Hvis du noen gang har prøvd å utvide LinkedIn-nettverket ditt raskt, kjenner du allerede til problemet: generiske tilkoblingsforespørsler blir ignorert, men å skrive en omtenksom, personlig lapp for hver eneste person du ønsker å komme i kontakt med er smertelig tidkrevende. Det er nettopp her AI-verktøy som ChatGPT og Claude endrer ligningen. Brukt riktig lar de deg Tilpass LinkedIn-tilknytningsnotater i stor skala – uten å ofre den menneskelige kontakten som faktisk får folk til å akseptere og respondere. Denne guiden viser deg nøyaktige arbeidsflyter, instruksjoner og prinsipper for å få det til å fungere.
Hvorfor personalisering er det eneste som fungerer
LinkedIns egne data har konsekvent vist at tilkoblingsforespørsler med personlige notater har betydelig høyere akseptrater enn blanke forespørsler. Forskjellen er ikke liten. Avhengig av målgruppe og kontekst kan personlige notater overgå blanke forespørsler med to til fem ganger.
Årsaken er enkel: folk er travle, skeptiske og drukner i generisk oppsøkende virksomhet. noen havner i innboksen deres Med et notat som refererer til deres spesifikke arbeid, et innlegg de skrev, en gjensidig forbindelse eller en delt opplevelse, signaliserer det at du faktisk så på dem som en person – ikke bare et navn på en liste. Det signalet er det som gir forbindelsen. Utfordringen har alltid vært tid. Skriving tjue virkelig personlige notater på en dag er utmattende. Å skrive hundre er umulig uten et system.
AI erstatter ikke personaliseringen – den akselererer prosessen med å lage den, slik at du kan operere med høyt volum uten å høres ut som en masseutsender.
ChatGPT vs. Claude: Hvilket verktøy for hvilken jobb
| Trekk | ChatGPT (OpenAI) | Claude (antropisk) |
|---|---|---|
| Tilgjengelighet og økosystem | Bredt tilgjengelig med en stor brukerbase og sterke tredjepartsintegrasjoner. | Voksende økosystem, men færre automatiseringsintegrasjoner sammenlignet med ChatGPT. |
| Automatisering Integrasjon | Integreres enkelt med Zapier, Make (tidligere Integromat), Clay og API-baserte arbeidsflyter. | Mer begrenset støtte for automatisering uten kode i stor skala. |
| Konsistens i batchutganger | Utmerket til å følge strukturerte maler og produsere konsistente resultater på tvers av store mengder. | Sterk utskriftskvalitet, men optimalisert mer for nyanser enn ensartet generering av høyt volum. |
| Tone og samtaleflyt | Tydelig og strukturert, men kan noen ganger føles litt formelpreget hvis det ikke blir spurt nøye. | Svært naturlig, nyansert og samtalepreget – ofte mindre robotisk i kadens. |
| Beste brukstilfelle | Bygge automatiserte LinkedIn-oppsøkende pipelines og generering av storskala kontaktnotater. | Lage personlige notater for verdifulle potensielle kunder der tone og subtilitet teller mest. |
For de fleste er verktøyet som gir best resultat det du allerede er komfortabel med. Instruksjonene og prinsippene i denne veiledningen fungerer like bra i begge. Mange bruker ChatGPT for massegenerering og Claude for individuelle notater av høy verdi – men arbeidsflyten er identisk.
Hva du bør samle før du skriver et enkelt notat
Kvaliteten på dine AI-genererte LinkedIn-notater er direkte proporsjonal med kvaliteten på informasjonen du gir AI-en. Søppel inn, generisk ut. Før du åpner ChatGPT eller Claude, må du samle inn personaliseringsdata for hver person du planlegger å kontakte.
De viktigste datapunktene
Som et minimum ønsker du personens fornavn, nåværende stillingstittel og firma, og én spesifikk, ekte grunn til at du kontakter dem. Den grunnen er motoren bak personalisering.
