Zo gebruik je AI voor sales prospecting en haal je het ToFU-werk van je sales reps af

De trend rond AI voor sales prospecting die we op LinkedIn en Twitter (of X, zo je wilt) voorbij zien komen, vinden we vreemd om te volgen. We moeten er wel bij zeggen dat een deel van ons werk bij Nebor bestaat uit gesprekken met revenue teams en het repareren van hun workflows.

Het gekke is dat het om scherpe bedrijven gaat, met slimme mensen die alles hebben gedaan wat de artikelen over AI-prospecting ze vertelden. Ze kochten de AI-tools, automatiseerden een paar stappen en wachtten op de meetings, die vervolgens nooit kwamen.

Wat die artikelen weglaten, is dat AI een kapotte prospecting-aanpak niet repareert. AI maakt die aanpak sneller, en daarmee schaalt het de zwakke targeting en de vlakke berichten net zo hard mee als al het andere.

Als je een onvermoeibare machine op de verkeerde mensen richt, bereik je die verkeerde mensen alleen maar sneller dan een mens ooit zou kunnen.

De vraag die er dus toe doet, is welke taken in je prospecting je aan AI kunt overlaten en hoe je die taken aan elkaar koppelt tot iets dat zelfstandig werkt. Dat is een ander gesprek dan het gesprek dat de meeste toolleveranciers met je willen voeren.

We kijken hier in de eerste plaats als verkopers naar. We hebben jarenlang onze eigen outbound gedaan, miljoenen e-mails verstuurd en het geestdodende top-of-funnel-onderzoek met de hand gedaan, lang voordat we er ook maar één stap van automatiseerden.

Daarna hebben we jarenlang deze systemen voor andere bedrijven gebouwd, en daarbij hebben we precies geleerd waar de machine zijn geld waard is en waar hij op zijn gezicht gaat. Dit artikel is de kaart die we daaruit hebben getekend.

We lopen door wat AI in prospecting wel doet, wat het nog steeds niet kan, welke workflows de top van de funnel draaiende houden, en hoe je hetzelfde zelf bouwt als je dat liever doet.

Laten we bij het begin beginnen en het stap voor stap doorlopen.

TL;DR

✎ Hier staat de hele engine op één pagina, voordat we hem fase voor fase doorlopen: één hub, een keten van AI-agents die elk één taak doen, en een rep die pas instapt als er een echte reactie binnenkomt.

Vraag de meeste mensen hoe je AI voor sales prospecting gebruikt, en het antwoord gaat altijd over welke tools je moet kopen. Kies de beste voor elke taak, koppel ze aan elkaar en wacht tot de meetings binnenstromen, wat in de praktijk zelden gebeurt.

Wij denken dat dat andersom is. De winst zit in het koppelen van AI-agents rond één hub, zodat het onderzoek, het kwalificeren en de eerste outreach vanzelf gebeuren en je reps pas instappen als er een echte reactie binnenkomt. Dat is het verschil tussen een stapel logins huren en een prospecting-engine bezitten die je zelf in de hand hebt.

Waarom de meeste AI-prospecting al mislukt voordat er ook maar één e-mail de deur uit is

De meeste teams schroeven AI op een prospecting-aanpak die al kapot was. De AI werkt sneller, dus de kapotte onderdelen gaan ook sneller stuk. Voordat we laten zien wat wel werkt, lopen we door waar het misgaat, omdat die fouten de oplossing verklaren.

Nog een AI-tool kopen lost geen salesstrategie op die je zelf nog niet helder hebt

De gebruikelijke eerste stap is iets kopen. Een AI-e-mailschrijver, een leaddatabase met een AI-zoekbalk, of een intent-provider die belooft de accounts te noemen die dit kwartaal klaar zijn om te kopen.

Geen van die tools bepaalt wie je moet bellen. Is je ICP vaag, dan helpt AI je om sneller de verkeerde mensen te bereiken. Komt je boodschap niet aan, dan stuurt AI die vlakke boodschap naar tienduizend inboxen in plaats van naar tien.

