Ìmọ̀-ẹ̀rọ kíákíá fún Títà [Ìtẹ̀lé Ìrànlọ́wọ́ Aláìní-ìmọ̀-ara Pípé]

Akoko Aago: 7 iṣẹju

Ọ̀pọ̀lọpọ̀ àwọn ẹgbẹ́ títà ọjà tí wọ́n ń lo ìmọ̀ ìjìnlẹ̀ nípa lílo ìmọ̀ ìjìnlẹ̀ nípa LinkedIn ló ń rí àwọn àbájáde tí kò dáa — wọ́n sì ń dá ẹ̀bi fún ìmọ̀ ìjìnlẹ̀ nípa lílo ...

Imọ-ẹrọ iyara ni adaṣe ti ṣe apẹrẹ awọn igbewọle ti o ṣe awọn ohun elo ti o ni igbẹkẹle ti o wulo, high-quality outputs from a language model. In a consumer context, this means knowing how to ask ChatGPT a better question.

Nínú ọ̀rọ̀ títà B2B, ó túmọ̀ sí ohun tó péye jù: ṣíṣe àgbékalẹ̀ àwọn ìlànà tó ń pinnu bí AI rẹ ṣe ń kọ àwọn ìránṣẹ́, àwọn àkíyèsí, àti àwọn àtẹ̀lé — ní ìwọ̀n, ní gbogbo ìgbà, láàárín ọgọ́rọ̀ọ̀rún àwọn oníbàárà tó yàtọ̀ síra.

Done well, a strong prompt turns an AI into a genuinely effective sales development tool. Done poorly, it produces the kind of generic, slightly-off-tone messages that make prospects cringe and hit delete. The gap between those two outcomes is almost entirely in the prompt.

Àpilẹ̀kọ yìí wà fún àwọn olórí títà ọjà, àwọn olùṣàkóso SDR, àti àwọn olùṣiṣẹ́ owó tí wọ́n fẹ́ kọ́ àwọn ìtẹ̀lé ìtajà AI tí ó ń ṣiṣẹ́ ní ti gidi — ní ti ìmọ̀ ẹ̀rọ àti ní ti ìṣòwò.

Kí ni ìmọ̀ ẹ̀rọ kíákíá túmọ̀ sí fún ìtajà títà?

Ìtọ́ni ni gbogbo àwọn ìtọ́ni tí o fún àpẹẹrẹ AI kí ó tó mú ìṣẹ̀dá jáde. Nínú ìbáṣepọ̀ oníbàárà, ìyẹn lè jẹ́ ìbéèrè kan ṣoṣo. Nínú ìṣiṣẹ́ títà tí a ṣètò, ó jẹ́ ètò tí a ṣe dáradára tí ó ń sọ fún AI:

• Ta ni ó ń kọ gẹ́gẹ́ bí — ẹni náà, ohùn ọ̀jọ̀gbọ́n, ohùn náà
• Who it is writing to — the prospect’s role, company stage, known challenges
• Ohun tí ó mọ̀ nípa ẹni tí ó fẹ́ ṣe àṣeyọrí náà — àwọn àmì, àwọn ìròyìn tuntun, àwọn àyípadà ipa, àwọn ìlànà ìfẹ́sọ́nà
• Ohun tí ìránṣẹ́ náà nílò láti ṣàṣeyọrí — ìmọ̀, ìdáhùn, àti ìdáhùn ìbéèrè
• Ohun tí kò gbọdọ̀ ṣe — sọ ọ̀rọ̀ ní kùtùkùtù jù, lo àwọn gbólóhùn pàtó, kọjá gígùn kan pàtó

Bí a bá ṣe ṣàlàyé àwọn pàrámítà wọ̀nyẹn dáadáa tó, bẹ́ẹ̀ náà ni àbájáde náà ṣe wúlò tó. Àwọn ìbéèrè aláìlágbára máa ń mú àwọn ìránṣẹ́ tí kò ṣe kedere jáde. Àwọn ìbéèrè pàtó máa ń mú àwọn ìránṣẹ́ pàtó jáde, tí ó máa ń kà bíi pé wọ́n ti ọ̀dọ̀ ènìyàn kan tí ó ṣe ìwádìí wọn ní gidi wá.