Datapunktene med høy verdi
Hvis du ønsker notater som føles genuint skreddersydde i stedet for malfylte, gå dypere. Se etter et nylig innlegg eller en artikkel de publiserte, og noter temaet eller et spesifikt poeng som resonnerte. Sjekk om dere har noen gjensidige forbindelser, og i så fall hvem de er. Se etter delte profesjonelle erfaringer – jobbet dere begge i samme bransje, deltok dere på samme konferanse eller navigerte dere gjennom samme karriereovergang? Noter eventuelle relevante priser, milepæler eller bedriftsnyheter som er nye nok til å føles aktuelle. Disse datapunktene blir råmaterialet din AI-ledetekst vil forvandle til et personlig, relevant notat.
Hvor finner du denne informasjonen
LinkedIn-profilen deres er din primære kilde. Gå utover overskriften – les Om-delen deres, sjekk deres nylige aktivitet (innlegg og kommentarer), se på selskapene de har jobbet for, og skann den fremhevede delen deres. Hvis de har et nyhetsbrev, en podkast eller publisert innhold lenket fra profilen sin, gir selv en kort oversikt deg materiale som nesten ingen andre som kontakter dem vil ha giddet å finne.
Organisering av forskningen din
For å skalere denne prosessen, hold undersøkelsene dine i et enkelt regneark. Kolonnene bør inneholde: Fornavn, nåværende tittel, firma, bransje, personaliseringshook (den ene spesifikke tingen du vil referere til), grunnen til at du kontakter oss og eventuell tilleggskontekst. Dette regnearket blir input for dine AI-spørsmål i stor skala.
Les mer—> AIs rolle i moderne LinkedIn-nettverk
Kjernerammeverket for LinkedIn-notater
En godt strukturert ledetekst er forskjellen mellom AI-utdata du kan sende umiddelbart og AI-utdata som trenger en fullstendig omskriveHer er rammeverket som konsekvent produserer de beste LinkedIn-tilknytningsnotatene på tvers av ulike brukstilfeller.
De seks elementene i en AI-ledetekst med høy konvertering
1. Rolle
Fortell AI-en hvem den skriver som. Ta med navnet ditt, din nåværende rolle og all relevant kontekst om ditt profesjonelle fokus. AI-en må vite hvem sin stemme den skriver med. Eksempel: «Du skriver på vegne av [Ditt navn], en B2B SaaS-markedsføringskonsulent som hjelper oppstartsbedrifter i tidlig fase med å bygge sin første vekstmotor.»
2. Mottakerkontekst
Gi AI-en nøkkelfakta om personen du kontakter. Ta med navn, rolle, selskap og den spesifikke personaliseringsmekanismen du identifiserte i undersøkelsen din. Eksempel: «Mottakeren er [Fornavn], produktsjef hos [Selskap]. De la nylig ut et innlegg om utfordringen med å samkjøre produkt- og salgsteam i en PLG-bevegelse.»
3. Målet med meldingen
Vær tydelig på hva du ønsker at notatet skal oppnå. LinkedIn-kontaktnotater har en grense på 300 tegn, så målet er nesten aldri å lukke en avtale – det er å fortjene forbindelsen og signalisere ekte relevans. Angi dette tydelig i oppgaven: «Målet er å fortjene forbindelsen ved å vise ekte relevans, ikke å markedsføre et produkt eller en tjeneste.»
4. Tone og stemme
Spesifiser tonen eksplisitt. Alternativene inkluderer: varm og samtalepreget, direkte og profesjonell, nysgjerrig og likemannsorientert, entusiastisk, men respektfull. Tilpass tonen til ditt personlige merke og mottakerens sannsynlige preferanser. En gründer av en oppstartsbedrift vil reagere annerledes på en beskjed enn en visepresident i en bedrift.