We zien bedrijven bij ons aankloppen na zes maanden en tienduizenden dollars aan tools, en ze zijn er dan slechter aan toe dan toen ze begonnen.

Ze hebben hun domeinen verbrand, hun reps begraven onder slechte leads en hun pipeline gevuld met meetings die nergens toe leiden. Die problemen bestonden al, en AI heeft ze alleen op een veel grotere schaal laten gebeuren.

Een perfect gepersonaliseerde e-mail wordt nog steeds genegeerd als iemand geen reden heeft om te kopen

De belofte van AI-personalisatie klinkt goed. Richt een model op iemands LinkedIn, website en recent nieuws, en het schrijft een e-mail die leest alsof er twintig minuten onderzoek in zit. AI doet dat nu goed, maar het valt nog steeds plat als die persoon geen reden heeft om te kopen.

"Hoi Sarah, ik zag dat jullie team net een kantoor in Austin heeft geopend, gefeliciteerd. Ik zag ook dat jullie drie engineers zoeken. Daarom zou je onze HR-software moeten kopen…"

Dat leest persoonlijk, en AI schrijft het in een seconde. Het is ook nutteloos als het bedrijf van Sarah al HR-software gebruikt waar ze tevreden over zijn.

Relevantie betekent dat je de juiste persoon bereikt op het moment dat er voor die persoon iets verandert. Dat is een andere taak dan een warmere openingszin schrijven, en het is precies waar AI goed in is als je het op het juiste signaal richt.

Meer e-mail versturen leverde vroeger meer meetings op, nu beland je er vooral mee in spam

Volume werkte vroeger gewoon, want hoe meer je verstuurde, hoe meer meetings je boekte, en een tijdlang klopte die simpele rekensom ook.

Dat hield op omdat deliverability niet meer lineair werkte. De gemiddelde deliverability van cold email is gedaald van zo'n 45% in 2022 naar ongeveer 18% in 2026, na de nieuwe regels voor bulkverzenders bij Google, Yahoo en Microsoft.

Google vraagt bulkverzenders nu om hun spamklachten onder de 0,3% te houden, en één mailbox kan na de warmup veilig maar 40 tot 50 e-mails per dag versturen. De tijd dat je er 500 per dag kon versturen, ligt ver achter ons.

De knop verder opendraaien levert je dus vooral meer zwakke meetings en een beschadigde afzenderreputatie op. De teams die nu winnen met outbound zijn ook zeker niet de teams die de meeste e-mail versturen.

Zij bereiken de juiste mensen binnen het uur nadat er iets verandert, en daarvoor heb je een andere engine nodig dan een langere verzendlijst en nog meer verbrande domeinen.

Behandel AI als een medewerker aan wie je een taak overdraagt en die je later controleert

Deze verschuiving is wat teams die echte resultaten halen uit AI-prospecting onderscheidt van teams die er alleen geld aan verbranden.

Een tool bedien je zelf, terwijl je een agent een taak geeft en later nakijkt wat hij heeft gedaan. Bijna iedereen koopt op dit moment nog steeds tools.

Wij hebben dat top-of-funnel-werk zelf met de hand gedaan, en daardoor weten we wat een agent van het bord van een rep kan halen en wat niet.

Als we zeggen dat AI deze taken goed doet, hebben we dus zowel de menselijke als de machineversie van dichtbij gezien, en weten we welke stappen nog een mens nodig hebben.

Haal de hype weg en je ziet dat AI nu in bijna elke fase van prospecting echt werk doet. Het bouwt de doellijst, vindt en verifieert contactgegevens, onderzoekt elk account, let op koopsignalen, scoort de accounts die passen en schrijft het eerste bericht.

