Hvis du nogensinde har prøvet at udvide dit LinkedIn-netværk hurtigt, kender du allerede problemet: generiske forbindelsesanmodninger ignoreres, men at skrive en betænksom, personlig besked for hver eneste person, du vil komme i kontakt med, er smerteligt tidskrævende. Det er præcis her, at AI-værktøjer som ChatGPT og Claude ændrer ligningen. Brugt korrekt lader de dig personliggør LinkedIn-forbindelsesnotater i stor skala — uden at ofre den menneskelige berøring, der rent faktisk får folk til at acceptere og reagere. Denne guide viser dig præcise arbejdsgange, prompter og principper at få det til at fungere.
Hvorfor personalisering er det eneste, der virker
LinkedIns egne data har konsekvent vist, at forbindelsesanmodninger med personlige noter har betydeligt højere acceptrater end blanke anmodninger. Forskellen er ikke lille. Afhængigt af målgruppe og kontekst kan personlige noter overgå blanke anmodninger med to til fem gange.
Årsagen er enkel: folk har travlt, er skeptiske og drukner i generisk opsøgende arbejde. nogen lander i deres indbakke Med en note, der refererer til deres specifikke arbejde, et opslag de har skrevet, en fælles forbindelse eller en delt oplevelse, signalerer det, at du rent faktisk har set på dem som en person – ikke bare et navn på en liste. Det signal er det, der skaber forbindelsen. Udfordringen har altid været tid. At skrive tyve virkelig personlige noter på en dag er udmattende. At skrive hundrede er umuligt uden et system.
AI erstatter ikke personaliseringen – den accelererer processen med at skabe den, så du kan operere med høj lydstyrke uden at lyde som en masseudsender.
ChatGPT vs. Claude: Hvilket værktøj til hvilket job
| Feature | ChatGPT (OpenAI) | Claude (antropisk) |
|---|---|---|
| Tilgængelighed og økosystem | Bredt tilgængelig med en stor brugerbase og stærke tredjepartsintegrationer. | Voksende økosystem, men færre automatiseringsintegrationer sammenlignet med ChatGPT. |
| Automationsintegration | Integrerer nemt med Zapier, Make (tidligere Integromat), Clay og API-baserede arbejdsgange. | Mere begrænset understøttelse af automatisering uden kode i stor skala. |
| Konsistens i batchoutput | Fremragende til at følge strukturerede skabeloner og producere ensartede resultater på tværs af store partier. | Stærk outputkvalitet, men optimeret mere til nuancer end ensartet generering af store mængder. |
| Tone og samtaleflow | Klar og struktureret, men kan nogle gange virke en smule formelpræget, hvis man ikke opfordrer til det omhyggeligt. | Meget naturlig, nuanceret og samtalepræget — ofte mindre robotagtig i kadensen. |
| Bedste brugssag | Opbygning af automatiserede LinkedIn-opsøgende pipelines og generering af storstilet forbindelsesbesked. | Udarbejdelse af personlige noter til værdifulde potentielle kunder, hvor tone og subtilitet betyder mest. |
For de fleste er det værktøj, der producerer det bedste output, det, du allerede er fortrolig med. Vejledningen og principperne i denne vejledning fungerer lige godt i begge. Mange bruger ChatGPT til massegenerering og Claude til individuelle noter af høj værdi – men arbejdsgangen er identisk.
Hvad du skal samle, før du skriver en enkelt note
Kvaliteten af dine AI-genererede LinkedIn-noter er direkte proportional med kvaliteten af de oplysninger, du giver AI'en. Affald ind, generisk ud. Før du åbner ChatGPT eller Claude, skal du indsamle personaliseringsdata for hver person, du planlægger at kontakte.
De væsentlige datapunkter
Som minimum ønsker du personens fornavn, deres nuværende jobtitel og virksomhed, samt én specifik, reel grund til, at du kontakter dem. Den grund er motoren bag personalisering.