5. Begrensninger
LinkedIn-tilknytningsnotater er begrenset til 300 tegn. Spesifiser dette som en hard begrensning i spørringen din. Spesifiser også eventuelle fraser eller tilnærminger som skal unngås – for eksempel «ikke nevn noen tjenester eller produkter», «ikke bruk ordet synergi» eller «unngå å starte med jeg».
6. Utdataformat
Be om to eller tre varianter, slik at du har alternativer å velge mellom. Be om at hver variant holder seg under 300 tegn og skrives i ren tekst uten spesiell formatering eller emoji.
Les mer—-> Kan AI-agenter håndtere svar uten å høres ut som roboter?
Malen for hovedprompten
Her er en gjenbrukbar hovedprompt som inneholder alle seks elementene. Kopier den til ChatGPT eller Claude og fyll ut feltene i parentes:
Du skriver en forespørsel om tilkobling til LinkedIn på vegne av [DITT NAVN], en [DIN ROLLE] som [KORT BESKRIVELSE AV HVA DU GJØR OG FOR HVEM].
Mottakeren er [FORNAVN], [DERES TITTEL] hos [DERES SELSKAP]. [ÉN SETNING MED SPESIFIK KONTEKST — f.eks. «De skrev nylig om X» eller «De begynte nettopp i Y-selskapet etter Z år hos W.»]
Min grunn til å knytte kontakt: [DIN EKTE GRUNN — delt interesse, beundring for arbeidet deres, potensielt samarbeid, samme fellesskap osv.]
Tone: [TONE — f.eks. varm og jevnaldrende, direkte og profesjonell, nysgjerrig og lavt presset]
Begrensninger: Under 300 tegn. Ren tekst. Ingen pitching. Ingen sjargong. Ikke begynn med «jeg». Ikke bruk ordene «synergi», «innflytelse» eller «kontaktbase».
Skriv tre varianter.
Eksempler på bruksklare ledetekster etter brukstilfelle
Ulike mål for oppsøkende virksomhet krever ulike spørsmål. Her er eksempler på fullstendige spørsmål for de vanligste scenariene for LinkedIn-tilkobling.
Brukstilfelle 1: Ta kontakt etter å ha lest innholdet deres
Du skriver en forespørsel om LinkedIn-tilkobling på vegne av Maya Chen, en UX-forsker i et mellomstort fintech-selskap. Mottakeren er David Park, en produktdesigner som nylig publiserte et innlegg om hvorfor mørke mønstre undergraver tilliten til finansapper. Maya syntes innlegget var innsiktsfullt og ønsker å komme i kontakt med David som en likeverdig person innen produkt- og designområdet. Tone: ekte, likeverdig, intellektuelt engasjert. Under 300 tegn. Ingen pitch. Tre varianter.
Brukstilfelle 2: Kontakt med en potensiell klient
Du skriver en forespørsel om LinkedIn-tilknytning på vegne av James Okafor, en frilans merkevarestrateg. Mottakeren er Priya Mehta, markedssjef i en helseteknologi-oppstartsbedrift i serie A kalt NovaCare. James har fulgt NovaCares vekst og beundrer hvordan de posisjonerer seg i et overfylt marked. Han ønsker å knytte kontakt uten å pitche – bare åpne en dør. Tone: respektfull, kunnskapsrik, lavt press. Under 300 tegn. Ikke nevn tjenestene hans. Tre varianter.
Brukstilfelle 3: Kontakte en potensiell arbeidsgiver eller ansettelsesansvarlig
Du skriver en forespørsel om LinkedIn-tilkobling på vegne av Leila Santos, en dataanalytiker med fem års erfaring innen e-handel og detaljhandel. Mottakeren er Tom Briggs, analysedirektør hos Shopify. Leila utforsker aktivt nye roller og beundrer genuint Shopifys tilnærming til handelsanalyse. Hun ønsker å knytte kontakter på en autentisk måte, ikke bare fordi hun er på jobbjakt. Tone: profesjonell, entusiastisk, ekte. Under 300 tegn. Ingen omtale av jobbsøknader. Tre varianter.