Èyí kì í ṣe ọgbọ́n ìmọ̀-ẹ̀rọ tí a yà sọ́tọ̀ fún àwọn onímọ̀-ẹ̀rọ. Ó jẹ́ ọgbọ́n ìkọ̀wé àti ọgbọ́n ìmọ̀-ẹ̀rọ — àti àwọn onímọ̀-ẹ̀rọ tí wọ́n ń ṣe é ní àǹfààní ìṣètò ju àwọn ẹgbẹ́ tí wọ́n ṣì ń wo AI gẹ́gẹ́ bí ojútùú ìtẹ̀ kan ṣoṣo lọ.

Anatomi ti ibeere tita to ga julọ

Ìbéèrè títà tí a kọ́ dáadáa ní àwọn apá márùn-ún. Olúkúlùkù wọn ń ṣe iṣẹ́ pàtó kan, tí fífi èyíkéyìí nínú wọn sílẹ̀ kò bá sì ní jẹ́ kí iṣẹ́ náà dára.

1. Iṣẹ́ àyànfúnni

Sọ fún AI ẹni tí ó jẹ́. Kì í ṣe ní gbogbogbòò — ní pàtó. “O jẹ́ olórí àkọọ́lẹ̀ àgbà ní ilé-iṣẹ́ B2B SaaS” fún àpẹẹrẹ náà ní àyíká ọ̀rọ̀ tó dára jù láti mú jáde ju “kọ ìránṣẹ́ LinkedIn kan.” Iṣẹ́ tí a yàn fún iṣẹ́ náà ni ó ń ṣètò àkọsílẹ̀ iṣẹ́, ìpìlẹ̀ ìmọ̀ tí a gbà, àti ìbáṣepọ̀ tí ó fara sin tí òǹkọ̀wé ní ​​pẹ̀lú òǹkàwé.

apere: “Olórí àkọọ́lẹ̀ àgbà ni ọ́, tó ń ṣe àmọ̀ràn nípa ìtajà LinkedIn fún àwọn ẹgbẹ́ títà B2B. O máa ń kọ àwọn ìránṣẹ́ ṣókí, tó ń ṣí ìjíròrò sílẹ̀ dípò kí o máa sọ̀rọ̀ nípa àwọn ọjà tó ń jáde. Ohùn rẹ jẹ́ ti ọ̀jọ̀gbọ́n ṣùgbọ́n ó jẹ́ ti ìjíròrò — ó ní ìgboyà láìsí ìkìlọ̀.”

2. Àlàyé nípa ohun tí a lè retí

Eyi ni ibi ti LinkedIn awujo awọn ifihan agbara Fún wọn ní ìtọ́sọ́nà tààrà. Gbogbo ohun tí o mọ̀ nípa ẹni tí ó fẹ́ ṣe iṣẹ́ náà — ipa wọn, àwọn ìròyìn wọn láìpẹ́ yìí, àwọn ìpèníjà tí wọ́n ti sọ, àti àwọn ohun tí wọ́n ń fi ṣe — ló wà níbí. Bí àyíká ọ̀rọ̀ yìí ṣe níye sí i, bẹ́ẹ̀ náà ni àbájáde náà ṣe báramu tó.

apere: “Olùfẹ́ náà jẹ́ ààrẹ fún Títà ní ilé-iṣẹ́ Series B SaaS kan pẹ̀lú àwọn òṣìṣẹ́ tó tó 80. Wọ́n kọ ìròyìn ní ọjọ́ mẹ́ta sẹ́yìn nípa ìṣòro tí ó wà nínú mímú dídára ìtajà náà dúró bí ẹgbẹ́ SDR wọn ṣe ń pọ̀ sí i. Wọ́n ti ń bá àwọn ohun èlò títà AI ṣiṣẹ́ fún ọ̀sẹ̀ méjì sẹ́yìn.”

