AI w sprzedaży: Zeller+Gmelin potraja swój pipeline

Case Study · 7. September 2026 · Mohsen Ghulami

AI w sprzedaży na przykładzie prawdziwej średniej firmy: Jak Zeller+Gmelin potroiło swój pipeline. Przeczytaj praktyczny przewodnik z konfiguracjami, liczbami i błędami.

Kto w 2026 roku w średniej wielkości firmie produkcyjnej nadal wierzy, że dobre produkty automatycznie generują dobry pipeline, ten pomylił sprzedaż z biznesem części zamiennych. AI w sprzedaży jest istotna nie dlatego, że bot pisze miłe e-maile, ale dlatego, że rynki techniczne stały się zbyt duże, zbyt fragmentaryczne i zbyt wolne dla intuicji. To niewygodne. Zwłaszcza dla firm, które przez dziesięciolecia wygrywały dzięki inżynierii aplikacji, targom i relacjom. Zeller+Gmelin, szwabski producent specjalistycznej chemii dla przemysłowych smarów i farb drukarskich niedaleko Stuttgartu, jest dla mnie dokładnie takim przypadkiem — silny technicznie, widoczny na arenie międzynarodowej, ale przed Amplifa z niewystarczająco systematycznym pozyskiwaniem nowych klientów.

Piszę to jako Mohsen Ghulami, GTM Engineer w Amplifa. Nie jako analityk, który drukuje trzy badania rynku, a potem wyjaśnia średnie firmy. Moim zadaniem jest rozkładanie rynków docelowych na czynniki pierwsze, łączenie źródeł danych, budowanie sekwencji outbound i znajdowanie punktu, w którym inżynier sprzedaży nie mówi już: „Znowu lead”, ale: „Chcę sam zająć się tym spotkaniem”.

W przypadku Zeller+Gmelin nie chodziło o proste narzędzie do generowania leadów. Chodziło o pytanie, jak średniej wielkości firma zatrudniająca około 900 pracowników, ze strukturami produkcyjnymi i sprzedażowymi w kilku regionach oraz portfolio wysokowydajnych smarów, farb wklęsłodrukowych, farb fleksograficznych i systemów utwardzanych UV, może potroić swój pipeline w ciągu dziewięciu miesięcy — bez zatrudniania 15 nowych SDR-ów. No, prawie. Chodziło też o zabicie kilku starych odruchów sprzedażowych.

Problem: Dlaczego AI w sprzedaży była tutaj potrzebna

Problemem w Zeller+Gmelin nie był popyt. W druku opakowaniowym rynek napędzają regulacje, kontakt z żywnością, systemy o niskiej migracji i zrównoważone opakowania. W sektorze smarów producenci OEM, działy utrzymania ruchu i kierownicy zakładów rozmawiają o efektywności energetycznej, żywotności, monitorowaniu stanu i mniejszych przestojach. Według prognozy IndexBox, rynek farb utwardzanych UV będzie rósł do 2035 roku ze złożoną roczną stopą wzrostu (CAGR) wynoszącą około 7,9 procent; termochromowe i zmienne atramenty specjalne, według analiz rynkowych, osiągną około 7,5 procent CAGR. Jednocześnie nowe formulacje w krytycznych zastosowaniach często wymagają od 6 do 18 miesięcy na zatwierdzenie. To pachnie pipeline'em. Ale pachnie też laboratorium, pętlami zatwierdzeń i bardzo długimi notatkami w CRM.

Jeśli nie zastosuje się AI w sprzedaży w takim środowisku, dzieje się coś banalnego: Dział sprzedaży utyka w istniejącej bazie klientów. Nie dlatego, że jest leniwy. Ale dlatego, że jest potrzebny. Przy testach u klientów, reklamacjach, próbkach, pytaniach REACH, terminach dostaw, kalkulacjach, wizytach w zakładach. Thomas, kierownik sprzedaży chemii przemysłowej w południowych Niemczech, powiedział mi w kwietniu 2025 roku dość sucho: „Nie mieliśmy luki w leadach. Mieliśmy lukę w zdolnościach przed pierwszą prawdziwą rozmową.” To zdanie utkwiło mi w pamięci, ponieważ pasuje do wielu producentów maszyn, firm chemicznych i producentów komponentów. Phoenix Contact, Festo, Wittenstein — wszędzie widać warianty tego samego schematu: Know-how posiadają nieliczni ludzie, a ci sami ludzie mają również systematycznie otwierać nowe rynki.