Brukstilfelle 4: Gjenoppta kontakten med en tidligere kollega eller kontakt
Du skriver en forespørsel om LinkedIn-tilkobling på vegne av Raj Patel, en salgsdirektør. Mottakeren er Sarah Kim, som jobbet med Raj i samme selskap for fire år siden. De var ikke nære kolleger, men møttes på noen prosjekter. Raj ønsker å gjenopprette kontakten uten at det føles påtvunget eller transaksjonelt. Tone: varm, uformell, ingen agenda. Under 300 tegn. Tre varianter.
Brukseksempel 5: Koble til etter en konferanse eller et arrangement
Du skriver en forespørsel om LinkedIn-tilkobling på vegne av Anna Kowalski, en gründer av en startup. Mottakeren er Ben Torres, en VC-partner hun møtte kort på SaaStr forrige uke. De hadde en kort samtale om AI i vertikal SaaS. Anna ønsker å fortsette samtalen. Tone: varm, energisk, spesifikk for møtet. Under 300 tegn. Ingen spørsmål. Tre varianter.
Les mer—-> Automatiser LinkedIn-oppsøkende virksomhet på en sikker måte med Konnector.ai
Personaliseringsvariablene som faktisk beveger nålen
Ikke all personalisering er skapt like. Å nevne noens navn er avgjørende – det er den grunnleggende forventningen, ikke en differensierende faktor. Personaliseringsvariablene som faktisk øker aksept og svarprosent er de som viser at du så forbi overflaten av noens profil.
Høy-påvirknings personlige variabler
Et spesifikt innlegg eller en artikkel de skrev
Å referere til et spesifikt argument, en observasjon eller et råd fra noe de har publisert, er den kraftigste triggeren for personalisering. Det beviser at du har lest arbeidet deres, og at folk flest setter stor pris på å få tankene deres anerkjent. Ikke bare navngi innlegget – referer til noe spesifikt fra det for å vise at du faktisk engasjerer deg i innholdet.
En nylig karriereovergang eller milepæl
Å starte i en ny rolle, bli forfremmet, lansere et produkt eller nå en milepæl i selskapet er alle kraftige grep. Folk er stolte av disse øyeblikkene og mottakelige for anerkjennelse når det føles ekte snarere enn opportunistisk. Hold tonen gratulerende og nysgjerrig, ikke sykofantisk.
Et delt fellesskap eller en delt opplevelse
Gått dere begge på samme universitet? Jobbet dere begge i samme nisjebransje? Navigerer dere begge gjennom den samme karriereovergangen fra for eksempel konsulentvirksomhet til oppstartsbedrifter? Delte erfaringer skaper en umiddelbar følelse av slektskap, og AI kan hjelpe dere med å ramme inn denne forbindelsen på en naturlig og ukomplisert måte.
En gjensidig forbindelse
Å nevne en gjensidig forbindelse – spesielt hvis personen er velrenommert – gir umiddelbar sosial bevisføring og tillit. Gjør dette bare hvis den gjensidige forbindelsen er noen du faktisk kjenner og som kjenner deg. Nevn aldri et navn du ikke kan bekrefte.
Deres selskaps siste nyheter
En finansieringsrunde, produktlansering, presseomtale eller bemerkelsesverdig ansettelse er helt fritt frem. Dette signaliserer at du følger med på feltet og bryr deg om hva som skjer i deres verden – ikke bare hva de kan gjøre for deg.
Lav-effekt (men fortsatt verdt å bruke) variabler
Stillingstittelen deres, bransjen de jobber i og firmanavnet deres er bedre enn ingenting, men er ikke sterke personaliseringssignaler i seg selv. Dette er indikatorer på «grunnleggende relevans». Bruk dem som støttende kontekst i oppgaven din, men ikke stol på dem som den primære hooken.
