La majoria dels equips de vendes que utilitzen la IA per a la difusió a LinkedIn obtenen resultats mediocres, i culpen la IA. El problema no és el model. El problema ho és la sol·licitud.
L'enginyeria ràpida és la pràctica de dissenyar entrades que produeixin de manera fiable informació útil, resultats d'alta qualitat d'un model de llenguatge. En un context de consumidor, això significa saber com fer una millor pregunta a ChatGPT.
En un context de vendes B2B, significa quelcom més precís: dissenyar les instruccions que determinen com la teva IA redacta els missatges de difusió, els comentaris i els seguiments, a escala, de manera consistent, entre centenars de clients potencials diferents.
Si es fa bé, una indicació potent converteix una IA en una eina de desenvolupament de vendes realment eficaç. Si es fa malament, produeix el tipus de missatges genèrics i lleugerament fora de to que fan que els clients potencials s'estremeixin i premin suprimir. La diferència entre aquests dos resultats rau gairebé completament en la indicació.
Aquest article està dirigit a líders de vendes, gestors de SDR i operadors d'ingressos que vulguin crear seqüències de divulgació d'IA que realment funcionin, tant tècnicament com comercialment.
Què significa realment l'enginyeria ràpida per a la divulgació de vendes?
Una indicació és el conjunt complet d'instruccions que es donen a un model d'IA abans que generi resultats. En una interacció bàsica amb el consumidor, això podria ser una sola pregunta. En un flux de treball de vendes estructurat, és un sistema acuradament construït que indica a la IA:
- Com escriu: la persona, la veu professional, el to
- A qui s'escriu: el rol del client potencial, l'etapa de l'empresa, els reptes coneguts
- Què sap sobre el client potencial: senyals, publicacions recents, canvis de rol, patrons d'interacció
- Què ha d'aconseguir el missatge: consciència, una resposta, una pregunta resposta
- El que no ha de fer: presentar massa aviat, utilitzar frases específiques, superar una certa longitud
Com més precisament es defineixin aquests paràmetres, més consistentment útil serà el resultat. Les indicacions vagues produeixen missatges vagues. Les indicacions específiques produeixen missatges contextuals específics que es llegeixen com si provinguessin d'un humà que realment ha fet la seva recerca.
Aquesta no és una habilitat tècnica reservada als enginyers. És una habilitat d'escriptura i estratègia, i els professionals de vendes que la desenvolupen tenen un avantatge estructural respecte als equips que encara tracten la IA com una solució d'un sol clic.
L'anatomia d'un prompt de vendes d'alt rendiment
Una proposta de venda ben construïda té cinc components. Cadascun fa una funció diferent, i ometre'n algun redueix la qualitat del resultat.
1. Assignació de rols
Digues a la IA qui és. No genèricament, sinó específicament. "Ets un executiu de comptes sènior en una empresa SaaS B2B" dóna al model un context més ric a partir del qual generar que "escriu un missatge de LinkedIn". L'assignació de rols estableix el registre professional, la base de coneixement assumida i la relació implícita que l'escriptor té amb el lector.
Exemple: "Ets un executiu de comptes sènior especialitzat en la difusió a LinkedIn per a equips de vendes B2B. Escrius missatges concisos i directes que obren converses en lloc de presentar productes. El teu to és professional però coloquial: segur sense ser insistent."
2. Context del prospecte
Aquí és on Senyals socials de LinkedIn alimenta directament la sol·licitud. Tot el que saps sobre el client potencial (el seu rol, les seves publicacions recents, els reptes que ha expressat, el contingut amb què interactua) va aquí. Com més ric sigui aquest context, més rellevant serà el resultat.
Exemple: «El client potencial és vicepresident de vendes d'una empresa SaaS de sèrie B amb uns 80 empleats. Fa tres dies va publicar sobre la dificultat de mantenir la qualitat del contacte a mesura que el seu equip SDR s'amplia. Han estat interactuant amb contingut sobre eines de vendes d'IA durant les dues últimes setmanes.»
3. Objectiu i etapa
Cada missatge d'una seqüència té una tasca específica. La nota de sol·licitud de connexió té un objectiu diferent del primer missatge directe després de l'acceptació, que té un objectiu diferent del seguiment. Especifiqueu què ha d'aconseguir aquest missatge en particular i què no ha de fer explícitament encara.