Przed Amplifa, pipeline Zeller+Gmelin był silnie zdominowany przez znanych klientów. Udział nowych klientów wewnętrznie wynosił poniżej 20 procent. Źródła leadów? Targi, rekomendacje, istniejący dystrybutorzy, sporadyczne zapytania ze strony internetowej, pojedyncze badania LinkedIn przez zmotywowanych kolegów z działu sprzedaży. Działa. Dopóki to nie wystarcza. Zwłaszcza, gdy konkurenci tacy jak Siegwerk, Flint Group, Fuchs SE, Shell czy Castrol pojawiają się z większymi sieciami sprzedaży, a długi ogon pasujących klientów docelowych jest rozproszony gdzieś między Bielefeld, Lyon, Eindhoven i Brnem.

Wiedzieliśmy, że jest tam wielu odpowiednich klientów docelowych — drukarnie opakowań, producenci maszyn, OEM-y. Ale po prostu brakowało nam zdolności, aby systematycznie ich identyfikować i skutecznie się z nimi kontaktować.

— Thomas, Kierownik Sprzedaży Chemii Przemysłowej, region Stuttgart

Niebezpieczeństwo polega na tym, że zauważa się to późno. Przez rok tabela prognoz wygląda jeszcze porządnie, ponieważ istniejący klienci przesuwają projekty. Potem dwóch kluczowych klientów odkłada inwestycje, klient z branży opakowań czeka na zatwierdzenia regulacyjne, producent OEM zamraża swój program — i nagle pipeline nie jest już lejkiem, lecz eksponatem muzealnym. Ładnie opisany. Bez ruchu.

Przegląd: Co pokazuje ten praktyczny przewodnik po AI w sprzedaży

Nie pokazuję tutaj, że „AI automatyzuje sprzedaż”. To nie do końca prawda, wielu tak to sprzedaje. Pokazuję konkretną strukturę, dzięki której Zeller+Gmelin potroiło swój aktywny pipeline sprzedażowy w ciągu dziewięciu miesięcy: od segmentacji, poprzez wzbogacanie danych i outbound AI-SDR, aż po przekazanie inżynierom sprzedaży technicznej. Istotnym punktem nie jest e-mail. Istotnym punktem jest system operacyjny, który za tym stoi.

Kroki w tym przewodniku:

• Krok 1: Przekształcenie istniejących danych i historycznych zamówień w wzorce klientów docelowych
• Krok 2: Wzbogacenie segmentów rynku o okazje zakupowe i sygnały techniczne
• Krok 3: Budowanie oddzielnych sekwencji AI-SDR dla farb drukarskich i smarów
• Krok 4: Zaprojektowanie kwalifikacji w taki sposób, aby inżynierowie sprzedaży nie tracili czasu
• Krok 5: Cotygodniowe planowanie przeglądów pipeline'u, pętli sprzężenia zwrotnego i korekt wiadomości

Wynik: Liczba kwalifikowanych szans sprzedażowych (sales-qualified Opportunities) wzrosła z około 30 miesięcznie do ponad 90. Wartość pipeline'u potroiła się w porównaniu do wartości bazowej. Udział nowych logo wzrósł z poniżej 20 procent do prawie połowy aktywnego pipeline'u. I tak, te liczby są ekscytujące tylko dlatego, że powstały na rynku, gdzie „spotkanie” nie oznacza, że ktoś kliknie demo w czwartek. Często oznacza to: wstępną rozmowę techniczną, próbki, parametry maszyny, podłoże, proces zatwierdzania, zakupy, kontrolę jakości, kierownika produkcji. Czasami następny krok pachnie rozpuszczalnikiem i ciepłym olejem maszynowym.