Les mer—-> Eksempler og maler for første meldinger på LinkedIn
Skaleringsarbeidsflyten: Fra én note til hundre
Når du har bekreftet at prompten din produserer gode individuelle notater, er det på tide å bygge arbeidsflyten som lar deg generere personlige notater i store mengder uten å ofre kvaliteten.
Trinn 1: Lag forskningsregnearket ditt
Lag et regneark med én rad per person du planlegger å kontakte. Kolonnene dine bør inneholde: Fornavn, Tittel, Bedrift, Bransje, Personaliseringshenvisning, Årsak til kontakt, Tone (hvis det varierer etter segment), og en kolonne for det genererte notatet og en annen for det gjennomgåtte/endelige notatet.
Trinn 2: Grupper opp spørsmålene dine etter segment
Ikke skriv en unik oppgave for hver enkelt person. Grupper heller listen din i segmenter – for eksempel potensielle kunder, potensielle samarbeidspartnere, beundrede tankeledere og tidligere kolleger. Skriv én hovedoppgavemal for hvert segment. Fyll deretter ut personaliseringsvariablene for hver enkelt person innenfor det segmentet. Denne tilnærmingen gir deg personlig utdata uten at du må gjenoppfinne oppgaven fra bunnen av hver gang.
Trinn 3: Generer i grupper
For moderat volum (ti til tretti notater) kan du gjøre dette manuelt ved å lime inn individuelle utfylte ledetekster i ChatGPT eller Claude én om gangen. For høyere volum kan du bruke API-et (ChatGPTs OpenAI API eller Claudes Anthropic API) kombinert med et regnearkverktøy som Google Sheets med et AI-tillegg, eller et automatiseringsverktøy uten kode som Clay, Make eller Zapier. Disse plattformene lar deg sende hver rad i regnearket ditt som en ledetekst og motta det genererte notatet tilbake i en ny kolonne automatisk.
Trinn 4: Gjennomgå, rediger og godkjenn
Alle AI-genererte notater må gjennomgås av menneskelige rådgivere før de sendes. Dette er ikke valgfritt – mer om hvorfor i neste avsnitt. Merk hver notat som Godkjent, Må redigeres eller Generer på nytt før du begynner å sende.
Trinn 5: Send med intensjon
LinkedIn har ingen funksjon for massesending av tilkoblingsnotater – hver forespørsel må sendes individuelt. Dette er faktisk en funksjon, ikke en feil: den tvinger frem et naturlig tempo som hindrer at kontakten din utløser LinkedIns spamfiltre. Et rimelig daglig volum for manuell sending er tjue til femti tilkoblingsforespørsler per dag. Spre dem utover dagen i stedet for å sende dem alle samtidig.
Det menneskelige vurderingslaget du ikke kan hoppe over
AI-genererte LinkedIn-notater er et førsteutkast, ikke et sluttprodukt. Å behandle dem som ferdige resultater er den vanligste og mest kostbare feilen folk gjør når de prøver å tilpasse LinkedIn-kontaktnotater i stor skala.
Hva du bør sjekke i hvert notat
Nøyaktighet
AI-modeller kan hallusinere eller feiltolke konteksten du oppgir. Hvis du fortalte AI-en at noen «nylig postet om ekstern teamadministrasjon», må du bekrefte at referansen til det innlegget i notatet er nøyaktig og spesifikk – ikke en vag parafrase som kan gjelde for hvem som helst. Et notat som inneholder feil detaljene er verre enn et generisk notat fordi det signaliserer uforsiktighet snarere enn genuin interesse.
Karaktertelling
LinkedIns grense på 300 tegn er streng. Lim inn alle notater i en tegnteller før du sender dem. Selv om du spesifiserte begrensningen i ledeteksten, overskrider AI av og til den. Et notat som blir avkortet midt i en setning er pinlig og ineffektivt.