Exemple: "Escriu un primer missatge per enviar després que s'accepti la sol·licitud de connexió. L'objectiu és obrir una conversa, no presentar el producte. Acaba amb una pregunta específica relacionada amb el repte que han plantejat a la seva publicació. No esmentis el nom del producte ni sol·licitis una reunió."
4. Restriccions i baranes de protecció
Aquest és el component que la majoria dels equips obliden, i el que impedeix més directament la sortida genèrica. Les restriccions indiquen a la IA què ha d'evitar: frases específiques, patrons estructurals, límits de longitud i els temes que estan prohibits en aquesta etapa de la seqüència.
Exemple: "Mantingueu el missatge per sota de les 80 paraules. No el comenceu amb "He trobat el vostre perfil". No feu servir la frase "M'encantaria connectar-me". No feu referència a les funcions o preus de Konnector. Eviteu els signes d'exclamació. Escriviu en segona persona."
5. Especificació del format
Digueu al model exactament què ha de produir, no només sobre què ha d'escriure. Un sol missatge o diverses opcions? Amb o sense assumpte? Què ha d'aconseguir la línia d'inici? Especificar el format a nivell de prompt estalvia un temps d'edició significatiu a continuació.
Exemple: "Produïu tres versions alternatives d'aquest missatge. Cadascuna s'ha de començar de manera diferent. Etiqueteu-les com a Opció A, B i C. No cal cap assumpte."
Construint una seqüència completa de divulgació per IA: missatge a missatge
Una seqüència de contacte amb LinkedIn sol tenir de quatre a sis punts de contacte. Cadascun requereix una indicació diferent amb un objectiu diferent. A continuació us expliquem com pensar en cada etapa.
| Etapa de seqüència | Objectiu | Focus ràpid | Objectiu de longitud |
|---|---|---|---|
| Nota de sol·licitud de connexió | Guanya l'acceptació | Referència específica a un senyal o pal compartit. Sense to. | Menys de 300 caràcters |
| Primer DM (després de l'acceptació) | Obre una conversa | Referència al senyal. Una pregunta. No es menciona el producte. | 50 a 80 paraules |
| Seguiment 1 (sense resposta) | Torna a involucrar-te, afegeix valor | Comparteix alguna cosa rellevant. Sense pressió. Fàcil de respondre. | 40 a 60 paraules |
| Seguiment 2 (sense resposta) | Tancament suau o pivot | Reconeix el silenci sense sentir-te culpable. Una petició clara. | 30 a 50 paraules |
| Reacoblament (nou senyal) | Reinicia la conversa en un context nou | Referència al nou senyal. Angle nou. Sense referència al silenci previ. | 50 a 70 paraules |
Cada indicació d'etapa hereta l'assignació de rols i el to de la indicació base; aquesta s'escriu una vegada. El que canvia d'etapa a etapa és l'objectiu, les restriccions i el context del client potencial si han sorgit nous senyals des de l'últim punt de contacte.
El problema de la injecció variable i com resoldre'l
Un dels modes d'error més comuns en la divulgació assistida per IA és la dependència excessiva de la injecció de variables. Els equips creen un prompt amb marcadors de posició — [NOM_CLIENT_POSITABLE], [EMPRESA], [PUBLICACIÓ_RECENT] — i assumeixen que omplir aquests camps produeix personalització. No és així. Produeix l'equivalent en IA d'una fusió de correu.
La veritable personalització a nivell de prompt significa escriure el context del senyal en llenguatge natural, no deixar-lo caure entre parèntesis. Compareu aquests dos enfocaments:
Enfocament d'injecció variable: "El client potencial ha publicat recentment sobre [TOPIC]. Fes referència a això al missatge."
Enfocament contextual de les indicacions: «El client potencial va publicar fa quatre dies sobre el repte de mantenir la qualitat del missatge SDR a mesura que l'equip supera les deu repeticions. Ho va descriure com un "problema de coherència, no de motivació". El seu to a la publicació era analític i lleugerament frustrat. Fes referència a aquest plantejament, concretament a la distinció que van establir entre coherència i motivació.»
El segon missatge genera un missatge que sembla que l'hagi escrit algú que ha llegit i entès la publicació. El primer genera un missatge que fa referència a la publicació sense interactuar-hi. Aquesta diferència és el que sent el destinatari quan la llegeix, i és completament una decisió d'enginyeria immediata.