Krok 1: Budowanie prawdziwych wzorców klientów docelowych z danych CRM

Pierwszy błąd w takich projektach jest prawie zawsze ten sam: zaczyna się od list. „Daj nam 5000 drukarni opakowań w Europie.” Proszę, nie. To nie jest strategia Go-to-Market, to śmieci danych z funkcją eksportu. W Zeller+Gmelin najpierw przyjrzeliśmy się istniejącemu CRM, historycznym danym ofertowym, wygranym projektom i utraconym szansom. Nie idealnie. Żaden CRM nie jest idealny. Ale nawet nieuporządkowany CRM mówi prawdę, jeśli szuka się w nim powtórzeń.

Przyjrzeliśmy się, które konta naprawdę dobrze pasowały: średniej wielkości drukarnie fleksograficzne i wklęsłodrukowe z opakowaniami spożywczymi, konwertery z presją regulacyjną w systemach o niskiej migracji, klienci przemysłowi z wysoką dostępnością instalacji, producenci OEM z programami konserwacji i smarowania, dystrybutorzy na rynkach wymagających doradztwa technicznego. Potem pojawiło się trudne pytanie: Jakie cechy były widoczne przed pierwszą rozmową? Ponieważ jeśli sygnał staje się widoczny dopiero w testach laboratoryjnych, nie pomaga to w prospectingu. Widoczne były na przykład metody druku, certyfikaty, segmenty opakowań, wskazówki dotyczące parku maszynowego, struktura lokalizacji, rynki eksportowe, komunikacja dotycząca zrównoważonego rozwoju, otwarte stanowiska w dziale jakości lub inżynierii aplikacji.

Konkretny przykład: Drukarnia opakowań w północnych Włoszech, 180 pracowników, opakowania elastyczne, wskazówki dotyczące wklęsłodruku i fleksografii, certyfikaty ISO, klienci z branży spożywczej i farmaceutycznej, strona internetowa z sekcją zrównoważonego rozwoju, ale brak jasnej komunikacji na temat niskomigracyjnych farb UV. Dla ogólnego SDR-a to „drukarnia”. Dla Zeller+Gmelin to potencjalnie konto, gdzie ból regulacyjny, zastosowanie techniczne i marża łączą się. Właśnie tam AI w sprzedaży musi pomóc: nie generować więcej kontaktów, ale tworzyć lepsze hipotezy.

W tym celu zbudowaliśmy model dopasowania. Żadna czarna magia. Raczej ustrukturyzowana logika punktacji z wagami, którą zweryfikowaliśmy z działem sprzedaży i inżynierią aplikacji. Konto otrzymywało punkty za segment, wielkość firmy, technologię, znaczenie regulacyjne, priorytet geograficzny i przypuszczalny przypadek użycia. Punkty ujemne były przyznawane za zbyt małe firmy, drukarnie akcydensowe bez nacisku na opakowania, firmy handlowe bez głębi technicznej lub rynki, na których Zeller+Gmelin świadomie nie chciał działać agresywnie. Brzmi sucho. I takie było. Ale sucha praca częściej potraja pipeline niż kreatywny warsztat z liniami tematycznymi.

Najważniejszą dyskusją nie było to, którą AI wykorzystamy. Najważniejszą dyskusją było: Z kim w ogóle nie chcemy już rozmawiać?

— Julia, Marketing Operations, Ulm

Krok 2: Wzbogacenie segmentów rynku o sygnały

Po pracy nad ICP nastąpiło wzbogacenie. Dla farb drukarskich oddzieliliśmy segmenty docelowe: opakowania elastyczne, etykiety, papiery dekoracyjne, zastosowania specjalne, systemy utwardzane UV. Dla smarów: budowa maszyn, obróbka metali, produkcja żywności, dostawcy motoryzacyjni, zastosowania wiatrowe i energetyczne, konserwacja przemysłowa z dojrzałością monitorowania stanu. Brzmi jak slajd branżowy. W narzędziu stało się to modelem danych z polami, źródłami i regułami decyzyjnymi.

Połączyliśmy dane firmograficzne, publiczne sygnały ze stron internetowych, ogłoszenia o pracę, certyfikaty, strony produktów, listy wystawców targowych, informacje o firmach z LinkedIn, a częściowo także technografię. Przykład z maja 2025: Jeśli producent maszyn w Badenii-Wirtembergii ogłaszał stanowiska „Predictive Maintenance Engineer” i „Service Sales Manager”, otrzymywał wyższą wagę sygnału dla określonych kampanii smarów. Dlaczego? Ponieważ monitorowanie stanu rzadko występuje samodzielnie. Kto mierzy stan maszyn, w pewnym momencie pyta o zużycie, interwały, jakość oleju, pakiety dodatków i TCO. Tam rozmowa nie zaczyna się od „Mamy smary”, ale od „Jak wiarygodne są Państwa dane dotyczące tarcia i żywotności w terenie?”