Tonetilpasning
Les hvert notat høyt. Høres det ut som deg? Passer det mottakerens sannsynlige kommunikasjonsstil? Et notat skrevet i et svært formelt register for noen som skriver uformelle, humoristiske LinkedIn-innlegg, vil føles rart. Juster tonen etter behov under gjennomgangen.
«Er dette skummelt?»-testen
Det er en hårfin grense mellom imponerende undersøkt og ubehagelig overvåket. Hvis notatet ditt refererer til noe veldig obskurt – for eksempel en kommentar de la igjen på noen andres innlegg for to år siden – kan det føles påtrengende snarere enn personlig. Hold deg til offentlig synlig, nylig og profesjonell kontekst.
Grammatikk og flyt
AI-utdata er vanligvis grammatisk rent, men ikke alltid. Les for flyt så vel som korrekthet. Korte, slagkraftige setninger fungerer best i LinkedIn-notater. Alt som krever gjenlesing for å forstå, må forenkles.
Hva du bør gjøre og hva du ikke bør gjøre: Feilene som får AI-notater til å føles som spam
Målet med å bruke AI til å tilpasse LinkedIn-kontaktnotater i stor skala er å skape forbindelser, ikke å automatisere massekommunikasjon. Det finnes flere mønstre som umiddelbart avslører et AI-generert notat som uekte – unngå alle.
LinkedIn-tilknytningsnotater: Hva du bør gjøre kontra hva du bør unngå
| Område | ✅ Gjør | ❌ Ikke gjør det |
|---|---|---|
| Tilpassing | Referer til noe virkelig spesifikt – en innleggstittel, et argument, et eksempel eller en innsikt som virkelig skilte seg ut. | Skriv vage linjer som «Jeg elsket det siste innlegget ditt om lederskap.» Falsk spesifisitet signaliserer malbasert oppsøkende virksomhet. |
| Tone og komplimenter | Hold takknemligheten jordnær og naturlig. Gjør ros spesifikk og relevant. | Overbruk smiger som «utrolig reise» eller «eksepsjonelt tankelederskap». Overdreven ros føles robotisk. |
| Salgsintensjon | Gjør deg kjent med hverandre først. Fokuser på delt relevans eller nysgjerrighet. | Sett inn en skjult pitch eller myk CTA i tilkoblingsnotatet. Pitchen hører hjemme i oppfølgingene. |
| Språkstil | Skriv tydelig og konverserende. Bruk et enkelt, menneskelig språk. | Bruk bedriftsjargong som «synergi», «gearing», «verdiøkning» eller «sirkel tilbake». Det føles generert. |
| Kvaliteten på oppsøkende arbeid i grupper | Varier struktur, personaliseringsvinkel og flyt på tvers av notater. Se gjennom side om side for å se om det er likt. | Send strukturelt identiske meldinger til lignende profiler. Å endre noen få ord er ikke reell variasjon. |
Hva skjer etter at de har akseptert: AI-assistert oppfølging
Tilknytningsmeldingen gir deg foten innenfor døren. Oppfølgingsmeldingen er der den virkelige konverteringen skjer. AI kan også hjelpe deg med å tilpasse dette trinnet, ved å bruke de samme prinsippene med noen få viktige forskjeller.
Den første oppfølgingsmeldingen
Send en oppfølging innen tjuefire til førtiåtte timer etter at du har mottatt meldingen, mens du fortsatt er frisk i minnet. Denne meldingen bør være litt lengre enn kontaktmeldingen – to til fire setninger – men fortsatt uformell og ikke-transaksjonell. Takk dem for at de tok kontakt, forsterk relevansen av kontakten, og åpne en samtaletråd med et ekte spørsmål eller en observasjon.