3. Àfojúsùn àti ìpele

Gbogbo ìránṣẹ́ tó wà nínú ìtẹ̀léra kan ní iṣẹ́ pàtó kan. Àkọsílẹ̀ ìbéèrè ìsopọ̀ ní ète tó yàtọ̀ sí ti DM àkọ́kọ́ lẹ́yìn ìtẹ̀léra, èyí tó yàtọ̀ sí ti ìtẹ̀léra. Sọ ohun tí ìránṣẹ́ pàtàkì yìí nílò láti ṣe — àti ohun tí kò nílò láti ṣe ní kedere.

apere: “Kọ ifiranṣẹ akọkọ lati firanṣẹ lẹhin ti a ba ti gba ibeere asopọ naa. Ero naa ni lati bẹrẹ ibaraẹnisọrọ, kii ṣe lati sọ ọja naa. Pari pẹlu ibeere kan pato kan ti o ni ibatan si ipenija ti wọn gbe dide ninu ifiweranṣẹ wọn. Maṣe mẹnuba orukọ ọja naa tabi beere fun ipade kan.”

4. Awọn idinamọ ati awọn aabo

Èyí ni ohun tí ọ̀pọ̀ ẹgbẹ́ máa ń gbàgbé — àti èyí tí ó máa ń dènà ìṣẹ̀dá gbogbogbòò ní tààrà. Àwọn ìdíwọ́ máa ń sọ ohun tí AI gbọ́dọ̀ yẹra fún: àwọn gbólóhùn pàtó, àwọn ìlànà ìṣètò, àwọn ààlà gígùn, àti àwọn kókó ọ̀rọ̀ tí kò ṣeé gbà ní ìpele yìí nínú ìtẹ̀léra náà.

apere: “Jẹ́ kí ìránṣẹ́ náà wà lábẹ́ ọ̀rọ̀ 80. Má ṣe ṣí i pẹ̀lú ‘Mo rí ìwífún rẹ.’ Má ṣe lo gbólóhùn náà ‘Mo fẹ́ láti sopọ̀ mọ́ra.’ Má ṣe tọ́ka sí àwọn ànímọ́ tàbí ìdíyelé Konnector. Yẹra fún àmì ìpè. Kọ ní ẹni kejì.”

5. Ìlànà ìṣètò

Sọ fún àpẹẹrẹ náà ohun tí ó yẹ kí o ṣe gan-an — kìí ṣe ohun tí o fẹ́ kọ nípa rẹ̀ nìkan. Ìránṣẹ́ kan ṣoṣo tàbí ọ̀pọ̀ àṣàyàn? Pẹ̀lú tàbí láìsí ìlà kókó ọ̀rọ̀ kan? Kí ni ìlà ìbẹ̀rẹ̀ yẹ kí ó ṣe? Ṣíṣe àpèjúwe ìrísí ní ìpele ìbéèrè ń mú kí àkókò àtúnṣe pàtàkì wà ní ìsàlẹ̀.

apere: “Ṣe àwọn àtúnṣe mẹ́ta míràn fún ìránṣẹ́ yìí. Olúkúlùkù gbọ́dọ̀ ṣí ní ọ̀nà ọ̀tọ̀ọ̀tọ̀. Fi àmì sí wọn ní Àṣàyàn A, B, àti C. Kò sí ìbéèrè kankan tí a nílò.”

Building a full AI outreach sequence: message by message

Ìtẹ̀lé ìtajà LinkedIn sábà máa ń ní àwọn ibi ìfọwọ́sowọ́pọ̀ mẹ́rin sí mẹ́fà. Ọ̀kọ̀ọ̀kan nílò ìbéèrè tó yàtọ̀ síra pẹ̀lú ète tó yàtọ̀ síra. Èyí ni bí a ṣe lè ronú nípa ìpele kọ̀ọ̀kan.