Daarna geeft het elk resultaat door aan de volgende stap, zonder dat er een mens tussen zit. Geen enkele tool doet dat allemaal perfect, en dat is het deel dat de meeste mensen missen.

De aanpak is steeds dezelfde. Je neemt één taak die een SDR vroeger met de hand deed, geeft die aan een AI-agent en voert de uitkomst door naar de volgende agent.

Onderzoek voedt zo de kwalificatie, kwalificatie voedt de scoring, en de scoring bepaalt wie een persoonlijke e-mail krijgt en wie wordt overgeslagen. Een keten van kleine AI-taken wordt zo een workflow die blijft draaien terwijl het team met iets anders bezig is.

Voordat je die taken aan elkaar kunt koppelen, moet je ze helder voor je zien. Hieronder staat wat AI in elke fase van prospecting doet, en welke AI-tools elke fase afhandelen.

Wat AI in elke fase van sales prospecting voor je kan doen

Prospecting bestaat uit een keten van taken, van bedrijven vinden tot een reactie binnenhalen, en AI doet nu in bijna elke schakel echt werk.

Hier is het werk opgedeeld in fases, met wat AI in elke fase doet en welke tools dat regelen.

We willen dat je dit leest als een kaart van wat je kunt overdragen. Het volgende deel legt uit waarom het een verkeerde zet is om van elke categorie één tool te kopen.

Laat AI eerst een lijst bouwen met de juiste bedrijven in plaats van alle bedrijven

De eerste taak in prospecting is bepalen wie het überhaupt waard is om te benaderen. De meeste teams raffelen dat af en doen één zoekopdracht in Apollo of ZoomInfo, exporteren een paar duizend bedrijven die er vaag op lijken en beginnen te mailen, en zo eindig je met een enorme lijst en een piepkleine reply rate.

AI doet dit beter als je het een echt ICP geeft in plaats van een losse filter. Je beschrijft het bedrijf dat je zoekt tot in detail, bijvoorbeeld een B2B SaaS-bedrijf met 50 tot 200 mensen dat HubSpot gebruikt, in de afgelopen 18 maanden geld heeft opgehaald en salesfuncties aan het werven is, en het systeem bevraagt meerdere bronnen tegelijk om die lijst samen te stellen.

Het haalt de firmografische gegevens op, legt de tech stack en recente gebeurtenissen erover heen en haalt dubbelingen en duidelijke missers eruit voordat een mens er ook maar naar kijkt.

Het kan ook terugwerken vanuit je beste klanten. Geef het twintig accounts die je al hebt gesloten en het vindt de lookalikes, de bedrijven met dezelfde kenmerken als je gewonnen deals.

Voor lookalike-doelgroepen gebruiken wij het liefst platforms als Discolike en Ocean. Apollo en ZoomInfo geven je de brede databases, LinkedIn Sales Navigator is het sterkst als je op mensen zoekt, en Clay is de plek waar je meerdere bronnen combineert tot één schone lijst.

Niets hiervan redt je van een zwak ICP. De tool bouwt met plezier duizend rijen met de verkeerde bedrijven, en daarom bepaalt de total addressable market die je vooraf in kaart brengt bijna alles wat daarna komt.

Laat waterfall enrichment de geverifieerde e-mailadressen vinden die één database altijd mist

Een lijst met bedrijven zegt niets zolang je niet de juiste persoon hebt en een geverifieerde manier om die persoon te bereiken.

In deze fase gaan de meeste stacks met één tool onderuit. Geen enkele database heeft volledige of nauwkeurige dekking, dus elke provider loopt bij een groot deel van je lijst vast, en buiten de VS worden de gaten nog groter.

Waterfall enrichment lost dat op door providers achter elkaar te zetten. Het systeem vraagt de eerste provider (de eerste tool in de rij) om het zakelijke e-mailadres van een contact, en als dat leeg of onzeker terugkomt, vraagt het de tweede, dan de derde, en zo verder tot er één een geverifieerd resultaat geeft.