Dla drukarni opakowań logika była inna. Tam szukaliśmy terminów takich jak opakowania spożywcze, opakowania elastyczne, niska migracja, UV, LED-UV, wklęsłodruk, fleksografia, opakowania farmaceutyczne, raport zrównoważonego rozwoju, systemy na bazie rozpuszczalników lub atramenty na bazie wody. Nie każdy termin był okazją do zakupu. Ale kombinacje stawały się interesujące. Firma, która komunikuje opakowania spożywcze, fleksografię, nowe cele zrównoważonego rozwoju i wzrost w Beneluksie, nie jest przypadkowym kontaktem. Jest hipotezą z adresem.

Z naszych wdrożeń wiemy: W projektach technicznych dla średnich firm 60 do 70 procent później zaakceptowanych szans to nie konta z najwyższym ogólnym wynikiem firmy, ale konta z dwoma do trzema bardzo specyficznymi sygnałami zakupu. W Zeller+Gmelin były to na przykład druk opakowań plus zgodność z żywnością plus wskazanie na technologię UV lub fleksograficzną. W sektorze smarów były to usługi OEM plus język monitorowania stanu plus międzynarodowa baza zainstalowana. To nie jest zdanie z podręcznika. To jest wzorzec, który widzę, gdy w poniedziałki układam dane odpowiedzi z sekwencji outbound obok wskaźników akceptacji CRM.

Różnica wydaje się mała. Jest brutalna. Konto z wysokim obrotem i niewłaściwą okazją pochłania czas. Średniej wielkości konto z prawdziwą okazją otwiera drzwi. Andrea, Head of Sales w Hidden Champion w Bielefeld, powiedziała mi w czerwcu 2025 roku: „Nasi najlepsi nowi klienci nigdy nie wyglądali efektownie w bazie danych. Mieli tylko dokładnie ten problem, który mogliśmy rozwiązać.” Dokładnie.

Krok 3: Budowanie sekwencji AI-SDR dla technicznych centrów zakupowych

Dopiero teraz nadszedł czas na outbound. Wielu zaczyna tutaj. Błąd. Bez logiki segmentacji AI pisze uprzejde nękanie. W Zeller+Gmelin oddzieliliśmy sekwencje według obszaru działalności, przypadku użycia i persony. Dla farb drukarskich były inne wiadomości niż dla smarów. Dla menedżerów ds. zrównoważonego rozwoju inne niż dla kierowników produkcji. Dla kierowników ds. jakości inne niż dla działu zakupów. I nie, nie zbudowaliśmy 48 wariantów, bo ktoś na warsztatach lubi persony. Zbudowaliśmy warianty, które mają mierzalnie inne zastrzeżenia, inny język i inne następne kroki.

Typowy workflow dla farb drukarskich wyglądał tak: Konto jest kwalifikowane przez model dopasowania, identyfikowane są odpowiednie kontakty, dane kontaktowe są weryfikowane, a następnie AI-SDR generuje sekwencję składającą się z e-maila, kontaktu na LinkedIn i opcjonalnego zadania telefonicznego. Pierwszy e-mail nie odnosi się do „innowacji” czy „partnerstwa”. Odnosi się do przypuszczalnego kontekstu technicznego: opakowania elastyczne, kontakt z żywnością, migracja, UV/LED-UV lub wklęsłodruk. Druga wiadomość zawiera krótki dowód. Trzecia pyta o właściwą osobę kontaktową do zatwierdzeń technicznych. Po pozytywnej odpowiedzi nie od razu następuje prezentacja sprzedażowa, lecz rozpoczyna się blok odkrywczy: metoda druku, podłoże, wymagania regulacyjne, aktualne wąskie gardło, harmonogram.

