Hur man använder ChatGPT och Claude för att anpassa LinkedIn-anslutningsanteckningar i stor skala

ChatGPT vs Claude: Vilket verktyg för vilket jobb

För de flesta är det verktyg som ger bäst resultat det du redan är bekväm med. Anvisningarna och principerna i den här guiden fungerar lika bra i båda. Många utövare använder ChatGPT för massgenerering och Claude för värdefulla individuella anteckningar – men arbetsflödet är identiskt.

Vad du ska samla in innan du skriver en enda anteckning

Kvaliteten på dina AI-genererade LinkedIn-anteckningar är direkt proportionell mot kvaliteten på den information du matar AI:n med. Skräp in, generiskt ut. Innan du öppnar ChatGPT eller Claude måste du samla in personaliseringsdata för varje person du planerar att kontakta.

De viktigaste datapunkterna

Som minimum vill du ha personens förnamn, deras nuvarande jobbtitel och företag, och en specifik, genuin anledning till att du kontaktar dem. Den anledningen är motorn bakom personalisering.

De högvärdiga datapunkterna

Om du vill ha anteckningar som känns genuint skräddarsydda snarare än mallfyllda, gå djupare. Leta efter ett nyligen publicerat inlägg eller en artikel som de publicerade och notera ämnet eller en specifik punkt som resonerade. Kontrollera om ni har några gemensamma kontakter och, i så fall, vilka de är. Leta efter gemensamma yrkeserfarenheter – arbetade ni båda i samma bransch, deltog ni i samma konferens eller navigerade ni samma karriärövergång? Notera eventuella relevanta utmärkelser, milstolpar eller företagsnyheter som är tillräckligt aktuella för att kännas aktuella. Dessa datapunkter blir det råmaterial som din AI-uppmaning kommer att omvandla till en personlig, relevant anteckning.

Var man hittar denna information

Deras LinkedIn-profil är din primära källa. Gå bortom rubriken – läs deras Om-sektion, kolla deras senaste aktivitet (inlägg och kommentarer), titta på de företag de har arbetat för och skanna deras utvalda sektion. Om de har ett nyhetsbrev, en podcast eller publicerat innehåll länkat från sin profil, ger även en kort ögat dig material som nästan ingen annan som kontaktar dem kommer att ha brytt sig om att hitta.

Organisera din forskning

För att skala upp den här processen, håll din forskning i ett enkelt kalkylblad. Kolumnerna bör innehålla: Förnamn, Nuvarande titel, Företag, Bransch, Personaliseringshook (den specifika sak du kommer att referera till), Din anledning till att kontakta dig och eventuell ytterligare kontext. Detta kalkylblad blir indata för dina AI-uppmaningar i stor skala.

Läs mer—> AI:s roll i moderna LinkedIn-nätverk

Core Prompt Framework för LinkedIn Notes

En välstrukturerad prompt är skillnaden mellan AI-utdata som du kan skicka omedelbart och AI-utdata som kräver en fullständig omskrivningHär är ramverket som konsekvent producerar de bästa LinkedIn-anteckningarna för olika användningsområden.

De sex elementen i en högkonverterande AI-prompt

1. Roll

Berätta för AI:n vem den skriver för. Inkludera ditt namn, din nuvarande roll och all relevant kontext kring ditt professionella fokus. AI:n behöver veta vems röst den skriver med. Exempel: ”Du skriver för [Ditt namn], en B2B SaaS-marknadsföringskonsult som hjälper nystartade företag att bygga sin första tillväxtmotor.”

2. Mottagarkontext

Ge AI:n nyckelfakta om personen du kontaktar. Inkludera deras namn, roll, företag och den specifika personaliseringshook som du identifierade i din research. Exempel: ”Mottagaren är [Förnamn], produktchef på [Företag]. De skrev nyligen om utmaningen att samordna produkt- och säljteam i en PLG-rörelse.”

3. Meddelandets mål

Var tydlig med vad du vill att meddelandet ska uppnå. LinkedIn-kontaktmeddelanden har en gräns på 300 tecken, så målet är nästan aldrig att sluta en affär – det är att förtjäna kontakten och signalera genuin relevans. Ange detta tydligt i prompten: ”Målet är att förtjäna kontakten genom att visa genuin relevans, inte att marknadsföra en produkt eller tjänst.”