Datapunkter med høj værdi
Hvis du ønsker noter, der føles oprigtigt skræddersyede i stedet for skabelonfyldte, så gå dybere. Kig efter et nyligt indlæg eller en artikel, de har udgivet, og noter emnet eller et specifikt punkt, der resonerede. Tjek, om I har nogen fælles forbindelser, og i så fald hvem de er. Kig efter fælles professionelle erfaringer – har I begge arbejdet i samme branche, deltaget i den samme konference eller navigeret i den samme karriereovergang? Noter eventuelle relevante priser, milepæle eller virksomhedsnyheder, der er nye nok til at føles aktuelle. Disse datapunkter bliver det råmateriale, din AI-prompt vil omdanne til en personlig, relevant note.
Hvor finder man disse oplysninger
Deres LinkedIn-profil er din primære kilde. Gå ud over overskriften – læs deres Om-sektion, tjek deres seneste aktivitet (opslag og kommentarer), se på de virksomheder, de har arbejdet for, og scan deres fremhævede sektion. Hvis de har et nyhedsbrev, en podcast eller offentliggjort indhold, der linkes fra deres profil, giver selv et kort overblik dig materiale, som næsten ingen andre, der kontakter dem, vil have gidet at finde.
Organisering af din forskning
For at skalere denne proces, skal du holde din research i et simpelt regneark. Kolonnerne skal indeholde: Fornavn, nuværende titel, virksomhed, branche, personaliseringshook (den ene specifikke ting, du vil referere til), din årsag til at kontakte dig og eventuel yderligere kontekst. Dette regneark bliver inputtet til dine AI-prompts i stor skala.
Læs mere—> AI's rolle i moderne LinkedIn-netværk
Core Prompt Framework til LinkedIn Notes
En velstruktureret prompt er forskellen mellem AI-output, du kan sende med det samme, og AI-output, der kræver en komplet omskrivningHer er rammeværket, der konsekvent producerer de bedste LinkedIn-forbindelsesnotater på tværs af forskellige anvendelsesscenarier.
De seks elementer i en højkonverterende AI-prompt
1. Rolle
Fortæl AI'en, hvem den skriver som. Inkluder dit navn, din nuværende rolle og enhver relevant kontekst om dit professionelle fokus. AI'en skal vide, hvis stemme den skriver med. Eksempel: "Du skriver på vegne af [Dit navn], en B2B SaaS-marketingkonsulent, der hjælper startups i den tidlige fase med at opbygge deres første vækstmotor."
2. Modtagerkontekst
Giv AI'en de vigtigste fakta om den person, du kontakter. Inkluder deres navn, rolle, virksomhed og den specifikke personaliserings-hook, du identificerede i din research. Eksempel: "Modtageren er [Fornavn], VP for Produkt hos [Virksomhed]. De har for nylig skrevet om udfordringen med at afstemme produkt- og salgsteams i en PLG-bevægelse."
3. Beskedens mål
Vær tydelig omkring, hvad du ønsker, at noten skal opnå. LinkedIn-forbindelsesnotater har en grænse på 300 tegn, så målet er næsten aldrig at lukke en aftale – det er at opnå forbindelsen og signalere ægte relevans. Angiv dette tydeligt i prompten: "Målet er at opnå forbindelsen ved at vise ægte relevans, ikke at pitche et produkt eller en tjeneste."
4. Tone og stemme
Angiv tonen eksplicit. Mulighederne inkluderer: varm og samtaleorienteret, direkte og professionel, nysgerrig og peer-to-peer, entusiastisk men respektfuld. Match tonen med dit personlige brand og modtagerens sandsynlige præference. En startup-grundlægger vil reagere anderledes på en besked end en virksomhedsdirektør.