Je betaalt alleen voor de zoekopdrachten die iets opleveren, en de zwakke gokken worden onderweg weggefilterd.

Het verschil zie je terug in de cijfers. Eén provider dekt vaak maar 50 tot 60% van een lijst, terwijl een goed gebouwde waterfall op 80 tot 90% uitkomt. Dat is het verschil tussen de helft van je markt bereiken en bijna de hele markt.

De verificatiestap kun je niet overslaan. Versturen naar ongeverifieerde adressen drijft je bounce rate op, en zodra je bounces boven een paar procent komen, gaan de inboxproviders je domein markeren.

Clay regelt de waterfall over meer dan 150 bronnen, Cognism is sterk in Europese data en directe nummers, en LeadsFactory.io, FullEnrich en Findymail richten zich op het vinden en verifiëren van contacten, zodat je een specifieke beslisser kunt bereiken zonder bounces.

Geef het accountonderzoek aan een AI-agent die het web leest zoals je beste SDR

Hier verandert AI prospecting het meest. Een sterke SDR besteedt tien tot vijftien minuten aan elk account, leest de website, het recente nieuws en een paar LinkedIn-profielen om de fit te beoordelen en een reden te vinden om contact op te nemen.

Doe dat voor tweeduizend accounts en je bent weken kwijt voordat er ook maar één e-mail de deur uit gaat.

AI-onderzoeksagents doen hetzelfde leeswerk in seconden, voor duizenden accounts tegelijk. Het belangrijkste is hoe ze verschillen van een database.

Een database geeft een vast veld terug dat eerder is opgeslagen, terwijl een onderzoeksagent zelf gaat browsen, de live pagina opent, leest wat hij vindt en over die rommelige, ongestructureerde inhoud nadenkt zoals een mens dat zou doen.

Je schrijft de vragen één keer op, in gewone taal, en de agent beantwoordt ze voor elk bedrijf op de lijst.

Denk aan vragen als of het bedrijf aan bedrijven of aan consumenten verkoopt, of het al een outbound-aanpak heeft, wat hun product in één zin doet en of ze het afgelopen kwartaal iets nieuws hebben uitgebracht.

Elk antwoord komt in een eigen kolom terecht, klaar om op te scoren en te personaliseren.

Claygent in Clay is precies hiervoor gebouwd en doet dit op schaal op live pagina's die geen enkele database heeft geïndexeerd. ChatGPT, Claude en Perplexity zijn geschikt voor lichter onderzoek dat je eenmalig doet, en met Claude Code bouw je een eigen scraper voor die ene site of bron die geen enkele tool dekt.

Deze hele fase is zo goed als de vragen die je schrijft, en dat is een van de redenen waarom de meeste Clay-setups mislukken voordat ze goed en wel zijn begonnen.

Laat AI letten op de koopsignalen die aangeven dat iemand er misschien klaar voor is

Relevantie draait vooral om timing, en timing komt uit signalen. Het probleem is dat veel van wat als "intent data" wordt verkocht zachter is dan het klinkt.

Tools als 6sense en Bombora leiden interesse af uit anoniem contentgebruik, en dat betekent vaak dat één persoon bij het bedrijf één artikel heeft gelezen, misschien een student of een concurrent.

De signalen die een aankoop echt voorspellen, zijn concrete gebeurtenissen die je kunt aanwijzen.

• Een financieringsronde betekent nieuw budget en druk om te groeien.

• Een golf van vacatures voor één functie betekent dat dat team op het punt staat een probleem te voelen dat het waard is om op te lossen.

• Een nieuwe VP wil een stempel drukken, de adoptie van een nieuwe tool laat zien waar ze op bouwen, en een bezoek aan je prijspagina is ongeveer het warmste signaal dat er bestaat.