4. Ton och röst

Ange tonen tydligt. Alternativen inkluderar: varm och samtalsorienterad, direkt och professionell, nyfiken och peer-to-peer, entusiastisk men respektfull. Matcha tonen med ditt personliga varumärke och mottagarens troliga preferenser. En startup-grundare kommer att reagera annorlunda på ett meddelande än en företagschef.

5. Begränsningar

LinkedIn-anteckningar är begränsade till 300 tecken. Ange detta som en hård begränsning i din prompt. Specificera även eventuella fraser eller tillvägagångssätt som ska undvikas – till exempel ”nämn inga tjänster eller produkter”, ”använd inte ordet synergi” eller ”undvik att börja med jag”.

6. Utdataformat

Be om två eller tre varianter så att du har alternativ att välja mellan. Be att varje variant ska vara kortare än 300 tecken och skrivas i vanlig text utan specialformatering eller emojis.

Läs mer—-> Kan AI-agenter hantera svar utan att låta som robotar?

Huvudpromptmallen

Här är en återanvändbar huvudprompt som innehåller alla sex element. Kopiera den till ChatGPT eller Claude och fyll i fälten inom hakparentes:

Du skriver en begäran om LinkedIn-anslutning på uppdrag av [DITT NAMN], en [DIN ROLL] som [KORT BESKRIVNING AV VAD DU GÖR OCH FÖR VEM].

Mottagaren är [FÖRNAMN], [DERAS TITEL] på [DERAS FÖRETAG]. [EN MENING MED SPECIFIKT SAMMANHANG — t.ex. ”De skrev nyligen om X” eller ”De började precis på Y-företaget efter Z år på W.”]

Min anledning till att jag kontaktar er: [DIN ÄKTA ANLEDNING — gemensamt intresse, beundran för deras arbete, potentiellt samarbete, samma gemenskap, etc.]

Ton: [TON — t.ex. varm och jämlik, direkt och professionell, nyfiken och lågtrycksfull]

Begränsningar: Under 300 tecken. Vanlig text. Ingen pitching. Ingen jargong. Börja inte med "jag". Använd inte ordet "synergi", "hävstångseffekt" eller "kontaktpunkt".

Skriv tre varianter.

Färdiga exempel på prompter per användningsfall

Olika mål för uppsökande verksamhet kräver olika uppmaningar. Här är fullständigt skrivna exempel på uppmaningar för de vanligaste scenarierna med LinkedIn-kontakter.

Användningsfall 1: Att kontakta någon efter att ha läst deras innehåll

Du skriver en LinkedIn-kontaktförfrågan på uppdrag av Maya Chen, en UX-forskare på ett medelstort fintech-företag. Mottagaren är David Park, en produktdesigner som nyligen publicerade ett inlägg om varför mörka mönster urholkar förtroendet för finansiella appar. Maya tyckte att inlägget var insiktsfullt och vill få kontakt med David som en kollega inom produkt- och designområdet. Ton: genuin, peer-to-peer, intellektuellt engagerad. Under 300 tecken. Ingen pitch. Tre varianter.

Användningsfall 2: Att få kontakt med en potentiell kund

Du skriver en LinkedIn-kontaktförfrågan på uppdrag av James Okafor, en frilansande varumärkesstrateg. Mottagaren är Priya Mehta, marknadschef på en serie A-baserad hälsoteknikstartup som heter NovaCare. James har följt NovaCares tillväxt och beundrar hur de positionerar sig på en fullsatt marknad. Han vill skapa kontakt utan att pitcha – bara öppna en dörr. Ton: respektfull, kunnig, låg press. Under 300 tecken. Nämn inte hans tjänster. Tre varianter.

Användningsfall 3: Kontakta en potentiell arbetsgivare eller rekryterare

Du skriver en LinkedIn-kontaktförfrågan på uppdrag av Leila Santos, en dataanalytiker med fem års erfarenhet inom e-handel och detaljhandel. Mottagaren är Tom Briggs, analyschef på Shopify. Leila utforskar aktivt nya roller och beundrar genuint Shopifys tillvägagångssätt för handlaranalys. Hon vill skapa en autentisk kontakt, inte bara för att hon söker jobb. Ton: professionell, entusiastisk, genuin. Under 300 tecken. Inget omnämnande av jobbansökningar. Tre varianter.