5. Begrænsninger
LinkedIn-forbindelsesnotater er begrænset til 300 tegn. Angiv dette som en hård begrænsning i din prompt. Angiv også eventuelle sætninger eller tilgange, der skal undgås – for eksempel "nævn ingen tjenester eller produkter", "brug ikke ordet synergi" eller "undgå at starte med jeg".
6. Outputformat
Bed om to eller tre variationer, så du har muligheder at vælge imellem. Bed om, at hver variation holder sig under 300 tegn og er skrevet i almindelig tekst uden særlig formatering eller emoji.
Læs mere—-> Kan AI-agenter håndtere svar uden at lyde som robotter?
Master Prompt-skabelonen
Her er en genanvendelig masterprompt, der inkorporerer alle seks elementer. Kopier den til ChatGPT eller Claude, og udfyld felterne i parentes:
Du skriver en anmodning om LinkedIn-forbindelse på vegne af [DIT NAVN], en [DIN ROLLE], som [KORT BESKRIVELSE AF, HVAD DU LAVER, OG FOR HVEM].
Modtageren er [FORNAVN], [DERES TITEL] hos [DERES VIRKSOMHED]. [ÉN SÆTNING MED SPECIFIK KONTEKST — f.eks. "De skrev for nylig om X" eller "De er lige blevet en del af Y-virksomheden efter Z år hos W."]
Min grund til at forbinde mig: [DIN ÆGTE ÅRSAG — fælles interesse, beundring for deres arbejde, potentielt samarbejde, samme fællesskab osv.]
Tone: [TONE — f.eks. varm og peer-to-peer, direkte og professionel, nysgerrig og lavt pres]
Begrænsninger: Under 300 tegn. Almindelig tekst. Ingen pitching. Ingen jargon. Start ikke med "jeg". Brug ikke ordene "synergi", "gearing" eller "berøringsbase".
Skriv tre variationer.
Eksempler på brugsklare prompter efter use case
Forskellige mål for opsøgende arbejde kræver forskellige prompts. Her er fuldt udskrevne eksempler på prompts til de mest almindelige scenarier for LinkedIn-forbindelser.
Brugsscenario 1: Kontakt efter at have læst deres indhold
Du skriver en LinkedIn-forbindelsesanmodning på vegne af Maya Chen, en UX-forsker hos en mellemstor fintech-virksomhed. Modtageren er David Park, en produktdesigner, der for nylig har udgivet et indlæg om, hvorfor mørke mønstre undergraver tilliden til finansielle apps. Maya fandt opslaget indsigtsfuldt og ønsker at komme i kontakt med David som en peer inden for produkt- og designområdet. Tone: ægte, peer-to-peer, intellektuelt engageret. Under 300 tegn. Ingen pitch. Tre variationer.
Use Case 2: Oprettelse af forbindelse til en potentiel klient
Du skriver en LinkedIn-forbindelsesanmodning på vegne af James Okafor, en freelance brandstrateg. Modtageren er Priya Mehta, marketingchef hos en serie A-baseret sundhedsteknologisk startup kaldet NovaCare. James har fulgt NovaCares vækst og beundrer, hvordan de positionerer sig i et overfyldt marked. Han ønsker at skabe forbindelse uden at pitche – bare åbne en dør. Tone: respektfuld, kyndig, lavt pres. Under 300 tegn. Nævn ikke hans tjenester. Tre variationer.
Use Case 3: Kontakt til en potentiel arbejdsgiver eller ansættelseschef
Du skriver en LinkedIn-forbindelsesanmodning på vegne af Leila Santos, en dataanalytiker med fem års erfaring inden for e-handel og detailhandel. Modtageren er Tom Briggs, Director of Analytics hos Shopify. Leila udforsker aktivt nye roller og beundrer oprigtigt Shopifys tilgang til handelsanalyse. Hun ønsker at skabe en autentisk forbindelse, ikke kun fordi hun er jobsøgende. Tone: professionel, entusiastisk, ægte. Under 300 tegn. Ingen omtale af jobansøgninger. Tre variationer.