AI maakt van die gebeurtenissen bereik door de bronnen dag en nacht in de gaten te houden. Het volgt nieuws- en fundingfeeds, vacaturesites, LinkedIn-activiteit en je eigen websiteverkeer, en markeert het moment waarop er iets gebeurt, zodat je binnen het uur kunt handelen in plaats van binnen de maand.

Snelheid is hier het hele voordeel, omdat het eerste relevante bericht dat binnenkomt meestal de reactie krijgt.

Je koppelt elk signaal aan degene die er iets aan heeft. Clay-signalen vangen functiewisselingen en bedrijfsnieuws op, RB2B en Leadinfo zetten een naam op je websitebezoekers, en Common Room, PhantomBuster en Apify kunnen community- en LinkedIn-activiteit volgen, op dezelfde manier als een RSS-monitor een persbericht oppikt binnen het uur dat het online komt. Zie een signaal als een reden om te gaan kijken en kwalificeer het account voordat je contact opneemt.

Laat AI de leads scoren en rangschikken, zodat je reps alleen werken aan de leads die het waard zijn

Zodra je onderzoek en signalen hebt, draait kwalificeren om het combineren daarvan tot één beslissing. AI scoort elke lead op twee dingen, hoe goed hij bij je ICP past en of de timing klopt, en rangschikt de lijst zodat reps eerst aan de beste accounts werken in plaats van alfabetisch de lijst af te lopen.

Je kunt op twee manieren scoren, en het is goed om ze uit elkaar te houden. Scoring op basis van regels past de logica toe die jij schrijft, zoals punten toekennen voor een B2B-model, het juiste aantal medewerkers en een vers fundingsignaal.

Scoring op basis van een model, wat 6sense en MadKudu doen, leert het patroon van je gewonnen deals en voorspelt welke nieuwe accounts op eerdere winnaars lijken.

De uitkomst is een gesorteerde lijst met tiers waar je mee aan de slag kunt. Een bedrijf met een hoge fit en een vers signaal wordt Tier 1 en gaat direct naar een rep of een sequence met voorrang, terwijl een zwakke match afvalt voordat het iemand ook maar een minuut kost.

Clay AI en HubSpot regelen scoring op basis van regels binnen de workflow, 6sense en MadKudu leveren de voorspellende modellen, en de AI-agentnode in n8n kan over een lead nadenken en hem doorsturen, een van de automatiseringsworkflows die het meeste handwerk bij reps weghalen.

Laat AI de outreach schrijven op basis van echt onderzoek in plaats van een nepcompliment

Nu betaalt het onderzoek zich uit. AI schrijft het eerste bericht op basis van wat de eerdere fases hebben verzameld, zodat de e-mail opent met een echte reden om contact op te nemen, zoals de financieringsronde, de nieuwe medewerker of wat hun product precies doet, in plaats van met een hol compliment.

De kwaliteit van het concept hangt af van de context die je meegeeft, dus rijk onderzoek levert een scherp bericht op en mager onderzoek levert pap op.

Er zit hier een harde grens die teams steeds opnieuw ontdekken. Volledig geautomatiseerde tekst leest als geautomatiseerd, en die krijgt minder reacties dan een concept dat een mens heeft aangepast voordat het de deur uit ging. Mensen voelen het als er geen mens aan een bericht heeft gezeten, en dan verwijderen ze het.

De regel is dus eenvoudig: laat AI de eerste versie schrijven en laat een mens de laatste check doen, zeker bij je accounts met de beste fit. ChatGPT en Claude schrijven goede concepten vanuit een strakke prompt en goede context, terwijl copilots als Lavender en Regie in de inbox zitten en een zin scoren of herschrijven terwijl de rep aan het werk is.

Versturen, sequencen en opvolgen op schaal zonder je verzenddomein te verbranden

De laatste fase is het versturen, en dat is de fase die teams het meest onderschatten. Een perfect bericht mislukt alsnog als het in spam belandt, dus deze fase is voor de helft automatisering en voor de helft deliverability-hygiëne.