Användningsfall 4: Återuppta kontakten med en tidigare kollega eller kontakt

Du skriver en LinkedIn-kontaktförfrågan på uppdrag av Raj Patel, en försäljningschef. Mottagaren är Sarah Kim, som arbetade med Raj på samma företag för fyra år sedan. De var inte nära kollegor men möttes i några projekt. Raj vill återknyta kontakten utan att det känns påtvingat eller transaktionellt. Ton: varm, avslappnad, ingen agenda. Under 300 tecken. Tre varianter.

Användningsfall 5: Anslutning efter en konferens eller ett evenemang

Du skriver en LinkedIn-förfrågan på uppdrag av Anna Kowalski, en startup-grundare. Mottagaren är Ben Torres, en VC-partner som hon träffade kort på SaaStr förra veckan. De hade ett kort samtal om AI inom vertikal SaaS. Anna vill fortsätta samtalet. Ton: varm, energisk, specifik för mötet. Under 300 tecken. Ingen fråga. Tre varianter.

Läs mer—-> Automatisera LinkedIn-kontakter på ett säkert sätt med Konnector.ai

Skalningsarbetsflödet: Från en ton till hundra

När du har bekräftat att din prompt producerar bra individuella anteckningar är det dags att bygga ett arbetsflöde som låter dig generera personliga anteckningar i stor volym utan att offra kvaliteten.

Steg 1: Bygg ditt forskningsblad

Skapa ett kalkylblad med en rad per person du planerar att kontakta. Dina kolumner bör innehålla: Förnamn, Titel, Företag, Bransch, Personlig kontakt, Anledning till kontakt, Ton (om det varierar beroende på segment), och en kolumn för den genererade anteckningen och en annan för den granskade/slutgiltiga anteckningen.

Steg 2: Gruppera dina uppmaningar per segment

Skriv inte en unik prompt för varje enskild person. Gruppera istället din lista i segment – ​​till exempel potentiella kunder, potentiella samarbetspartners, beundrade opinionsbildare och tidigare kollegor. Skriv en huvudmall för prompten för varje segment. Fyll sedan i personaliseringsvariablerna för varje individ inom det segmentet. Denna metod ger dig personligt anpassad resultat utan att du behöver återuppfinna prompten från grunden varje gång.

Steg 3: Generera i batcher

För måttlig volym (tio till trettio anteckningar) kan du göra detta manuellt genom att klistra in individuella ifyllda uppmaningar i ChatGPT eller Claude en i taget. För högre volym, använd API:et (ChatGPT:s OpenAI API eller Claude:s Anthropic API) i kombination med ett kalkylbladsverktyg som Google Sheets med ett AI-tillägg, eller ett automatiseringsverktyg utan kod som Clay, Make eller Zapier. Dessa plattformar låter dig skicka varje rad i ditt kalkylblad som en uppmaning och ta emot den genererade anteckningen tillbaka till en ny kolumn automatiskt.

Steg 4: Granska, redigera och godkänn

Varje AI-genererad anteckning måste genomgå ett mänskligt granskningssteg innan den skickas. Detta är inte valfritt – mer om varför i nästa avsnitt. Markera varje anteckning som Godkänd, Behöver redigeras eller Omgenerera innan du börjar skicka.

Steg 5: Skicka med avsikt

LinkedIn har ingen funktion för massutskick av kontaktmeddelanden – varje förfrågan måste skickas individuellt. Detta är egentligen en funktion, inte en bugg: den tvingar fram ett naturligt tempo som hindrar din kontakt från att utlösa LinkedIns skräppostfilter. En rimlig daglig volym för manuell utskickning är tjugo till femtio kontaktförfrågningar per dag. Sprid ut dem över dagen istället för att skicka dem alla på en gång.

Det mänskliga granskningslagret du inte kan hoppa över

AI-genererade LinkedIn-anteckningar är ett första utkast, inte en slutprodukt. Att behandla dem som färdiga resultat är det vanligaste och mest kostsamma misstaget folk gör när de försöker anpassa LinkedIn-anteckningar i stor skala.