Brugsscenario 4: Genoptagelse af kontakt med en tidligere kollega eller kontakt
Du skriver en LinkedIn-forbindelsesanmodning på vegne af Raj Patel, en salgsdirektør. Modtageren er Sarah Kim, som arbejdede med Raj i samme virksomhed for fire år siden. De var ikke nære kolleger, men krydsede veje på et par projekter. Raj ønsker at genoptage forbindelsen uden at det føles påtvunget eller transaktionelt. Tone: varm, afslappet, ingen dagsorden. Under 300 tegn. Tre variationer.
Use Case 5: Oprettelse af forbindelse efter en konference eller et arrangement
Du skriver en LinkedIn-forbindelsesanmodning på vegne af Anna Kowalski, en startup-grundlægger. Modtageren er Ben Torres, en VC-partner, hun mødte kort på SaaStr i sidste uge. De havde en kort samtale om AI i vertikal SaaS. Anna ønsker at fortsætte samtalen. Tone: varm, energisk, specifik for mødet. Under 300 tegn. Ingen forespørgsel. Tre variationer.
Læs mere—-> Automatiser LinkedIn Outreach sikkert med Konnector.ai
De personaliseringsvariabler, der rent faktisk flytter nålen
Ikke al personalisering er skabt lige. At nævne en persons navn er en afgørende faktor – det er den grundlæggende forventning, ikke en differentiator. De personaliseringsvariabler, der rent faktisk øger accept og svarprocenter, er dem, der viser, at du har kigget ud over overfladen af en persons profil.
Variabler til personalisering med stor indflydelse
Et specifikt indlæg eller en artikel, de skrev
At henvise til et specifikt argument, en observation eller et råd fra noget, de har udgivet, er den mest kraftfulde personaliseringstrigger. Det beviser, at du har læst deres arbejde, og at de fleste mennesker sætter stor pris på at få deres tanker anerkendt. Navngiv ikke bare opslaget – henvis til noget specifikt fra det for at vise, at du rent faktisk har engageret dig i indholdet.
En nylig karriereovergang eller milepæl
At starte i en ny rolle, blive forfremmet, lancere et produkt eller nå en milepæl i virksomheden er alle stærke kroge. Folk er stolte af disse øjeblikke og modtagelige for anerkendelse, når det føles ægte snarere end opportunistisk. Hold tonen lykønskende og nysgerrig, ikke sykofantisk.
Et fælles fællesskab eller en fælles oplevelse
Har I begge gået på det samme universitet? Arbejder I begge i den samme nichebranche? Begår I begge den samme karriereovergang fra f.eks. konsulentvirksomhed til startups? Fælles oplevelser skaber en øjeblikkelig følelse af slægtskab, og AI kan hjælpe jer med at indramme denne forbindelse på en naturlig og ukompliceret måde.
En gensidig forbindelse
At nævne en fælles forbindelse – især hvis personen er velanset – tilføjer øjeblikkelig social bevisførelse og tillid. Gør kun dette, hvis den fælles forbindelse er en person, du rent faktisk kender, og som kender dig. Nævn aldrig et navn, du ikke kan bakke op om.
Deres virksomheds seneste nyheder
En finansieringsrunde, produktlancering, presseomtale eller bemærkelsesværdig ansættelse er alt sammen fair spil. Dette signalerer, at du følger med i deres verden og er interesseret i, hvad der sker i deres verden – ikke kun hvad de kan gøre for dig.
Lav-påvirknings (men stadig værd at bruge) variabler
Deres jobtitel, den branche de arbejder i, og deres firmanavn er bedre end ingenting, men er ikke stærke personaliseringssignaler i sig selv. Disse er indikatorer for "grundlæggende relevans". Brug dem som understøttende kontekst i din prompt, men stol ikke på dem som den primære hook.