Verzendplatforms regelen de sequences met meerdere stappen, wisselen af tussen je inboxen, versturen de follow-ups op schema en halen iedereen die reageert automatisch uit de sequence.

De deliverability-regels daaronder zijn in 2026 niet optioneel. Je verstuurt nooit cold email vanaf het hoofddomein van je bedrijf, omdat één slordige campagne de inbox kan beschadigen waar je hele bedrijf van afhankelijk is.

Je koopt aparte verzenddomeinen, stelt SPF, DKIM en DMARC in zodat de inboxproviders ze vertrouwen, en warmt elk domein een paar weken op voordat je er echt volume over stuurt.

Daarna houd je elke mailbox op ongeveer 40 tot 50 e-mails per dag en let je op je bounce- en klachtpercentages, omdat het overschrijden van die grenzen is wat de spamfilters laat afgaan. 

Instantly, Lemlist en Smartlead zijn hiervoor gebouwd en regelen de warmup en inboxrotatie voor je, terwijl HeyReach hetzelfde soort sequences op LinkedIn doet. Alles hoort terug te synchroniseren naar HubSpot of Salesforce, zodat reacties en overdrachten op één plek staan.

Er is ook een alles-in-één-optie die we moeten noemen. Een nieuwe groep autonome AI SDR-tools, zoals 11x, Artisan en AiSDR, belooft alle zeven fases in één platform af te dekken.

Ze kunnen werken, maar ze zijn duur en wisselend van kwaliteit, en ze verstoppen de logica op een plek waar je die niet kunt bijstellen.

Voor de meeste teams is het slimmer om eerst de fases te begrijpen en ze zelf in de hand te houden, en dat is ook waarom je misschien geen SDR-bureau nodig hebt dat hetzelfde met de hand doet.

Met één hub en een keten van AI-prospectingworkflows kom je verder dan met tien losse AI-tools

✎ Zo ziet die ene tabel eruit terwijl hij zichzelf van links naar rechts vult, met één bedrijf per rij dat door één kolom per stap gaat.

Als je de fases hierboven leest als boodschappenlijst, kom je uit waar de meeste teams uitkomen. Je koopt een tool voor het bouwen van lijsten, een andere voor enrichment, een derde voor intent, een vierde voor scoring en een vijfde voor versturen.

Elke tool heeft zijn eigen login, zijn eigen rekening en zijn eigen, net iets andere idee van hoe een contactrecord eruit hoort te zien.

Stel je nu de echte werkdag voor. Iemand exporteert een CSV uit de lijsttool, uploadt die in de enrichment-tool, wacht, downloadt het resultaat, plakt het in een onderzoekstool en kopieert daarna de goede rijen naar de verzendtool.

De helft van het werk bestaat uit data heen en weer schuiven tussen tabbladen, en elke keer dat een leverancier een exportformaat of een API wijzigt, breekt er een schakel in de keten zonder dat iemand het merkt tot de leads niet meer binnenkomen.

Er is een rustigere manier om dit te doen, waarbij je in plaats van een tool per fase de hele keten bouwt in één hub die de meeste fases al afdekt, en de data er vanzelf doorheen laat lopen.

Clay is het duidelijkste voorbeeld, één tabel waarin elke rij een bedrijf is en elke kolom een stap in de keten.

Stel je die tabel even voor. De eerste kolom bevat het bedrijf, de volgende draait de waterfall en vult het geverifieerde e-mailadres in, en de kolom daarna stuurt Claygent op pad om het account te onderzoeken en terug te schrijven wat hij vond.

De kolom daarna scoort de rij tegen je ICP, en de laatste schrijft de openingsmail. Bovenaan komt een nieuw bedrijf binnen dat van links naar rechts door de kolommen gaat zonder dat iemand het aanraakt.