Dla smarów sekwencja była bardziej przyziemna. Żadnych kolorowych terminów opakowaniowych. Więcej konserwacji. Więcej przestojów. Więcej przekładni, sprężarek, obróbki metali, zużycia energii, zatwierdzeń. Możliwe wprowadzenie brzmiało w zasadzie: „Widzimy u kilku producentów OEM, że wybór smarów jest coraz silniej powiązany z programami monitorowania stanu. Czy jest to już częścią Państwa strategii serwisowej lub konserwacyjnej?” Krótko. Bez powieści. AI-SDR dostosowywał wiadomość do konta — budowa maszyn, produkcja żywności, dostawca motoryzacyjny lub zastosowanie energetyczne.

Ważne było przekazanie. Lead nie był przekazywany do sprzedaży, bo ktoś napisał „interesujące”. To zbyt miękkie. Zdefiniowaliśmy kryteria przekazania: potwierdzony obszar zastosowania, odpowiednia rola, ramy czasowe, ból techniczny lub okazja projektowa, minimalne dopasowanie do segmentu, brak oczywistego wykluczenia ze względu na region lub portfolio. Dopiero wtedy w CRM tworzono szansę lub kwalifikowany lead, wraz z podsumowaniem, notatkami z rozmów, przypuszczalnym obszarem produktu i zalecaną następną akcją. Inżynier sprzedaży powinien w 90 sekund zrozumieć, dlaczego ten kontakt zasługuje na jego czas.

Największą zmianą nie była tylko ilość leadów, ale ich dopasowanie. Nagle mieliśmy rozmowy z drukarniami opakowań, które naprawdę mogły wykorzystać nasze systemy o niskiej migracji.

— Anna, Kierownik Sprzedaży Farb Drukarskich, Stuttgart

Krok 4 i 5: Zaawansowane workflowy do zarządzania pipeline'em

1. Radikalne ograniczenie pól CRM: W Zeller+Gmelin nie wprowadziliśmy 40 obowiązkowych pól, ale kilka pól, które wpływają na decyzje: segment, zastosowanie, technologia, kontekst regulacyjny, faza projektu, następny krok techniczny. Jeśli pole nie wywołuje działania, jest dekoracją.
2. Włączenie człowieka do pętli dla oświadczeń technicznych: AI-SDR mógł formułować hipotezy, ale nie mógł składać wiarygodnych obietnic produktowych. Oświadczenia dotyczące REACH, kontaktu z żywnością, zatwierdzeń lub żywotności były formułowane jako okazja do rozmowy i w razie potrzeby przekazywane do inżynierii aplikacji.
3. Cotygodniowy przegląd pipeline'u zamiast miesięcznego raportu: W każdy wtorek przeglądano nowe odpowiedzi, zaakceptowane leady, odrzucone leady i powody niedopasowania. Spotkanie trwało 35 minut. Jeśli trwało dłużej, zazwyczaj problemem był słaby dashboard.
4. Wykorzystanie powodów niedopasowania jako danych treningowych: „Za mały”, „niewłaściwa metoda druku”, „tylko handlowiec”, „brak projektu technicznego”, „region niepriorytetowy” — te powody były ponownie wprowadzane do systemu punktacji. Nie jako nauka z PowerPointa, ale jako zmiana reguł.
5. Skracanie lub wydłużanie sekwencji w zależności od wyniku segmentu: Drukarnie opakowań z wyraźnym sygnałem zgodności otrzymywały krótsze, bezpośrednie sekwencje. Producenci maszyn z sygnałami serwisowymi i monitorowania stanu często potrzebowali więcej kontekstu, ponieważ okazja do zakupu była rozproszona.
6. Akceptacja sprzedaży jako gwiazda przewodnia: Nie MQL-e. Nie wskaźniki otwarć. Nie „wygenerowane kontakty”. Decydujące było: Ile przekazanych szans techniczny dział sprzedaży akceptuje bez przewracania oczami?

Zaawansowane kroki brzmią jak dyscyplina procesowa. I tak jest. Właśnie dlatego działają. Nie widziałem jeszcze projektu B2B outbound, który by się nie powiódł z powodu braku kreatywności. Wiele z nich zawodzi z powodu braku sprzężenia zwrotnego. AI-SDR wtedy się nie uczy, sprzedaż nie ufa systemowi, marketing optymalizuje pod kątem ładnych liczb, a po trzech miesiącach ktoś mówi: „AI u nas nie działa.” „To u nas nie działa”, powiedział mi niedawno CSO z Norymbergi. Kiedy przeanalizowaliśmy dane, okazało się: 72 procent odrzuconych leadów pochodziło z dwóch segmentów, które nigdy nie powinny być obsługiwane. AI nie była problemem. Problem stanowiło zatwierdzenie segmentu.

