AI-copywriting

AI-copywriting is het gebruik van grote taalmodellen, zoals die achter ChatGPT en Claude, om sales- en marketingteksten te schrijven: cold e-mails, onderwerpregels, follow-ups, berichten op LinkedIn, openingszinnen voor calls en varianten van ads. Je geeft het model instructies en een paar feiten over de prospect, en het schrijft de tekst.

Het schrijven was vroeger het trage deel van outbound. Nu kost het seconden, en dat heeft een nieuw probleem opgeleverd. Als elk salesteam voor de lunch duizend gepolijste e-mails kan maken, krijgen kopers voor de lunch duizend gepolijste e-mails binnen. En de meeste lezen alsof dezelfde persoon ze schreef.

Of AI-copy werkt, hangt dus zelden af van het model. Dat bepalen de briefing die het krijgt en de controle daarna. Zie het model als een snelle schrijver die nooit moe wordt en geen eigen mening heeft. Steek je energie in wat het te horen krijgt en wat het mag versturen.

TL;DR

• Een taalmodel schrijft de meest waarschijnlijke volgende woorden, dus een dunne prompt levert de meest gangbare e-mail op. Uit een studie die op ICLR 2024 werd gepresenteerd, bleek dat teksten van verschillende auteurs meer op elkaar gingen lijken als ze met InstructGPT werden geschreven.

• Eenheidsworst heeft nu een prijs. In een Gartner-onderzoek onder 632 B2B-kopers zei 73% dat ze leveranciers die irrelevante outreach sturen actief vermijden.

• Schrijf de prompt als een briefing voor een nieuwe freelancer: wie de lezer is, de ene reden waarom je nu schrijft, één bewijspunt, drie tot vijf echte e-mails in jouw stem, harde grenzen aan lengte en claims, en een terugvalzin voor als de data ontbreekt.

• Haal de typische AI-kenmerken eruit voordat er iets de deur uitgaat: standaardopeners, complimenten zonder feit erachter, opgevulde rijtjes van drie, stijve overgangen, een algemeen verzoek om een kwartiertje en elke claim die de data niet onderbouwt.

• Laat het model concepten, varianten en samenvattingen van onderzoek maken. Houd de invalshoek, elke feitelijke claim en je belangrijkste accounts bij een mens. Controleer door per batch een steekproef te nemen en problemen in de prompt op te lossen, in plaats van e-mail voor e-mail.

• Beoordeel AI-copy op positieve replies en geboekte meetings, test verschillende redenen om te schrijven in plaats van andere formuleringen, en zet het model in als één laag van een outbound-systeem dat ook de data, de sequencing en het versturen regelt.

Waarom AI-copy afdrijft naar dezelfde e-mail

Een taalmodel schrijft door te voorspellen welke woorden het meest waarschijnlijk volgen, op basis van alles wat ervoor staat. Vraag om "een cold e-mail aan een VP of Sales over onze datatool" en de meest waarschijnlijke e-mail is ongeveer het gemiddelde van alle cold e-mails die het model ooit heeft gezien. Daarom opent zoveel AI-outreach met een vraag over groeidoelen en eindigt het met een verzoek om even te bellen.

De bijsturing die deze modellen prettig maakt om mee te werken, lijkt dezelfde kant op te duwen. Onderzoekers van New York University vergeleken essays die met en zonder hulp van een model waren geschreven. Schrijven met InstructGPT, een model dat is bijgestuurd met menselijke feedback, maakte het werk van verschillende auteurs meetbaar meer gelijk. Het basismodel zonder die bijsturing had dat effect niet. Vloeiend en meegaand blijkt vaak neer te komen op vertrouwd.

Kopers hebben het door. Een algemene AI-e-mail verdwijnt tegenwoordig niet gewoon in de massa. Hij vertelt de lezer dat niemand naar zijn bedrijf heeft gekeken voordat er op verzenden werd gedrukt. In een Gartner-onderzoek onder 632 B2B-kopers zei 73% dat ze leveranciers die irrelevante outreach sturen actief vermijden. Vermijden is een sterk woord. Wat een luie e-mail je kost, is een koper die voortaan met een boog om je heen loopt, en dat weegt veel zwaarder dan één genegeerd bericht.

Meer volume maakt het alleen erger. Verstuur je meer copy die klinkt zoals die van iedereen, dan versnel je precies waar kopers inmiddels overheen lezen. En elke spamklacht die dat oplevert, telt mee tegen je sender reputation.

De prompt is een briefing, dus schrijf hem ook zo

Denk aan hoe je een freelance copywriter op zijn eerste dag zou briefen. Je zegt niet "schrijf een cold e-mail aan een VP of Sales". Je vertelt wie de lezer is, waarom je nu schrijft, welk bewijs je hebt, hoe je bedrijf klinkt en wat hij nooit mag beloven. De promptgids van Anthropic maakt dezelfde vergelijking en beschrijft het model als een briljante nieuwe medewerker die de context over jullie normen en werkwijzen mist.

