. La combinazione è stata il punto. Prima la logica del cliente target, poi il contenuto appropriato, poi l'AI-SDR segmentato, poi la vendita tecnica umana. Non il contrario.

Questo è anche il motivo per cui spesso trovo il termine "generazione di lead" troppo limitato. Non si tratta di lead. Si tratta di copertura del mercato. Quali aziende adatte non conosciamo ancora? Quali ci conoscono, ma non per questo caso d'uso? Quali hanno attualmente un segnale che indica la disponibilità al cambiamento? Quali dovremmo ignorare consapevolmente? Queste domande decidono la qualità della pipeline. Non l'oggetto con il nome di battesimo.

FAQ: Domande frequenti sull'AI nelle vendite

Quanto tempo ci vuole perché l'AI nelle vendite generi una pipeline misurabile?

Con Zeller+Gmelin abbiamo visto i primi segnali affidabili dopo poche settimane: risposte, primi colloqui accettati, prime qualificazioni tecniche. L'effettivo impatto sulla pipeline si è manifestato in nove mesi. Questo si adatta ai mercati B2B tecnici. Chi si aspetta fatturato dopo 14 giorni, vende un prodotto molto semplice o si illude. Per le PMI con cicli di vendita di 9-18 mesi, il KPI iniziale non è il fatturato, ma l'opportunità accettata con un chiaro passo tecnico successivo.

Un AI-SDR sostituisce la forza vendita?

No. E se qualcuno lo afferma, sarei cauto. Un AI-SDR non sostituisce l'ingegnere commerciale che è presso il cliente alla macchina, che riconosce l'odore di olio surriscaldato o che nella sala stampa capisce perché un substrato crea problemi. L'AI-SDR sostituisce la ricerca manuale di account adatti, il primo contatto strutturato e parte della pre-qualificazione. L'essere umano interviene più tardi, ma meglio preparato.

Quali dati sono necessari per l'AI nelle vendite nelle PMI?

Servono meno dati perfetti di quanto molti pensino, ma più chiarezza sui buoni clienti. Ordini storici, opportunità vinte e perse, aree di prodotto, segmenti target, criteri di non idoneità, priorità regionali e alcune esclusioni rigide sono spesso sufficienti per iniziare. Con Zeller+Gmelin non è stato il CRM da solo a essere decisivo, ma la combinazione di CRM, conoscenza delle vendite, ingegneria applicativa e segnali esterni come certificazioni, processi di stampa, annunci di lavoro e temi di sostenibilità.

Prodotto Amplifa La piattaforma AI-SDR di Amplifa collega l'identificazione dei clienti target, l'arricchimento dei dati, l'outbound personalizzato e il passaggio CRM per i team di vendita B2B.

Tre insegnamenti per le PMI manifatturiere

Primo insegnamento: la segmentazione batte la personalizzazione. Un'e-mail con nome dell'azienda, settore e un bel inizio serve a poco se il segmento è sbagliato. Con Zeller+Gmelin, i migliori risultati sono stati ottenuti dove caso d'uso, tecnologia e occasione di acquisto coincidevano. Gli inchiostri da stampa e i lubrificanti dovevano essere pensati separatamente. Logico, in realtà. Ma spesso ignorato perché una configurazione di campagna comune è più comoda.

Secondo insegnamento: l'accettazione delle vendite è più dura del tasso di risposta. Un alto tasso di risposta può essere un segnale di avvertimento se le risposte provengono da gruppi target sbagliati. Per i prodotti tecnici, ciò che conta è se la forza vendita accetta il lead e lo elabora ulteriormente. Con Zeller+Gmelin, quindi, non si è ottimizzato per metriche di vanità, ma per opportunità accettate, primi colloqui tecnici e progressi verso la campionatura.

Terzo insegnamento: l'AI ha bisogno di limiti. L'AI-SDR non poteva promettere approvazioni tecniche, inventare dichiarazioni di conformità, garantire prestazioni del prodotto. Poteva formulare ipotesi, porre domande, qualificare contatti e fornire contesto. Questo limite è stato cruciale per la fiducia. Soprattutto nella chimica, nell'ingegneria meccanica, nella tecnologia medica o nell'automotive, una precisione errata è più pericolosa di nessuna automazione.

Per me, Zeller+Gmelin è quindi una buona storia di successo perché non odora di fantasia della Silicon Valley. Nessun "abbiamo automatizzato le vendite". Nessun teatro di dashboard. Piuttosto, un lavoro di vendita svevo con il supporto dell'AI: definire chiaramente i clienti target, prendere sul serio i dati, testare le sequenze, valutare i rifiuti, migliorare i passaggi tecnici. Alla fine, una pipeline triplicata. Non perché l'AI faccia magia, ma perché si assume un lavoro che le persone nelle vendite avrebbero dovuto fare troppo a lungo in modo secondario.

Success Story completa Leggete la storia completa del cliente Zeller+Gmelin e come Amplifa ha supportato la costruzione di una pipeline di vendita tre volte più grande.

I 3 principali Takeaway

1. L'AI nelle vendite funziona nelle PMI solo se è chiaro in anticipo quali account non devono essere elaborati. La non idoneità non è un argomento marginale, ma una protezione della pipeline.
2. La migliore architettura AI-SDR combina segnali di acquisto esterni con la conoscenza interna delle vendite. Con Zeller+Gmelin, combinazioni specifiche come la conformità alimentare più la tecnologia flessografica o il servizio OEM più il monitoraggio delle condizioni erano più forti della dimensione generale dell'azienda.
3. La forza vendita non viene sostituita, ma alleggerita. La macchina si occupa della ricerca, della pre-qualificazione e del contesto. L'essere umano si occupa della consulenza tecnica, della fiducia e dei processi di approvazione.

Quando guardo a progetti come questi, raramente vedo aziende a cui mancano opportunità di mercato. Vedo aziende che trovano le loro opportunità troppo tardi, troppo casualmente o troppo manualmente. Con Zeller+Gmelin questo è cambiato – e da qualche parte in un CRM ora c'è un account che prima probabilmente sarebbe stato notato solo alla prossima fiera.