Ipele ìtẹ̀léra	ohun	Àfiyèsí kíákíá	Àfojúsùn gígùn
Àkíyèsí ìbéèrè fún ìsopọ̀	Gba itẹwọgba naa	Ìtọ́kasí pàtó sí àmì tàbí ìfìwéránṣẹ́ tí a pín. Kò sí ìró ohùn.	Labẹ awọn ohun kikọ 300
DM àkọ́kọ́ (lẹ́yìn ìgbà tí a gbà á)	Ṣí ìjíròrò kan	Tọ́ka sí àmì náà. Ìbéèrè kan. Kò sí ìsọ̀rọ̀ nípa ọjà náà.	Awọn ọrọ 50 si awọn ọrọ 80
Atẹle 1 (ko si esi)	Tun-ṣe alabapin, ṣafikun iye	Pin nkan ti o yẹ. Ko si titẹ. O rọrun lati dahun si.	Awọn ọrọ 40 si awọn ọrọ 60
Atẹle 2 (ko si esi)	Soft close or pivot	Gba ìdákẹ́jẹ́ẹ́ láìsí ẹ̀bi. Ẹ béèrè ní kedere.	Awọn ọrọ 30 si awọn ọrọ 50
Re-engagement (new signal)	Tun ibaraenisepo naa bẹrẹ lori ipo tuntun	Tọ́ka sí àmì tuntun náà. Igun tuntun. Kò sí ìtọ́ka sí ìdákẹ́jẹ́ẹ́ tẹ́lẹ̀.	Awọn ọrọ 50 si awọn ọrọ 70

Ìpè ìpele kọ̀ọ̀kan jogún iṣẹ́ àti ohùn láti inú ìpè ìpìlẹ̀ rẹ — o kọ èyí lẹ́ẹ̀kan. Ohun tí ó ń yí ìpele padà sí ìpele ni ohun tí a fẹ́ ṣe, àwọn ìdíwọ́, àti àyíká ipò tí àwọn àmì tuntun bá ti farahàn láti ìgbà tí a ti fọwọ́ kan ibi tí a ti sọ̀rọ̀ kẹ́yìn.

Iṣoro abẹrẹ oniyipada - ati bi o ṣe le yanju rẹ

Ọ̀kan lára ​​àwọn ọ̀nà ìkùnà tó wọ́pọ̀ jùlọ nínú ìfiranṣẹ́ ìrànlọ́wọ́ fún AI ni ìgbẹ́kẹ̀lé ju lórí ìfàgùn oníyípadà lọ. Àwọn ẹgbẹ́ máa ń kọ́ ìbéèrè pẹ̀lú àwọn placeholders — [PROSPECT_NAME], [COMPANY], [RECENT_POST] — wọ́n sì máa ń rò pé kíkún àwọn pápá wọ̀nyẹn máa ń mú kí ènìyàn ṣe ara ẹni. Kò rí bẹ́ẹ̀. Ó máa ń mú AI tó dọ́gba pẹ̀lú ìdàpọ̀ lẹ́tà jáde.

Ṣíṣe ara ẹni ní ìpele ìbéèrè túmọ̀ sí kíkọ àyíká àmì náà ní èdè àdánidá, kìí ṣe fífi sínú àmì ìdámọ̀. Fi àwọn ọ̀nà méjì wọ̀nyí wéra:

Ọ̀nà abẹ́rẹ́ oníyípadà: “Olùfẹ́ náà ṣẹ̀ṣẹ̀ gbé ìròyìn nípa [ÀKÓKÒ]. Tọ́ka sí èyí nínú ìránṣẹ́ náà.”

Contextual prompt approach: “Olùfẹ́ náà gbé ìròyìn ní ọjọ́ mẹ́rin sẹ́yìn nípa ìpèníjà mímú kí dídára ìránṣẹ́ SDR dúró bí ẹgbẹ́ náà ṣe ń gùn ju àwọn aṣojú mẹ́wàá lọ. Wọ́n ṣàpèjúwe rẹ̀ gẹ́gẹ́ bí ‘ìṣòro ìdúróṣinṣin, kì í ṣe ìṣòro ìṣírò.’ Ohùn wọn nínú ìròyìn náà jẹ́ onímọ̀ nípa ìwádìí àti ìjákulẹ̀ díẹ̀. Tọ́ka sí àwòrán yìí — pàápàá jùlọ ìyàtọ̀ tí wọ́n yà láàárín ìdúróṣinṣin àti ìṣírò.”