Een briefing die wij met een gerust hart door een model zouden halen, heeft zes onderdelen.

1. De lezer. Rol, bedrijf, omvang en waarop die persoon wordt afgerekend. "Head of Sales bij een logistiek softwarebedrijf met 60 medewerkers" geeft het model iets om op te mikken. Een voornaam en een functietitel doen dat niet.

2. Eén reden om nu te schrijven. Eén feit dat van deze week de juiste week maakt: drie openstaande SDR-vacatures, een nieuw CRM, een investeringsronde, een nieuwe leidinggevende. Eén reden en geen vier, want het model probeert alles wat je aanlevert erin te proppen.

3. Eén bewijspunt. Een klantresultaat of iets concreets dat je voor een bedrijf zoals het hunne hebt gedaan. Zonder bewijspunt vult het model de ruimte met vage voordelen.

4. Je stem, laten zien in plaats van beschrijven. Drie tot vijf e-mails die je beste rep echt heeft verstuurd en waarop een reply kwam. "Vriendelijk maar professioneel" zegt een model niets. Dezelfde gids noemt voorbeelden een van de betrouwbaarste manieren om toon, format en opbouw te sturen, en in onze ervaring verschuiven ze de output meer dan welk bijvoeglijk naamwoord ook.

5. Harde grenzen. Een maximaal aantal woorden, hooguit één vraag, geen uitspraken over de prospect die niet in de data staan, en een lijst met zinnen die je nooit wilt zien.

6. Een terugvaloptie. Wat er moet staan als het veld met de reden om nu te schrijven leeg is. Laat je dit weg, dan dekt het model het gat af met een compliment dat het zelf heeft verzonnen.

De eerste twee onderdelen zijn een dataprobleem voordat ze een schrijfprobleem zijn. Als je kloppende velden voor rol, bedrijf en signalen ophaalt via data enrichment, heeft het model iets waars om te zeggen, en daar komt het grootste deel van de kwaliteit vandaan. Hoe je de rest van de instructies opbouwt, wat we behandelen onder prompt engineering voor GTM, bepaalt of die data een scherpe zin wordt of een flauwe.

Zo ziet dat er in de praktijk uit. Met alleen een naam en een functietitel schrijft een model meestal iets als "Ik hoor graag meer over jullie groeiplannen voor dit jaar". Met de briefing hierboven kan het schrijven: "Ik zag dat jullie drie SDR's zoeken in Rotterdam. Teams van die omvang hebben hun targetlijst vaak al afgewerkt voordat de nieuwe reps volledig zijn ingewerkt." De tweede versie kan maar naar één bedrijf, en het model deed er dezelfde paar seconden over.

Waaraan je een AI-e-mail herkent

Ook met een goede briefing hebben modellen hun gewoontes. Wie veel outreach leest, ziet ze binnen één regel, en daarna krijgt de rest van de e-mail geen voordeel van de twijfel meer. Dit zijn de kenmerken die we het vaakst weghalen.

De rij met verzonnen feiten is degene die echt schade doet. Modellen gokken als ze het niet weten, en onderzoekers van OpenAI en Georgia Tech voeren die hallucinaties terug op onder meer training en evaluatie die een zelfverzekerde gok hoger belonen dan een eerlijk "ik weet het niet". In outreach is een zelfverzekerde gok over een prospect erger dan helemaal geen persoonlijke zin, omdat de lezer meteen weet dat hij niet klopt.

Tegen de meeste van deze kenmerken kun je in de prompt waarschuwen, maar ze blijven niet allemaal weg. Daarom is de laatste ronde voor een mens die de output leest zoals de ontvanger dat zal doen.

Het schrijfwerk verdelen tussen het model en de mensen eromheen

De opzet die werkt bij de teams waarvoor we bouwen, behandelt het model als een junior copywriter. Hij is snel, wordt nooit moe van een veertiende variant en heeft geen gevoel voor wat een koper belangrijk vindt.

Het model neemt het werk dat met de hand traag is en makkelijk te controleren: eerste versies van elke stap in een sequence, varianten van onderwerpregels om te testen, versies van één e-mail voor verschillende rollen, en korte samenvattingen van het recente nieuws van een account als input voor de volgende briefing.

Mensen houden de onderdelen die oordeel vragen of risico dragen. Iemand bepaalt per segment de invalshoek, want kiezen wat een markt te horen moet krijgen, is een strategische beslissing die je niet aan een schrijver overlaat. Iemand is verantwoordelijk voor elke feitelijke claim voordat die de deur uitgaat. En de handvol accounts die de persoonlijke aandacht van een senior rep verdienen, worden door een mens geschreven, of in elk geval herschreven. De sequences die voor onze klanten het best converteren, combineren AI-concepten met de hand van een mens bij de contactmomenten die vertrouwen opbouwen, en daar dient een human in the loop voor.