La plataforma de Konnector gestiona aquesta injecció contextual automàticament, extreient informació en directe. Senyals socials de LinkedIn a partir de l'activitat del client potencial i estructurant-lo en el context del prompt, de manera que la IA sempre treballi a partir d'informació real, específica i actual en lloc de marcadors de posició genèrics.
Calibratge del to: la variable en què la majoria dels equips s'equivoquen
El to no és una instrucció vaga. Un "professional del so" produeix un resultat mitjà. Unes instruccions de to calibrades amb precisió produeixen un resultat que és indistingible dels vostres missatges escrits per humans de millor rendiment.
Un calibratge de to eficaç en una indicació inclou:
- Guia de longitud de les frases: "Utilitzeu frases curtes. Varieu la longitud per evitar un patró rítmic. Eviteu les oracions unides per punt i coma."
- Nivell de vocabulari: "Utilitzeu un llenguatge planer. Eviteu la jerga tret que el client potencial l'utilitzi primer. Sense paraules de moda."
- Registre de confiança: "Directe i segur, no tímid. Evita frases ambigues com ara 'Pensava que potser t'interessaria' o 'només volia contactar amb tu'".
- Frases prohibides: Una llista específica de frases que la teva marca o persona no utilitza. Com més específica sigui aquesta llista, més coherent serà el resultat.
Un enfocament pràctic: agafeu els tres missatges escrits manualment que tinguin millor rendiment i feu-los passar per una indicació d'anàlisi que n'extregui els patrons tonals. Utilitzeu el resultat d'aquesta anàlisi com a especificació de to a les vostres indicacions de divulgació. Essencialment, esteu aplicant enginyeria inversa al que funciona i codificant-lo com una instrucció reutilitzable.
La revisió humana no és opcional, és l'arquitectura
Cada marc de treball d'aquest article assumeix una cosa: un humà llegeix i aprova cada missatge abans que s'enviï. Aquesta no és una mesura de seguretat superposada a un sistema que d'altra banda seria autònom. És el principi de disseny el que fa que tot l'enfocament funcioni.
Fins i tot una indicació ben dissenyada produeix un resultat variable. Alguns missatges seran similars però no del tot correctes. Alguns passaran per alt un matís que només es fa visible quan els llegiu en el context de conèixer el client potencial. Alguns seran exactament correctes i no necessitaran cap edició. El pas de revisió humana detecta tots tres, i amb el temps, els patrons en allò que editeu es retroalimenten en indicacions millors.
Aquest és el model al voltant del qual es construeix Konnector. Divulgació basada en la intenció a escala, amb IA que gestiona la detecció de senyals, l'estructuració del context i la generació del primer esborrany, i una cua d'aprovació humana que garanteix que no s'enviï res fins que s'hagi llegit i aprovat. La IA eleva el nivell de qualitat mínim en cada missatge. La revisió humana eleva el sostre.
També és el que manté el vostre compte de LinkedIn segur. L'automatització completa del contacte a gran escala, fins i tot a partir de sol·licituds ben dissenyades, produeix patrons d'activitat que els sistemes de LinkedIn detecten cada cop amb més facilitat. Un humà present en cada punt de contacte no només és una bona pràctica per a la qualitat. És l'arquitectura que manté el vostre compte en bon estat mentre creix el vostre flux de contactes.
A punt per construir seqüències que converteixin?
L'enginyeria de vendes ràpides és una habilitat, i com qualsevol habilitat, es consolida amb la pràctica. Els equips que hi inverteixen ara (construint sistemes de vendes ràpides precisos, basats en senyals i calibrats en tons) són els que encara funcionaran amb la seva IA quan s'hagi filtrat el coneixement de la resta.
Konnector proporciona la capa de senyal, la infraestructura de redacció d'IA i el flux de treball d'aprovació humana que fa que aquest enfocament sigui pràctic a escala. Si voleu veure com s'aplica a l'ICP i al moviment de divulgació del vostre equip, reservar una demostració. O contractar i comença a construir la teva primera seqüència informada per senyals avui mateix.