Vad som ska kontrolleras i varje anteckning

Noggrannhet

AI-modeller kan hallucinera eller misstolka det sammanhang du anger. Om du berättade för AI:n att någon "nyligen postade om distansteamhantering", kontrollera att hänvisningen till det inlägget i anteckningen är korrekt och specifik – inte en vag parafras som kan gälla vem som helst. En anteckning som innehåller felaktiga detaljer är värre än en generell anteckning eftersom den signalerar slarv snarare än genuint intresse.

Antal tecken

LinkedIns gräns på 300 tecken är strikt. Klistra in varje anteckning i en teckenräknare innan du skickar den. Även om du angav begränsningen i din prompt överskrids den ibland av AI. En anteckning som avkortas mitt i en mening är pinsamt och ineffektivt.

Tonpassning

Läs varje meddelande högt. Låter det som du? Passar det mottagarens troliga kommunikationsstil? Ett meddelande skrivet i ett mycket formellt register för någon som skriver avslappnade, humorfyllda LinkedIn-inlägg kommer att kännas konstigt. Justera tonen efter behov under granskningen.

Testet "Är det här läskigt?"

Det är en fin linje mellan imponerande undersökt och obekvämt övervakat. Om din anteckning refererar till något väldigt obskyrt – till exempel en kommentar de lämnade på någon annans inlägg för två år sedan – kan det kännas påträngande snarare än personligt. Håll dig till en offentligt synlig, aktuell och professionell kontext.

Grammatik och flöde

AI-utdata är oftast grammatiskt rent, men inte alltid. Läs för flyt såväl som korrekthet. Korta, slagkraftiga meningar fungerar bäst i LinkedIn-anteckningar. Allt som kräver omläsning för att förstås behöver förenklas.

Vad man ska göra och vad man inte ska göra: Misstagen som gör att AI-anteckningar känns som skräppost

Målet med att använda AI för att anpassa LinkedIn-anteckningar i stor skala är att skapa kontakt, inte att automatisera masskommunikation. Det finns flera mönster som omedelbart avslöjar en AI-genererad anteckning som oäkta – undvik dem alla.

LinkedIn-anslutningsanteckningar: Vad man ska göra kontra vad man ska undvika

Vad händer efter att de accepterat: AI-assisterad uppföljning

Kopplingsmeddelandet ger dig en chans att komma igång. Det är i uppföljningsmeddelandet som den verkliga konverteringen sker. AI kan hjälpa dig att anpassa även detta steg, med samma principer men med några viktiga skillnader.

Det första uppföljningsmeddelandet

Skicka en uppföljning inom tjugofyra till fyrtioåtta timmar efter att du accepterat meddelandet, medan du fortfarande är färsk i deras minne. Meddelandet bör vara något längre än kontaktmeddelandet – två till fyra meningar – men fortfarande avslappnat och icke-transaktionellt. Tacka dem för att de skapat kontakt, förstärk relevansen av kontakten och öppna en konversationstråd med en genuin fråga eller observation.

Uppmanar AI att skicka uppföljningsmeddelanden

Använd samma huvuduppgiftsramverk men uppdatera målet. Istället för att "förtjäna kontakten" är målet nu "öppna en genuin konversation". Ge AI:n sammanhanget för varför de accepterade (om du vet), den ursprungliga hooken från din kontaktinformation och en konversationsfråga som du verkligen vill ha svar på. Be om ett meddelande som avslutas med en enda, lättbesvarad fråga. Flera frågor sänker svarsfrekvensen – en fråga är alltid rätt nummer.

Långsiktigt tillvägagångssätt

Inte alla du får kontakt med kommer omedelbart att bli kunder, arbetsgivare, samarbetspartners eller möjligheter. De mest värdefulla kontakterna utvecklas ofta under månader genom konsekventa, värdeskapande interaktioner – att kommentera deras inlägg, dela deras arbete, svara på deras innehåll. AI kan också hjälpa dig att skriva omtänksamma kommentarer i stor skala. Behandla ditt LinkedIn-nätverk som en trädgård, inte en varuautomat.