Die stroom van links naar rechts is wat mensen bedoelen met het koppelen van AI-prospectingworkflows. Elke kolom neemt de uitkomst van de kolom ervoor en doet de volgende taak, zodat de lijst zich opbouwt, de data wordt verrijkt, het onderzoek gebeurt, de score binnenkomt en het concept zichzelf in de goede volgorde schrijft.

Je ontwerpt de keten één keer, zet hem aan, en elk nieuw bedrijf volgt hetzelfde pad. Dat is het idee achter een moderne sales tech stack die rond workflows is opgebouwd.

Als je het goed opzet, dekt die ene keten je hele top of the funnel af. Het bouwen van lijsten, het onderzoek, de data-invoer, de eerste teksten, de follow-up en al het ToFU-werk dat je reps vroeger met de hand deden, wordt nu binnen één workflow afgehandeld.

Je reps leven niet langer in spreadsheets en stappen pas in als er een echte reactie binnenkomt. Zo ziet een GTM-systeem dat op de automatische piloot draait eruit aan de top van de funnel.

Je schroeft er nog steeds een paar specialisten aan vast. Een apart verzendplatform voor deliverability, een automatiseringslaag als n8n als de logica groter wordt dan een tabel, en een stukje eigen code in Claude Code voor die ene taak die geen tool afdekt.

Maar de vorm blijft hetzelfde, met één hub die de keten aanstuurt en een paar specialisten aan de randen, in plaats van tien leveranciers die je elk laten betalen voor één stukje.

Zo ziet een van deze gekoppelde workflows eruit, van begin tot eind

✎ Hier zijn die vijftien minuten, minuut voor minuut, van het persbericht om 9 uur tot de reactie die een rep een seintje geeft.

Stel je een gewone dinsdagochtend voor. Een bedrijf op je doellijst, een logistiek softwarebedrijf, kondigt een Series B van 20 miljoen dollar aan. Het persbericht gaat om 9 uur de deur uit, en om 9.15 uur heeft je workflow er al op gereageerd terwijl nog niemand achter zijn bureau zit.

Dit is wat er in die vijftien minuten precies gebeurde.

Een RSS-monitor die fundingnieuws volgt, ving de aankondiging op en zette het bedrijf bovenaan in je Clay-tabel. De enrichment-kolom draaide de waterfall en haalde de VP of Sales en haar geverifieerde e-mailadres op.

De onderzoekskolom stuurde Claygent op pad om het persbericht en de bedrijfssite te lezen, en die schreef terug dat het bedrijf B2B verkoopt, net het aantal open salesvacatures heeft verdubbeld en uitbreiding naar Europa noemt als reden voor de investering.

De scoringkolom deed de rekensom. B2B, de juiste grootte, verse funding, salesvacatures en een duidelijk groeimotief tellen samen op tot Tier 1, dus de rij kleurde groen.

De schrijfkolom maakte een e-mail die opent met de investering en de stap naar Europa, die koppelt aan precies het probleem dat jij oplost voor snelgroeiende salesteams, en eindigt met een zacht verzoek om vijftien minuten.

Een mens leest dat concept in dertig seconden, knikt en laat het gaan. Het komt in de sequence in je Instantly, gaat de deur uit vanaf een opgewarmd domein en landt in de inbox van de VP terwijl het fundingnieuws nog het spannendste is waar ze aan denkt.

Als ze reageert, haalt de workflow haar uit de sequence en geeft een rep in Slack een seintje om het gesprek over te nemen.

Er gaat één gebeurtenis in en er komt één warm gesprek uit. Niemand heeft een lijst gebouwd, een spreadsheet opgeschoond of een cold email vanaf nul geschreven. Dezelfde keten start ook bij de volgende trigger, of dat nu een financieringsronde is, een nieuwe VP, een overstap bij een concurrent of een stil bezoek aan je prijspagina.

Hoe je dit zelf bouwt (in de volgorde die werkt)

Je kunt dit allemaal in-house bouwen, en veel teams zouden dat ook moeten doen. De fout die we het vaakst zien is beginnen bij de tools, dus begin bij het denkwerk, in deze volgorde.