W Zeller+Gmelin dlatego szczególnie dokładnie analizowaliśmy powody odrzucenia. Jeśli inżynier sprzedaży odrzucał lead, musiał podać powód. Nie jako kontrolę. Jako materiał do nauki. Pewnego razu wielokrotnie pojawiało się „niewłaściwa osoba kontaktowa – dział zakupów za wcześnie”. Zmieniliśmy więc sekwencję: W przypadku niektórych kont opakowaniowych najpierw kontaktowano się z działem jakości, inżynierii aplikacji lub kierownictwem produkcji, a dział zakupów dopiero później jako interesariusz. Jakość spotkań wzrosła. Mała zmiana. Duży efekt.

Lista kontrolna narzędzi i workflow dla AI w sprzedaży

Tabela jest prosta. Celowo. Złożoność nie tkwi w 17 narzędziach, ale w decyzjach pomiędzy nimi. Często widzę stosy z HubSpot, Salesforce, Apollo, LinkedIn Sales Navigator, Clay, ChatGPT, Make, Zapier i jakimś dostawcą intencji. Wszystko pojedynczo użyteczne. Razem często danie spaghetti. W Zeller+Gmelin architektura była bardziej smukła: Amplifa jako AI-SDR i logika orkiestracji, CRM jako system zapisu, zdefiniowane źródła danych do wzbogacania, jasne przekazanie do sprzedaży. To wystarczyło, ponieważ kwestie procesowe zostały wcześniej wyjaśnione.

Audyt Sprzedaży Amplifa Sprawdź, gdzie Twój pipeline dziś przecieka: ICP, jakość danych, konfiguracja outbound, przekazanie do CRM i akceptacja sprzedaży w ustrukturyzowanym audycie.

Wpływ biznesowy: Co praktycznie oznaczało potrójne zwiększenie

Potrojony pipeline brzmi dobrze. Ale w średnich firmach liczy się to, co zmienia się w codziennym życiu. W Zeller+Gmelin oznaczało to: Dział sprzedaży musiał mniej szukać na zimno i mógł poświęcić więcej czasu na rozmowy techniczne. Inżynierowie sprzedaży terenowej, według wewnętrznych analiz, spędzali około 30 do 40 procent więcej czasu na wizytach u klientów, próbkach, testach i procesach zatwierdzania, zamiast na pierwszym kontakcie. To nie jest efektowne. Ale właśnie tam powstają zamówienia w chemii specjalistycznej.

Drugi efekt był strategiczny. Udział nowych logo w aktywnym pipeline'ie wzrósł z poniżej 20 procent do około 45-50 procent. Nagle Zeller+Gmelin widział nie tylko znanych dużych klientów i dystrybutorów, ale także mniejszych konwerterów w Europie Wschodniej, specjalistów od opakowań w Beneluksie, producentów OEM z programami serwisowymi, producentów żywności ze specjalnymi wymaganiami dotyczącymi smarów. Niektóre z tych kont mogłyby wcześniej pojawić się na targach. Może. W zgiełku hali w Düsseldorfie, między wykładziną, stojakami z prospektami i zapachem świeżego druku na foliach próbnych.

Trzecim efektem była szybkość. Czas od pierwszego kontaktu do technicznego próbkowania w priorytetowych segmentach skrócił się o około 20 do 30 procent. Nie dlatego, że zatwierdzenia nagle stały się krótsze. One pozostają trudne. Ale dlatego, że rozmowy o niskim dopasowaniu były wcześniej odrzucane, a rozmowy o wysokim dopasowaniu rozpoczynały się lepiej przygotowane. Jeśli inżynier sprzedaży przed pierwszą rozmową wie, że konwerter ma do czynienia z opakowaniami spożywczymi, fleksografią i problemami z niską migracją, rozmowa zaczyna się na innym poziomie. Mniej small talku. Więcej podłoża.