The second prompt produces a message that reads like it was written by someone who read and understood the post. The first produces a message that references the post without engaging with it. That difference is what the recipient feels when they read it — and it is entirely a prompt engineering decision.

Pẹpẹ Konnector n ṣakoso abẹrẹ yii laifọwọṣe, o n fa laaye LinkedIn awujo awọn ifihan agbara láti inú iṣẹ́ olùfẹ́ rẹ àti ṣíṣe àkójọpọ̀ wọn sí àyíká tí ó yẹ kí ó wà kí AI máa ṣiṣẹ́ láti inú ìròyìn gidi, pàtó, lọ́wọ́lọ́wọ́ dípò àwọn ohun tí ó wà ní ipò gbogbogbòò.

Ìṣàtúnṣe ohùn: oníyípadà tí ọ̀pọ̀ àwọn ẹgbẹ́ máa ń ṣe àṣìṣe

Ìró ohùn kì í ṣe ìtọ́ni tí kò ṣe kedere. “Ohùn tó dára” máa ń mú ìró ohùn jáde lápapọ̀. Ìtọ́ni ohùn tó péye máa ń mú ìró ohùn jáde láìsí ìyàtọ̀ láàárín àwọn ìránṣẹ́ tí ènìyàn kọ.

Ìṣàtúnṣe ohùn tó munadoko nínú ìbéèrè kan ní nínú:

• Ìtọ́sọ́nà gígùn gbólóhùn: “Lo awọn gbolohun kukuru. Yi gigun pada lati yẹra fun ilana ti o jọra. Yẹra fun awọn gbolohun ọrọ ti a so pọ mọ awọn ami-akoonu.”
• Ipele ọrọ-ọrọ: “Lo èdè lásán. Yẹra fún ọ̀rọ̀ àsọyé àyàfi tí ẹni tí ó fẹ́ lò ó bá kọ́kọ́ lò ó. Kò gbọdọ̀ sọ ọ̀rọ̀ àsọyé.”
• Àkọsílẹ̀ ìgbẹ́kẹ̀lé: “Tótòótò àti ìgbẹ́kẹ̀lé, kìí ṣe ìgbìyànjú. Yẹra fún àwọn gbólóhùn bíi ‘Mo rò pé o lè nífẹ̀ẹ́ sí’ tàbí ‘mo kàn fẹ́ bá ọ sọ̀rọ̀.’”
• Awọn gbolohun eewọ: Àkójọ àwọn gbólóhùn pàtó kan tí orúkọ rẹ tàbí ìwà rẹ kò lò. Bí àkójọ yìí bá ṣe ṣe pàtó tó, bẹ́ẹ̀ náà ni àbájáde náà ṣe máa ń báramu tó.

Ọ̀nà kan tó wúlò: mú àwọn ìránṣẹ́ mẹ́ta tí o kọ pẹ̀lú ọwọ́ tí ó dára jùlọ kí o sì ṣiṣẹ́ wọn nípasẹ̀ ìlànà ìṣàyẹ̀wò tí ó ń fa àwọn ìlànà ohùn jáde. Lo àbájáde ìṣàyẹ̀wò náà gẹ́gẹ́ bí ìlànà ohùn nínú àwọn ìlànà ìtajà rẹ. O ń ṣe àtúnṣe ohun tí ó ń ṣiṣẹ́, o sì ń ṣàkọsílẹ̀ rẹ̀ gẹ́gẹ́ bí ìtọ́ni tí a lè tún lò.

Àtúnyẹ̀wò ènìyàn kì í ṣe àṣàyàn — ó jẹ́ ìlànà ilé

Gbogbo ètò tó wà nínú àpilẹ̀kọ yìí máa ń gbà pé ohun kan wà: ènìyàn máa ń ka ìránṣẹ́ kọ̀ọ̀kan kí ó tó fi ránṣẹ́, ó sì máa ń fọwọ́ sí i. Èyí kì í ṣe ìlànà ààbò tó wà lórí ètò tó yàtọ̀ sí ti ara rẹ̀. Ìlànà ìṣètò ló ń jẹ́ kí gbogbo ọ̀nà náà ṣiṣẹ́.