Læs mere—-> Eksempler og skabeloner på første LinkedIn-beskeder
Skaleringsarbejdsgangen: Fra én note til hundrede
Når du har bekræftet, at din prompt producerer gode individuelle noter, er det tid til at opbygge den arbejdsgang, der giver dig mulighed for at generere personlige noter i store mængder uden at gå på kompromis med kvaliteten.
Trin 1: Opbyg dit forskningsregneark
Opret et regneark med én række pr. person, du planlægger at kontakte. Dine kolonner skal indeholde: Fornavn, Titel, Virksomhed, Branche, Personaliseringshook, Din grund til at kontakte, Tone (hvis det varierer efter segment) og en kolonne til den genererede note og en anden til den gennemgåede/endelige note.
Trin 2: Opdel dine prompts i grupper efter segment
Skriv ikke en unik prompt for hver enkelt person. Gruppér i stedet din liste i segmenter – for eksempel potentielle kunder, potentielle samarbejdspartnere, beundrede opinionsledere og tidligere kolleger. Skriv en master-promptskabelon for hvert segment. Udfyld derefter personaliseringsvariablerne for hver person inden for det pågældende segment. Denne tilgang giver dig et personligt output uden at du skal genopfinde prompten fra bunden hver gang.
Trin 3: Generer i batches
For moderat volumen (ti til tredive noter) kan du gøre dette manuelt ved at indsætte individuelle udfyldte prompts i ChatGPT eller Claude én ad gangen. For højere volumen skal du bruge API'en (ChatGPT's OpenAI API eller Claude's Anthropic API) kombineret med et regnearksværktøj som Google Sheets med en AI-tilføjelse eller et automatiseringsværktøj uden kode som Clay, Make eller Zapier. Disse platforme giver dig mulighed for at sende hver række i dit regneark som en prompt og automatisk modtage den genererede note tilbage i en ny kolonne.
Trin 4: Gennemgå, rediger og godkend
Hver AI-genereret note skal gennemgå et menneskeligt gennemgangstrin, før den sendes. Dette er ikke valgfrit – mere om hvorfor i næste afsnit. Marker hver note som Godkendt, Skal redigeres eller Regenerer, før du begynder at sende.
Trin 5: Send med intention
LinkedIn har ikke en funktion til masseafsendelse af forbindelsesanmodninger – hver anmodning skal sendes individuelt. Dette er faktisk en funktion, ikke en fejl: den gennemtvinger et naturligt tempo, der forhindrer din opsøgende aktivitet i at udløse LinkedIns spamfiltre. En rimelig daglig mængde til manuel afsendelse er tyve til halvtreds forbindelsesanmodninger om dagen. Spred dem ud over dagen i stedet for at sende dem alle på én gang.
Det menneskelige gennemgangslag, du ikke kan springe over
AI-genererede LinkedIn-noter er et første udkast, ikke et færdigt produkt. At behandle dem som færdigt output er den mest almindelige og dyreste fejl, folk begår, når de forsøger at personliggøre LinkedIn-forbindelsesnoter i stor skala.
Hvad skal kontrolleres i hver note
Nøjagtighed
AI-modeller kan hallucinere eller misfortolke den kontekst, du angiver. Hvis du fortalte AI'en, at nogen "for nylig har skrevet et indlæg om fjernteamadministration", skal du bekræfte, at notens henvisning til det pågældende indlæg er nøjagtig og specifik – ikke en vag parafrase, der kan gælde for alle. En note, der indeholder forkerte detaljer, er værre end en generisk note, fordi den signalerer uforsigtighed snarere end ægte interesse.
Tegnantal
LinkedIns grænse på 300 tegn er streng. Indsæt hver note i en tegntæller, før du sender den. Selv hvis du har angivet begrænsningen i din prompt, overskrider AI den lejlighedsvis. En note, der bliver afkortet midt i en sætning, er pinligt og ineffektivt.