W dziale smarów identyfikacja właściwych osób kontaktowych zawsze była trudna. Platforma pokazała nam nie tylko nowych producentów OEM, ale także kierowników utrzymania ruchu i inżynierów operacyjnych, którzy naprawdę chcieli rozmawiać o monitorowaniu stanu.

— Markus, Kierownik Działu Smary, Göppingen

Dlaczego czysta strategia inbound jest niewystarczająca w średnich firmach

Wychodzę z założenia: Kto jako techniczna średnia firma stawia tylko na inbound, traci najlepsze szanse na rzecz głośniejszych konkurentów. Inbound działa w przypadku jasno określonych problemów, wysokiej aktywności wyszukiwania i krótkich ścieżek decyzyjnych. Ale który kierownik utrzymania ruchu w odpowiednim momencie wyszuka w Google „wysokowydajny pakiet dodatków do energooszczędnych przekładni z relewantnością monitorowania stanu”? Który inżynier opakowań publicznie szuka zmiany w systemach farb o niskiej migracji, gdy wewnętrznie dział jakości, zakupów i produkcji kłócą się?

Oczywiście, potrzebne są dobre treści. Julia z zespołu marketingowego w Ulm właśnie to wykorzystała: Z segmentów zidentyfikowanych przez Amplifa powstały landing pages i materiały do rozmów na temat druku fleksograficznego UV LED, systemów o niskiej migracji i biosmarów. Ale sama treść czeka. Outbound działa. Połączenie było kluczowe. Najpierw logika klientów docelowych, potem odpowiednie treści, potem segmentowany AI-SDR, a następnie ludzka sprzedaż techniczna. Nie na odwrót.

To jest również powód, dla którego często uważam termin „generowanie leadów” za zbyt mały. Nie chodzi o leady. Chodzi o pokrycie rynku. Jakie pasujące firmy jeszcze nie znamy? Jakie nas znają, ale nie w tym przypadku użycia? Jakie mają właśnie sygnał wskazujący na gotowość do zmiany? Jakie powinniśmy świadomie ignorować? Te pytania decydują o jakości pipeline'u. Nie temat z imieniem.

FAQ: Często zadawane pytania dotyczące AI w sprzedaży

Ile czasu zajmuje, zanim AI w sprzedaży wygeneruje mierzalny pipeline?

W Zeller+Gmelin pierwsze wiarygodne sygnały zaobserwowaliśmy po kilku tygodniach: odpowiedzi, zaakceptowane rozmowy wstępne, pierwsze kwalifikacje techniczne. Prawdziwy wpływ na pipeline ujawnił się po dziewięciu miesiącach. To pasuje do technicznych rynków B2B. Kto oczekuje obrotów po 14 dniach, albo sprzedaje bardzo prosty produkt, albo oszukuje samego siebie. Dla średnich firm z cyklami sprzedaży od 9 do 18 miesięcy wczesnym KPI nie jest obrót, ale zaakceptowana szansa z jasnym technicznym następnym krokiem.

Czy AI-SDR zastępuje dział sprzedaży?

Nie. A jeśli ktoś tak twierdzi, byłbym ostrożny. AI-SDR nie zastępuje inżyniera sprzedaży, który stoi przy maszynie u klienta, rozpoznaje zapach przegrzanego oleju lub w drukarni rozumie, dlaczego podłoże sprawia problemy. AI-SDR zastępuje ręczne wyszukiwanie odpowiednich kont, pierwszy ustrukturyzowany kontakt i części wstępnej kwalifikacji. Człowiek wchodzi później — ale lepiej przygotowany.

Jakie dane są potrzebne do AI w sprzedaży w średnich firmach?

Potrzeba mniej doskonałych danych, niż wielu myśli, ale więcej jasności co do dobrych klientów. Historyczne zamówienia, wygrane i przegrane szanse, obszary produktów, segmenty docelowe, kryteria niedopasowania, priorytety regionalne i kilka twardych wykluczeń często wystarczają na początek. W Zeller+Gmelin decydujące nie było samo CRM, ale połączenie CRM, wiedzy sprzedażowej, inżynierii aplikacji i zewnętrznych sygnałów, takich jak certyfikaty, metody druku, ogłoszenia o pracę i tematy zrównoważonego rozwoju.