Controleren betekent niet dat je tienduizend e-mails leest. Lees per batch een steekproef, zoek naar patronen en los ze op bij de bron. Blijft het model een investeringsronde van twee jaar geleden noemen, dan heeft de briefing een datumgrens voor signalen nodig. Opent elke e-mail in een segment met dezelfde zin, dan lijken je stemvoorbeelden te veel op elkaar. Verbeter je de prompt, dan verbeter je elke e-mail die volgt. Verbeter je één e-mail, dan verbeter je er één.

Sla je deze stap over, dan komt de rekening later. AI-copy die niemand heeft gecontroleerd en die vreemd leest of iets onjuists beweert, is een van de redenen waarom AI- en Clay-implementaties mislukken. Tegen de tijd dat iemand het merkt, hebben een paar duizend prospects het al gelezen.

AI-copywriting beoordelen op de replies die het oplevert

Mooie concepten zijn makkelijk te maken, dus het concept is de verkeerde plek om kwaliteit te beoordelen. Het gaat erom wat prospects met de e-mail doen.

Positieve replies en geboekte meetings zijn de cijfers om te volgen. Open rates zeggen vooral iets over de onderwerpregel en de naam van de afzender, en weinig over de tekst zelf. Ook een kale reply rate kan misleiden, omdat elk "haal me alsjeblieft van je lijst" als reactie meetelt.

Test invalshoeken in plaats van formuleringen. Van twee versies van dezelfde e-mail met net iets andere woorden leer je zelden iets. Twee verschillende redenen om te schrijven, verstuurd naar vergelijkbare segmenten, leren je vaak wel iets. Ons artikel over A/B-testen van cold e-mail legt uit hoe je die tests zo opzet dat de uitkomst iets betekent.

Let op wat goedkope concepten met je volume doen. Als schrijven niets kost, is de verleiding groot om meer te versturen. Algemene mails op schaal leveren klachten op die de e-maildeliverability schaden van elke mailbox op het domein, ook van de mailboxen waarmee je je beste e-mails verstuurt.

Je ziet volop cijfers over AI-copywriting, van hogere open rates tot efficiëntiewinst, en de meeste komen van leveranciers die er niet bij zeggen wat ze met wat hebben vergeleken. Je eigen replydata van een paar honderd verzonden mails vertelt je meer over of jouw setup werkt dan al die cijfers samen.

Waar AI-copywriting zit in een outbound-systeem

Los gebruikt is een model een schrijftool waaruit je kopieert en plakt. Gekoppeld aan de rest van outbound wordt het de stap die data omzet in tekst, voor elke prospect en elk contactmoment, zonder dat iemand hoeft te typen.

De gebruikelijke keten loopt van een lijst, via enrichment, naar een briefing per prospect, door het model en in een e-mailsequence in je verzendtool. In Clay is de schrijfstap vaak een AI-kolom die gevoed wordt door de enrichmentkolommen ernaast, zoals onze gids over Claygent laat zien. Verkocht als één product noemen leveranciers die combinatie een AI personalization engine, en het is de schrijvende helft van personalisatie op schaal.

Het is goed om dit los te zien van spintax, de oudere manier om outreach te variëren. Spintax wisselt willekeurig synoniemen af, zodat e-mails er niet identiek uitzien. AI-copywriting varieert de boodschap op basis van wat er over elke prospect klopt. Daarom kan het echt relevanter worden, waar spintax hooguit minder herhalend is.

Een AI SDR trekt de keten een stap verder en beslist ook wanneer er verstuurd wordt en hoe replies worden beantwoord. Het schrijfwerk daarin is dezelfde vaardigheid met minder controle door een mens, dus de briefing en de vangrails wegen daar nog zwaarder. Voor de hele build, van data tot versturen, lees je hoe we sales prospecting automatiseren.

Kort gezegd

AI-copywriting heeft de bottleneck verplaatst. Een redelijk concept maken is niet meer het moeilijke deel, dus het werk verschuift naar twee plekken waar het model niet bij kan: bepalen wat het waard is om tegen elke lezer te zeggen, en controleren wat het model schreef voordat het bij die lezer aankomt.

Teams die de prompt als een echte briefing behandelen, er echte data in stoppen en een mens op de claims laten letten, krijgen iets wat geen team met de hand kan maken: een relevant eerste concept voor elke prospect op de lijst. Teams die een model op een naam en een functietitel loslaten, krijgen de e-mail die kopers al vermijden, in een volume dat hun domein mee omlaag kan trekken.

Hiervoor hoef je niet op een beter model te wachten. Je hebt betere input nodig, een korte lijst met dingen die de copy nooit mag doen, en een reviewer die leest als een koper. Regel je dat, dan wordt AI-copywriting een werkend stuk van het GTM-systeem achter je outreach. Laat je het weg, dan is het een snellere manier om genegeerd te worden.

Wil je hier hulp bij? Dan zetten we de briefings, de enrichment en de controlestappen op in de Clay, het CRM en de sequencer die je al gebruikt. Als we vertrekken, is elke prompt gedocumenteerd, met bij elke regel de reden waarom hij er staat.

Veelgestelde vragen