Tonetilpasning
Læs hver note højt. Lyder det som dig? Passer det til modtagerens sandsynlige kommunikationsstil? En note skrevet i et meget formelt register til en person, der skriver afslappede, humoristiske LinkedIn-opslag, vil føles skæv. Juster tonen efter behov under gennemgangen.
"Er det her uhyggeligt?"-testen
Der er en hårfin grænse mellem imponerende researchet og ubehageligt overvåget. Hvis din note refererer til noget meget obskurt – for eksempel en kommentar, de efterlod på en andens opslag for to år siden – kan det føles påtrængende snarere end personligt. Hold dig til offentligt synlig, nylig og professionel kontekst.
Grammatik og flow
AI-output er normalt grammatisk rent, men ikke altid. Læs for flow såvel som korrekthed. Korte, slagkraftige sætninger fungerer bedst i LinkedIn-noter. Alt, der kræver genlæsning for at forstå, skal forenkles.
Hvad man skal gøre, og hvad man ikke skal gøre: Fejlene, der får AI-noter til at føles som spam
Målet med at bruge AI til at personliggøre LinkedIn-forbindelsesnotater i stor skala er at skabe forbindelse, ikke at automatisere massekommunikation. Der er flere mønstre, der straks afslører en AI-genereret note som uægte – undgå dem alle.
LinkedIn-forbindelsesnoter: Hvad skal man gøre vs. hvad man skal undgå
| Miljø | ✅ Gør | ❌ Lad være |
|---|---|---|
| Personalisering | Referer til noget virkelig specifikt – en titel på et opslag, et argument, et eksempel eller en indsigt, der virkelig skilte sig ud. | Skriv vage linjer som "Jeg elskede dit seneste indlæg om lederskab." Falsk specificitet signalerer skabelonbaseret opsøgende arbejde. |
| Tone og komplimenter | Hold påskønnelse jordnær og naturlig. Gør ros specifik og relevant. | Overdreven brug af smiger som "utrolig rejse" eller "enestående tankelederskab". Overdreven ros føles robotagtig. |
| Salgsintention | Opnå forbindelsen først. Fokuser på fælles relevans eller nysgerrighed. | Indsæt en skjult pitch eller blød opfordring til handling i forbindelsesnoten. Pitchen hører hjemme i opfølgninger. |
| Sprogstil | Skriv tydeligt og konverserende. Brug et enkelt, menneskeligt sprog. | Brug virksomhedsjargon som "synergi", "gearing", "værdiskabelse" eller "cirkel tilbage". Det føles genereret. |
| Kvaliteten af opsøgende arbejde i grupper | Variér struktur, personaliseringsvinkel og flow på tværs af noter. Gennemgå side om side for at sikre ensartethed. | Send strukturelt identiske beskeder til lignende profiler. At ændre et par ord er ikke en reel variation. |
Hvad sker der, efter de har accepteret: AI-assisteret opfølgning
Forbindelsesnotatet får din fod indenfor. Opfølgningsbeskeden er der, hvor den virkelige konvertering sker. AI kan også hjælpe dig med at personliggøre dette trin ved hjælp af de samme principper med et par vigtige forskelle.
Den første opfølgende besked
Send en opfølgning inden for 24 til 48 timer efter accept, mens du stadig er frisk i deres erindring. Denne besked bør være lidt længere end forbindelsesbeskeden – to til fire sætninger – men stadig afslappet og ikke-transaktionel. Tak dem for at have skabt forbindelse, understreg relevansen af forbindelsen, og åbn en samtaletråd med et oprigtigt spørgsmål eller en observation.