Verktyg och integrationer som automatiserar pipelinen

Om du vill anpassa LinkedIn-anteckningar i större skala än vad manuell kopiering och klistring tillåter, kan dessa verktyg och plattformar hjälpa dig att bygga en integrerad pipeline.

Ätbar lera

Clay är en plattform för databerikning och automatisering av uppsökande verksamhet som integreras direkt med AI-API:er. Du kan hämta LinkedIn-profildata, berika den med ytterligare kontext från webben och köra AI-uppmaningar för att generera personliga anteckningar – allt inom ett enda arbetsflöde. Det är ett av de mest specialbyggda verktygen för just detta användningsfall och används flitigt av säljteam och rekryterare för AI-anpassad uppsökande verksamhet i stor skala.

Make (tidigare Integromat) och Zapier

Båda plattformarna låter dig ansluta Google Sheets (där din forskning finns) till OpenAI eller Anthropic API. Du kan bygga ett arbetsflöde där en rad i ditt kalkylblad automatiskt utlöser en prompt, genererar en anteckning och skriver tillbaka den till arket. Ingen kodning krävs för grundläggande arbetsflöden.

Phantombuster och Dux-soppa

Dessa automatiseringsverktyg på LinkedIn kan hjälpa dig att samla in profildata i stor skala, som sedan matas in i ditt arbetsflöde för AI-uppmaningar. Använd dem noggrant och inom LinkedIns användarvillkor – överdriven automatisering kan leda till kontobegränsningar.

Google Sheets med GPT- eller Claude-tillägg

Flera Google Workspace-tillägg integrerar AI direkt i Google Sheets, vilket gör att du kan skriva en promptformel i en cell och låta den generera utdata baserat på data från andra celler på samma rad. Detta är den mest tillgängliga ingångspunkten för icke-tekniska användare som vill automatisera batchgenerering utan att bygga en fullständig integration.

En anmärkning om LinkedIns användarvillkor

LinkedIn begränsar automatiserade eller massutskickade meddelanden och anslutningsförfrågningar som bryter mot dess AnvändaravtalAtt använda AI för att skriva anteckningar är inte ett brott – innehållet granskas fortfarande av människor och skickas manuellt. Att använda bottar för att automatiskt skicka anslutningsförfrågningar i hög volym strider dock mot plattformens regler och riskerar kontobegränsningar. Det säkraste tillvägagångssättet är alltid AI-assisterad skrivning i kombination med manuell sändning.

Snabbstartschecklista: Anpassa LinkedIn-kontaktanteckningar i stor skala

Använd den här checklistan för att lansera din första AI-anpassade uppsökande kampanj från grunden.

Forskning och installation

Skapa ett kalkylblad med kolumner för namn, titel, företag, personaliseringsstrategi, anledning till kontakt och ton. Identifiera minst en genuin, specifik personaliseringsstrategi för varje person. Gruppera din lista i två eller tre segment med gemensamma mål för uppsökande verksamhet.

Snabb byggnad

Skriv en huvudmall för prompten per segment med hjälp av ramverket med sex element. Inkludera 300-teckensbegränsningen, listan över förbjudna ord och tonspecifikationen. Testa varje mall med tre till fem personer innan du kör hela batchen. Granska utdata och förfina prompten tills resultaten är konsekvent starka.

Batchgenerering

Generera anteckningar i omgångar per segment. För volymer över trettio per dag, använd en AI API-integration med ditt kalkylblad. Spara alla genererade anteckningar tillbaka till kalkylbladet i en dedikerad kolumn.

Mänsklig recension

Läs varje anteckning innan du skickar den. Kontrollera noggrannheten, kontrollera teckenantalet, bedöm tonen och använd testet "är det här obehagligt?". Markera varje anteckning som godkänd, redigering behövs eller generera den på nytt.

Skicka och följa upp

Skicka tjugo till femtio förfrågningar manuellt per dag, utspritt över dagen. Följ upp inom tjugofyra till fyrtioåtta timmar efter att förfrågningarna har godkänts med ett kort, konverserande meddelande som avslutas med en enda fråga. Spåra acceptans- och svarsfrekvenser per segment för att förfina din strategi över tid.