Ber AI om oppfølgingsmeldinger
Bruk det samme hovedrammeverket for spørreskjemaer, men oppdater målet. I stedet for å «tjene forbindelsen» er målet nå «åpne en ekte samtale». Gi AI-en konteksten for hvorfor de aksepterte (hvis du vet det), den opprinnelige hooken fra forbindelsesnotatet ditt, og ett samtalespørsmål du virkelig ønsker svar på. Be om en melding som avsluttes med et enkelt spørsmål som er lett å svare på. Flere spørsmål reduserer svarprosenten – ett spørsmål er alltid riktig tall.
Langtidsspilltilnærmingen
Ikke alle du får kontakt med vil umiddelbart bli klienter, arbeidsgivere, samarbeidspartnere eller muligheter. De mest verdifulle forbindelsene utvikles ofte over måneder gjennom jevnlige, verdiskapende interaksjoner – å kommentere innleggene deres, dele arbeidet deres og svare på innholdet deres. AI kan også hjelpe deg med å utarbeide gjennomtenkte kommentarer i stor skala. Behandle LinkedIn-nettverket ditt som en hage, ikke en salgsautomat.
Verktøy og integrasjoner som automatiserer pipelinen
Hvis du vil tilpasse LinkedIn-tilknytningsnotater i større skala enn det manuell kopiering og liming tillater, kan disse verktøyene og plattformene hjelpe deg med å bygge en integrert prosess.
Clay
Clay er en plattform for automatisering av databerikelse og oppsøkende virksomhet som integreres direkte med AI-API-er. Du kan hente LinkedIn-profildata, berike dem med ytterligere kontekst fra nettet og kjøre AI-ledetekster for å generere personlige notater – alt i én enkelt arbeidsflyt. Det er et av de mest spesialbygde verktøyene for akkurat dette bruksområdet, og brukes mye av salgsteam og rekrutterere for AI-personlig oppsøkende virksomhet i stor skala.
Make (tidligere Integromat) og Zapier
Begge plattformene lar deg koble Google Sheets (der forskningen din ligger) til OpenAI eller Anthropic API. Du kan bygge en arbeidsflyt der det å legge til en rad i regnearket automatisk utløser en ledetekst, genererer et notat og skriver det tilbake i arket. Ingen koding kreves for grunnleggende arbeidsflyter.
Phantombuster og Dux-suppe
Disse automatiseringsverktøyene på LinkedIn kan hjelpe deg med å samle profildata i stor skala, som deretter brukes i arbeidsflyten din for AI-forespørsler. Bruk dem forsiktig og innenfor LinkedIns tjenestevilkår – overdreven automatisering kan føre til kontobegrensninger.
Google Regneark med GPT- eller Claude-tillegg
Flere Google Workspace-tillegg bringer AI direkte inn i Google Regneark, slik at du kan skrive en ledetekstformel i en celle og la den generere utdata basert på data fra andre celler i samme rad. Dette er det mest tilgjengelige inngangspunktet for ikke-tekniske brukere som ønsker å automatisere batchgenerering uten å bygge en full integrasjon.
En merknad om LinkedIns tjenestevilkår
LinkedIn begrenser automatiserte eller masseutsendelser og tilkoblingsforespørsler som bryter med dets BrukeravtaleÅ bruke AI til å skrive notater er ikke et brudd – innholdet blir fortsatt vurdert av mennesker og sendt manuelt. Å bruke roboter til å automatisk sende tilkoblingsforespørsler i høyt volum er imidlertid i strid med plattformens regler og risikerer kontobegrensninger. Den sikreste tilnærmingen er alltid AI-assistert skriving kombinert med manuell sending.
Sjekkliste for hurtigstart: Tilpass LinkedIn-kontaktnotater i stor skala
Bruk denne sjekklisten til å lansere din første AI-personlige oppsøkende kampanje fra bunnen av.
Forskning og oppsett
Lag et regneark med kolonner for navn, tittel, firma, personaliseringselement, årsak til kontakt og tone. Identifiser minst én ekte, spesifikk personaliseringselement for hver person. Grupper listen din i to eller tre segmenter med felles mål for oppsøkende virksomhet.