Produkt Amplifa Platforma AI-SDR firmy Amplifa łączy identyfikację klientów docelowych, wzbogacanie danych, spersonalizowany outbound i przekazywanie do CRM dla zespołów sprzedaży B2B.

Trzy wnioski dla średnich firm produkcyjnych

Wniosek pierwszy: Segmentacja przewyższa personalizację. E-mail z nazwą firmy, branżą i miłym wstępem niewiele daje, jeśli segment jest niewłaściwy. W Zeller+Gmelin najlepsze wyniki osiągnięto tam, gdzie przypadek użycia, technologia i okazja do zakupu pasowały do siebie. Farby drukarskie i smary musiały być traktowane oddzielnie. Właściwie logiczne. Mimo to często jest to ignorowane, ponieważ wspólna konfiguracja kampanii jest wygodniejsza.

Wniosek drugi: Akceptacja sprzedaży jest trudniejsza niż wskaźnik odpowiedzi. Wysoki wskaźnik odpowiedzi może być sygnałem ostrzegawczym, jeśli odpowiedzi pochodzą z niewłaściwych grup docelowych. W przypadku produktów technicznych liczy się, czy dział sprzedaży przyjmuje lead i kontynuuje jego przetwarzanie. W Zeller+Gmelin nie optymalizowano więc pod kątem metryk próżności, ale pod kątem zaakceptowanych szans, technicznych rozmów wstępnych i postępu w kierunku próbkowania.

Wniosek trzeci: AI potrzebuje granic. AI-SDR nie mógł obiecywać technicznych zatwierdzeń, wymyślać oświadczeń o zgodności, ani gwarantować wydajności produktu. Mógł formułować hipotezy, zadawać pytania, kwalifikować kontakty i dostarczać kontekst. Ta granica była kluczowa dla zaufania. Zwłaszcza w chemii, budowie maszyn, technice medycznej czy motoryzacji, fałszywa precyzja jest bardziej niebezpieczna niż brak automatyzacji.

Dla mnie Zeller+Gmelin jest więc dobrą historią sukcesu, ponieważ nie pachnie fantazją z Doliny Krzemowej. Żadnego „zautomatyzowaliśmy sprzedaż”. Żadnego teatru dashboardów. Raczej szwabska praca sprzedażowa z wsparciem AI: czyste definiowanie klientów docelowych, poważne traktowanie danych, testowanie sekwencji, analiza odrzuceń, poprawa przekazywania technicznego. Na końcu jest potrojony pipeline. Nie dlatego, że AI czaruje, ale dlatego, że przejmuje pracę, którą ludzie w sprzedaży zbyt długo musieli wykonywać przy okazji.

Pełna historia sukcesu Przeczytaj pełną historię klienta Zeller+Gmelin i dowiedz się, jak Amplifa pomogła w budowaniu trzykrotnie większego pipeline'u sprzedażowego.

3 najważniejsze wnioski

1. AI w sprzedaży działa w średnich firmach tylko wtedy, gdy wcześniej jest jasne, które konta nie powinny być obsługiwane. Niedopasowanie nie jest tematem marginalnym, lecz ochroną pipeline'u.
2. Najlepsza architektura AI-SDR łączy zewnętrzne sygnały zakupu z wewnętrzną wiedzą sprzedażową. W Zeller+Gmelin specyficzne kombinacje, takie jak zgodność z żywnością plus technologia fleksograficzna lub serwis OEM plus monitorowanie stanu, były silniejsze niż ogólna wielkość firmy.
3. Dział sprzedaży nie jest zastępowany, lecz odciążany. Maszyna przejmuje wyszukiwanie, wstępną kwalifikację i kontekst. Człowiek przejmuje doradztwo techniczne, zaufanie i procesy zatwierdzania.

Kiedy patrzę na takie projekty, rzadko widzę firmy, którym brakuje szans rynkowych. Widzę firmy, które znajdują swoje szanse zbyt późno, zbyt przypadkowo lub zbyt ręcznie. W Zeller+Gmelin to się zmieniło — i gdzieś w CRM jest teraz konto, które wcześniej prawdopodobnie zauważono by dopiero na następnych targach.