Àní ìtọ́sọ́nà tí a ṣe dáadáa pàápàá máa ń mú ìjáde tó yàtọ̀ jáde. Àwọn ìránṣẹ́ kan máa ń sún mọ́ ara wọn ṣùgbọ́n wọn kì í tọ́ rárá. Àwọn kan máa ń pàdánù ìtumọ̀ kan tí ó máa hàn nígbà tí o bá kà wọ́n ní ìbámu pẹ̀lú ìmọ̀ nípa ẹni tí a fẹ́ kí ó jẹ́. Àwọn kan yóò tọ́ gan-an, wọn kò sì nílò àtúnṣe rárá. Ìgbésẹ̀ àtúnyẹ̀wò ènìyàn máa ń mú gbogbo mẹ́ta náà wá — àti bí àkókò ti ń lọ, àwọn ìlànà inú ohun tí o ń ṣàtúnṣe máa ń padà sí àwọn ìbéèrè tó dára jù.

Àwòṣe tí a kọ́ sí Konnector yìí ni a ṣe. Ìgbékalẹ̀ tí ó dá lórí èrò-inú at scale, with AI handling signal detection, context structuring, and first-draft generation — and a human approval queue ensuring nothing sends until it has been read and cleared. The AI raises the quality floor across every message. The human review raises the ceiling.

Ohun tó tún ń jẹ́ kí àkọọ́lẹ̀ LinkedIn rẹ wà ní ààbò ni. Ìfilọ́lẹ̀ aládàáni ní gbogbo ìgbà — kódà láti inú àwọn ìbéèrè tí a ṣe dáadáa — ń mú kí àwọn ìlànà ìṣiṣẹ́ tí àwọn ètò LinkedIn ń ṣe dáadáá ní wíwá nǹkan. Ènìyàn tí ó wà ní gbogbo ìgbà kì í ṣe àṣà rere fún dídára nìkan. Ó jẹ́ ìlànà tó ń mú kí àkọọ́lẹ̀ rẹ wà ní ipò tó dára nígbà tí ọ̀nà rẹ bá ń dàgbàsókè.

Ṣetán láti kọ́ àwọn ìtẹ̀lé tí ó ń yí padà?

Ìmọ̀ ẹ̀rọ ìṣiṣẹ́ kíákíá fún títà jẹ́ ọgbọ́n kan, àti gẹ́gẹ́ bí èyíkéyìí ọgbọ́n tí ó ń so pọ̀ mọ́ ìdánrawò. Àwọn ẹgbẹ́ tí wọ́n náwó lé e lórí nísinsìnyí — kíkọ́ àwọn ètò ìṣíṣẹ́ tí ó péye, tí ó ní ìmọ̀ nípa àmì, tí a sì ṣe àtúnṣe sí ohùn — ni àwọn tí ìfiranṣẹ́ AI wọn yóò ṣì máa ṣiṣẹ́ nígbà tí a bá ti yọ gbogbo àwọn ẹlòmíràn kúrò.

Konnector provides the signal layer, the AI drafting infrastructure, and the human approval workflow that makes this approach practical at scale. If you want to see how it applies to your team’s ICP and outreach motion, iwe kan demo. Tabi forukọsilẹ and start building your first signal-informed sequence today.

Siwaju kika

• Lílóye Àwọn Àmì Ìbánisọ̀rọ̀ ti LinkedIn pẹ̀lú Konnector
• Ìlànà Ìtajà LinkedIn fún B2B: Ohun tí ó ń ṣiṣẹ́ ní ọdún 2026
• Bii o ṣe le mu awọn oṣuwọn idahun LinkedIn rẹ dara si
• Ìranṣẹ́ Aṣáájú LinkedIn: Ọ̀nà Ìbánisọ̀rọ̀
• Àwọn ìkọlù ìran tó ń ṣiṣẹ́ lórí LinkedIn