Altres lectures
- Entendre els senyals socials de LinkedIn amb Konnector
- Estratègia de difusió de LinkedIn per a B2B: què funciona el 2026
- Com millorar les taxes de resposta de LinkedIn
- Generació de contactes a LinkedIn: l'enfocament de Konnector
- Trucs de generació de contactes que realment funcionen a LinkedIn
11x el vostre contacte amb LinkedIn
Automatització i Gen AI
Aprofiteu el poder de LinkedIn Automation i Gen AI per ampliar el vostre abast com mai abans. Implica milers de clients potencials setmanalment amb comentaris basats en IA i campanyes orientades, tot des d'una plataforma potent de generació de contactes.
Preguntes freqüents
Sí. Les indicacions ben dissenyades fomenten la variabilitat, els patrons de llenguatge natural i la rellevància contextual, tot això crea un comportament d'interacció més humà. Combinat amb límits d'activitat sensats i revisió manual, això ajuda a reduir els patrons de comportament que s'associen habitualment amb l'automatització del correu brossa.
Perquè la majoria de les indicacions optimitzen l'eficiència en lloc del comportament humà. L'abast robòtic normalment prové de:
Elogis genèrics
Sobreexplicació de les propostes de valor
Il·lusió excessiva
"Personalització" artificial
Estructures de frases repetitives
Una millor enginyeria de resposta se centra en el ritme conversacional natural en lloc de la inserció de paraules clau.
La IA i l'automatització resolen problemes diferents. L'automatització ajuda amb l'execució i la seqüenciació. La IA ajuda amb la rellevància i la contextualització dels missatges. Els fluxos de treball més forts combinen ambdues coses amb cura: utilitzen l'automatització per a l'escalabilitat operativa i mantenen la generació de missatges, la revisió i la qualitat de la interacció altament controlades.
Algunes mètriques útils inclouen:
Taxa d'acceptació de connexió
Taxa de resposta positiva
Tarifa per reunió reservada
Qualitat del sentiment de resposta
Temps de resposta
Taxa de conversió de seguiment
El seguiment només del volum o del recompte de respostes sovint amaga si les converses realment estan progressant cap a la creació del pipeline.
Absolutament. Una enginyeria ràpida sòlida inclou un enquadrament adaptat a la indústria. Un missatge a un fundador de SaaS hauria de sonar estructuralment diferent d'un que s'envia a:
Un reclutador
Un executiu sanitari
Un director de fabricació
Un líder sense ànim de lucre
Diferents compradors responen a diferents patrons de llenguatge, nivells de franquesa i emmarcament de valors.
El moment sovint és tan important com la qualitat del missatge. L'abast vinculat a un senyal social recent, com ara una publicació, un anunci de finançament, una sol·licitud de contractació o una discussió sobre el sector, sembla més rellevant perquè connecta amb alguna cosa que ja està activa en l'atenció del client potencial. Les indicacions d'IA es tornen significativament més efectives quan es construeixen al voltant de l'impuls actual en lloc de les dades de perfil estàtiques.
Sí. La IA funciona millor quan dóna suport a la construcció de relacions humanes en lloc de substituir-la completament. La combinació de missatges assistits per IA amb una interacció genuïna (comentaris, reaccions, visualització de perfils o seguiments atents) crea patrons d'interacció més creïbles i un desenvolupament de confiança més fort.
Els marcs de treball de missatges han d'evolucionar contínuament. Els missatges que funcionen bé avui dia poden quedar obsolets després d'un ús repetit. Els equips han de refinar regularment els missatges en funció de:
Taxes de resposta
Qualitat de resposta positiva
Canvis de mercat
Nou posicionament
Canvis en el llenguatge del comprador
Els millors equips de vendes tracten els prompts com a sistemes vius, no com a plantilles fixes.
El to més efectiu sol ser:
Calma
Observacional
Específic
Curiós
Pressió baixa
Els suggeriments que demanen a la IA que sembli "professional i persuasiu" sovint creen resultats rígids o massa comercials. Els suggeriments que prioritzen la curiositat i la rellevància solen produir converses més sòlides.
Sí. Uns millors missatges influeixen no només en si algú respon, sinó també en com respon. Els missatges basats en un context significatiu tendeixen a generar respostes més detallades, converses més càlides i un pas més ràpid cap a discussions de vendes genuïnes perquè el client potencial se sent comprès en lloc de dirigit a un públic objectiu.