Rask bygging
Skriv én mal for hovedprompten per segment ved hjelp av rammeverket med seks elementer. Inkluder begrensningen på 300 tegn, listen over forbudte ord og tonespesifikasjonen. Test hver mal med tre til fem personer før du kjører hele gruppen. Gjennomgå resultatene og finjuster prompten til resultatene er gjennomgående sterke.
Batchgenerering
Generer notater i grupper etter segment. For volum over tretti per dag, bruk en AI API-integrasjon med regnearket ditt. Lagre alle genererte notater tilbake i regnearket i en dedikert kolonne.
Menneskelig gjennomgang
Les hvert notat før du sender det. Bekreft nøyaktigheten, sjekk antall tegn, vurder tonetilpasningen og bruk «er dette skummelt?»-testen. Merk hvert notat som godkjent, redigering nødvendig eller generer på nytt.
Sending og oppfølging
Send tjue til femti forespørsler manuelt per dag, fordelt utover dagen. Følg opp innen tjuefire til førtiåtte timer etter aksept med en kort, samtaleaktig melding som avsluttes med ett spørsmål. Spor akseptrater og svarrater etter segment for å forbedre tilnærmingen din over tid.
11x din LinkedIn-utvidelse med
Automatisering og Gen AI
Utnytt kraften til LinkedIn Automation og Gen AI for å forsterke rekkevidden din som aldri før. Engasjer tusenvis av potensielle kunder ukentlig med AI-drevne kommentarer og målrettede kampanjer – alt fra én plattform for potensielle kunder.
Ofte Stilte Spørsmål
Du kan tilpasse LinkedIn-kontakt i stor skala ved å samle strukturerte personaliseringsdata (innlegg, milepæler, delte opplevelser) og bruke AI-verktøy som ChatGPT eller Claude for å generere skreddersydde kontaktnotater basert på den konteksten. Inkluder alltid menneskelig gjennomgang før sending.
Ja. Personlige LinkedIn-kontaktnotater overgår konsekvent tomme forespørsler – ofte to til fem ganger fordi de signaliserer relevans og genuin interesse snarere enn masseoppsøking.
Både ChatGPT og Claude fungerer bra. ChatGPT integreres enklere i automatiserte arbeidsflyter, mens Claude ofte produserer en mer naturlig samtaletone. Det beste valget avhenger av om du prioriterer skala eller nyanser.
Som minimum:
Fornavn
Nåværende rolle og selskap
Én spesifikk personaliseringskrok
Data med stor innvirkning inkluderer nylige innlegg, milepæler, gjensidige forbindelser eller delte profesjonelle erfaringer.
LinkedIn-kontaktnotater har en streng grense på 300 tegn. Det ideelle notatet er konsist, relevant og utelukkende fokusert på å oppnå kontakten – ikke på å pitche.
Det er trygt å bruke AI til å skrive tilkoblingsnotater når du manuelt gjennomgår og sender dem. Helautomatiske sendeverktøy som bryter med LinkedIns tjenestevilkår, kan imidlertid føre til kontobegrensninger.
Vanlige feil inkluderer:
Falsk spesifisitet
Overdrevne komplimenter
Stealth-pitching
Bedriftssjargong
Strukturelt identiske notater sendt i grupper
Disse mønstrene reduserer tillit og akseptrater.
Et trygt manuelt område er 20–50 tilkoblingsforespørsler per dag, spredt utover dagen. Hvis du sender for mange samtidig, kan det utløse LinkedIn-restriksjoner.
Send en kort oppfølging innen 24–48 timer. Takk dem for at de tar kontakt, forsterk relevansen og still ett enkelt spørsmål som er lett å svare på for å starte en samtale.
Ja – når det brukes ansvarlig. LinkedIn Automation bidrar til å skalere research og utforming av meldinger, men konvertering er avhengig av sterk personalisering og menneskelig tilsyn.