Spørgsmål fra AI om opfølgningsbeskeder
Brug den samme master-prompt-ramme, men opdater målet. I stedet for at "skabe forbindelsen" er målet nu "åbne en ægte samtale". Giv AI'en konteksten for, hvorfor de accepterede (hvis du ved det), den oprindelige hook fra din forbindelsesnote, og ét samtalespørgsmål, du oprigtigt ønsker svar på. Bed om en besked, der slutter med et enkelt, letbesvaret spørgsmål. Flere spørgsmål dræber svarprocenter - ét spørgsmål er altid det rigtige tal.
Den lange spiltilgang
Ikke alle, du får kontakt med, bliver øjeblikkeligt til klienter, arbejdsgivere, samarbejdspartnere eller muligheder. De mest værdifulde forbindelser udvikles ofte over måneder gennem konsekvente, værdiskabende interaktioner – at kommentere på deres opslag, dele deres arbejde og reagere på deres indhold. AI kan også hjælpe dig med at udarbejde tankevækkende kommentarer i stor skala. Behandl dit LinkedIn-netværk som en have, ikke en salgsautomat.
Værktøjer og integrationer, der automatiserer pipelinen
Hvis du vil personliggøre LinkedIn-forbindelsesnotater i større skala end hvad manuel kopiering og indsættelse tillader, kan disse værktøjer og platforme hjælpe dig med at opbygge en integreret pipeline.
Clay
Clay er en platform til automatisering af databerigelse og opsøgende arbejde, der integreres direkte med AI API'er. Du kan hente LinkedIn-profildata, berige dem med yderligere kontekst fra nettet og køre AI-prompts for at generere personlige noter – alt sammen i en enkelt arbejdsgang. Det er et af de mest specialbyggede værktøjer til netop denne anvendelse og bruges i vid udstrækning af salgsteams og rekrutterere til AI-personlig opsøgende arbejde i stor skala.
Make (tidligere Integromat) og Zapier
Begge platforme giver dig mulighed for at forbinde Google Sheets (hvor din forskning findes) til OpenAI eller Anthropic API'en. Du kan opbygge en arbejdsgang, hvor tilføjelse af en række til dit regneark automatisk udløser en prompt, genererer en note og skriver den tilbage i arket. Ingen kodning kræves for grundlæggende arbejdsgange.
Phantombuster og Dux-suppe
Disse LinkedIn-automatiseringsværktøjer kan hjælpe dig med at indsamle profildata i stor skala, som derefter indgår i din AI-promptingworkflow. Brug dem omhyggeligt og inden for LinkedIns servicevilkår – overdreven automatisering kan resultere i kontobegrænsninger.
Google Sheets med GPT- eller Claude-tilføjelser
Adskillige Google Workspace-tilføjelser bringer AI direkte ind i Google Sheets, så du kan skrive en promptformel i en celle og få den til at generere output baseret på data fra andre celler i samme række. Dette er det mest tilgængelige indgangspunkt for ikke-tekniske brugere, der ønsker at automatisere batchgenerering uden at bygge en fuld integration.
En bemærkning om LinkedIns servicevilkår
LinkedIn begrænser automatiserede eller massebeskeder og forbindelsesanmodninger, der overtræder dens Bruger-aftalenBrug af AI til at skrive noter er ikke en overtrædelse – indholdet bliver stadig gennemgået af mennesker og sendt manuelt. Brug af bots til automatisk at sende forbindelsesanmodninger i høj volumen er dog imod platformens regler og indebærer risiko for kontobegrænsninger. Den sikreste tilgang er altid AI-assisteret skrivning kombineret med manuel afsendelse.
Tjekliste til hurtig start: Tilpas LinkedIn-forbindelsesnotater i stor skala
Brug denne tjekliste til at lancere din første AI-personaliserede opsøgende kampagne fra bunden.
Research og opsætning
Lav et regneark med kolonner for navn, titel, virksomhed, personaliseringslink, årsag til at skabe kontakt og tone. Identificér mindst én ægte, specifik personaliseringslink for hver person. Gruppér din liste i to eller tre segmenter med fælles mål for opsøgende arbejde.