1. Omschrijf je ICP zo scherp dat een buitenstaander binnen een minuut een bedrijf met een goede fit kan herkennen.

2. Breng je TAM in kaart, zodat je weet hoeveel van die bedrijven er echt zijn, want dat bepaalt of je breed of heel gericht te werk gaat.

3. Kies twee of drie echte intentsignalen die je automatisch kunt opvangen, zoals funding, werving of een overstap bij een concurrent.

4. Zet waterfall enrichment op, zodat je contactgegevens betrouwbaar kunt vinden en verifiëren.

5. Bouw en warm je verzendinfrastructuur op voordat je ook maar één campagne verstuurt.

6. Koppel pas daarna de stappen aan elkaar, zodat de ene trigger doorloopt naar de volgende.

Begin met één workflow en zorg dat die betrouwbaar werkt voordat je een tweede toevoegt. Complexiteit is wat automatiseringen breekt, en een onbetrouwbaar systeem is erger dan helemaal geen systeem.

We hebben de volledige stap-voor-stapversie van deze build in een aparte gids beschreven, dus zie dit als de kaart.

Wat AI in prospecting nog steeds niet kan, hoe goed de tools ook worden

Ondanks dat alles heeft AI harde grenzen, en doen alsof dat niet zo is, is precies hoe teams zich branden.

AI kan je strategie niet voor je bepalen, en het vertelt je niet wie je beste klant is, wat je waarde waard is of welke boodschap aankomt. Die keuzes komen uit kennis van je markt, en die blijven bij jou.

AI kan ook de relatie niet opbouwen. Het kan een prospect zijn hand laten opsteken, maar het echte gesprek, de bezwaren, het vertrouwen en de onderhandeling zijn mensenwerk en blijven dat nog lang. Geef dat aan een bot en je ziet de kwaliteit van je reacties snel instorten.

Het kan ook geen slechte product-market fit repareren. Als mensen niet willen wat je verkoopt, helpt meer outreach alleen maar meer mensen om je sneller te negeren.

En geen enkele workflow overleeft het om eeuwig zonder toezicht te draaien, omdat data veroudert, sites veranderen en API's breken, dus iemand moet het systeem in de gaten houden en bijstellen.

De teams die winnen met AI zijn eerlijk over deze grens. Ze geven de machine het onderzoek, het kwalificeren en het zware werk, en ze houden mensen op strategie, relaties en oordeel. Die verdeling is waar het om draait.

Waar dit je brengt, en waar bureaus als Nebor in beeld komen

AI heeft veranderd wat een klein team aan de top van de funnel kan doen. Je kunt de juiste kopers vinden, onderzoeken en bereiken op een schaal waar je vroeger een zaal vol SDR's voor nodig had.

De teams die voorop lopen, zijn ook hier niet de teams die de meeste tools kopen. Het zijn de teams die de basis op orde hebben en daarna agents het herhalende werk laten doen.

Dat is precies het werk dat wij doen. We zijn begonnen als verkopers, we gebruiken deze workflows eerst voor onze eigen pipeline, en we bouwen ze voor bedrijven die liever een systeem bezitten dan een dienst huren van een SDR-bureau.

Als we klaar zijn, draaien de workflows in jouw accounts en beheert je team ze, en zijn wij één bericht verwijderd als je ze verder wilt brengen. Dat is ook waarom we geen leadgeneratiebureau zijn.

Als je reps hun beste uren nog steeds aan onderzoek besteden in plaats van aan closen, is dat het gat dat wij dichten. We brengen graag voor je in kaart hoe een AI-prospectingsysteem eruit zou zien voor jouw aanpak, of je het nu met ons bouwt of het plan meeneemt en het zelf bouwt.

Plan een gesprek van 15 minuten en we lopen je setup door, eerlijk, inclusief de vraag of dit nu wel de juiste stap voor je is.