Hurtig bygning
Skriv én master-promptskabelon pr. segment ved hjælp af seks-element-rammeværket. Inkluder 300-tegnsbegrænsningen, listen over forbudte ord og tonespecifikationen. Test hver skabelon med tre til fem personer, før du kører hele batchen. Gennemgå outputtet, og finjuster prompten, indtil resultaterne er konsekvent stærke.
Batchgenerering
Generer noter i batches efter segment. Brug en AI API-integration med dit regneark for volumen over tredive om dagen. Gem alle genererede noter tilbage i regnearket i en dedikeret kolonne.
Menneskelig gennemgang
Læs hver note, før du sender den. Bekræft nøjagtigheden, tjek antallet af tegn, vurder tonetilpasningen, og anvend testen "er det uhyggeligt?". Marker hver note som godkendt, redigering nødvendig eller generer.
Afsendelse og opfølgning
Send manuelt tyve til halvtreds anmodninger om dagen, fordelt over dagen. Følg op inden for fireogtyve til otteogfyrre timer efter accept med en kort, samtalebesked, der afsluttes med ét spørgsmål. Spor acceptprocenter og svarprocenter efter segment for at forfine din tilgang over tid.
11x Din LinkedIn Outreach Med
Automation og Gen AI
Udnyt kraften i LinkedIn Automation og Gen AI til at forstærke din rækkevidde som aldrig før. Engager tusindvis af kundeemner ugentligt med AI-drevne kommentarer og målrettede kampagner – alt sammen fra én lead-gen kraftcenter-platform.
Ofte stillede spørgsmål
Du kan personliggøre din LinkedIn-kontakt i stor skala ved at indsamle strukturerede personaliseringsdata (opslag, milepæle, delte oplevelser) og bruge AI-værktøjer som ChatGPT eller Claude til at generere skræddersyede forbindelsesnotater baseret på den pågældende kontekst. Inkluder altid menneskelig gennemgang, før du sender.
Ja. Personlige LinkedIn-forbindelsesnotater overgår konsekvent tomme anmodninger – ofte med to til fem gange, fordi de signalerer relevans og ægte interesse snarere end masseopsøgende arbejde.
Både ChatGPT og Claude fungerer godt. ChatGPT integreres lettere i automatiserede arbejdsgange, mens Claude ofte producerer en mere naturlig samtaletone. Det bedste valg afhænger af, om du prioriterer skala eller nuance.
Som minimum:
Fornavn
Nuværende rolle og virksomhed
Én specifik personaliseringshook
Data med stor effekt omfatter nylige opslag, milepæle, fælles forbindelser eller delte professionelle erfaringer.
LinkedIn-forbindelsesnotater har en streng grænse på 300 tegn. Den ideelle note er kortfattet, relevant og udelukkende fokuseret på at skabe forbindelsen – ikke på at pitche.
Det er sikkert at bruge AI til at skrive forbindelsesnotater, når du manuelt gennemgår og sender dem. Fuldautomatiske sendeværktøjer, der overtræder LinkedIns servicevilkår, kan dog føre til kontobegrænsninger.
Almindelige fejl omfatter:
Falsk specificitet
Overdrevne komplimenter
Stealth pitching
Virksomhedsjargon
Strukturelt identiske noter sendt i batcher
Disse mønstre reducerer tillid og accept.
Et sikkert manuelt interval er 20-50 forbindelsesanmodninger om dagen, fordelt over hele dagen. Hvis du sender for mange på én gang, kan det udløse LinkedIn-begrænsninger.
Send en kort opfølgning inden for 24-48 timer. Tak dem for at have kontakt, understærk relevansen, og stil et simpelt, letbesvareligt spørgsmål for at starte en samtale.
Ja – når det bruges ansvarligt. LinkedIn Automation hjælper med at skalere research og udarbejdelse af beskeder, men konvertering afhænger af stærk personalisering og menneskeligt tilsyn.
