AI dalam Alur Kerja Demand Gen Manager

Anda membuka 14 email vendor minggu ini. 13 di antaranya menyebut "AI." Tidak satu pun yang memberi tahu apa yang harus Anda lakukan pada Senin pagi pukul 9 dengan brief kampanye yang harus selesai Rabu.

Mari kita perbaiki itu.

Saya tidak akan menjual Anda visi masa depan di mana LLM menjalankan pemeliharaan prospek Anda dan Anda minum espresso santai. Saya sudah membakar diri di tiga alat seperti itu. Saya akan memberi tahu Anda bagian-bagian pekerjaan Demand Gen Manager yang bisa dipersingkat oleh AI, bagian-bagian yang secara aktif dirusak jika Anda terlalu mempercayainya, dan rencana 30 hari yang akan saya jalankan jika saya memulai ulang dari awal pada Senin.

Kerangkanya, sebelum segalanya: AI adalah pengganda kekuatan pada selera. AI tidak membuat DGM yang buruk menjadi baik. Ini membuat DGM yang baik sekitar 30% lebih cepat pada bagian pekerjaan yang tidak memerlukan selera, sehingga Anda bisa menghabiskan lebih banyak waktu pada bagian yang memerlukan. ICP, politik dengan Sales, angka pipeline di papan di sebelah nama Anda. Itu masih milik Anda.

Di Mana AI Benar-Benar Membantu DGM

Ini adalah use case yang saya lihat menghasilkan pipeline, bukan hanya menghemat beberapa menit. Jadilah spesifik tentang mana yang Anda coba. "Gunakan AI untuk marketing" adalah ambisi; pekerjaan di bawah ini adalah tugasnya.

Brief kampanye dan varian copy: draft pertama dalam 8 menit, bukan 80

Ini adalah penggunaan AI dengan ROI tertinggi untuk DGM saat ini, dan juga yang paling kurang dimanfaatkan oleh kebanyakan tim karena mereka memperlakukan outputnya sebagai produk akhir. Bukan. Itu perancah.

Brief kampanye biasa memakan waktu 60-90 menit dari dokumen kosong: positioning, audiens, hook, copy per kanal, CTA, pengukuran. Dengan Claude atau ChatGPT dan prompt yang ketat yang mencakup ICP, penawaran, dan bauran kanal, saya mendapat v0.5 yang bisa digunakan dalam 8 menit. Kemudian saya menghabiskan 30 menit mengeditnya menjadi sesuatu yang ditulis manusia, bukan 80 menit membangun dari nol.

Sama untuk varian copy. Dua belas baris subjek dari model membutuhkan 90 detik. Sepuluh di antaranya biasa-biasa saja. Dua menarik. Saya tidak akan pernah menulis dua itu sendiri di jam ketiga Jumat yang panjang. Itulah peningkatannya.

Yang tidak Anda lakukan: mengirimkan v0.5. Model default ke prosa yang aman, generik, sedikit sombong. ICP Anda bisa menciumnya dalam dua kalimat.

Rangkuman riset audiens: 30 panggilan sales menjadi 6 keberatan

Jika Anda memiliki akses ke rekaman panggilan Gong atau Chorus, di sinilah AI membuktikan harga lisensinya. Tarik 30 transkrip panggilan discovery dari kuartal terakhir untuk segmen ICP Anda, masukkan ke Claude dengan prompt seperti "Tarik keberatan berulang teratas dari panggilan-panggilan ini dan urutkan berdasarkan frekuensi. Untuk setiap keberatan, kutip frasa yang digunakan pembeli." Dua puluh menit kemudian Anda memiliki enam keberatan yang benar-benar penting, dalam bahasa pembeli sendiri, siap langsung dituangkan ke dalam copy pemeliharaan dan creative berbayar.

Melakukan ini secara manual memakan waktu sehari setengah, dan kebanyakan DGM tidak pernah melakukannya. Jadi mereka akhirnya menulis copy berdasarkan pendapat VP Sales tentang pembeli, bukan kata-kata pembeli yang sebenarnya. AI tidak menciptakan latihan ini. Ini hanya membuatnya cukup murah untuk benar-benar dijalankan.

Akselerasi pengujian creative berbayar

Alur kerja lama: tulis 3 varian iklan, kirim, belajar pelan-pelan. Alur kerja baru: tulis 12 varian judul, 6 hook, 4 brief visual, kirimkan 4 kombinasi terkuat, hentikan dua terbawah dalam satu minggu, skalakan yang teratas.

Program berbayar Meta dan LinkedIn memberi penghargaan pada volume varian. Model tidak tahu varian mana yang akan menang. Anda juga tidak tahu. Tapi model bisa menghasilkan 12 dalam lima menit dan Anda bisa memilih empat yang tidak terdengar seperti vendor biasa. Itu 3x permukaan pengujian untuk waktu manusia yang sama.

Augmentasi penilaian MQL: dengan gerbang manusia

Model penilaian Anda mungkin sudah usang. Dibangun dua tahun lalu oleh seseorang yang sudah pergi, dan menilai "VP+ di perusahaan dengan 200+ karyawan" dengan cara yang sama seperti "magang di Stripe yang menjelajah dokumentasi." Model AI bisa mencocokkan pola sinyal firmografis dan perilaku dari opp closed-won dan closed-lost historis Anda dan memunculkan apa yang benar-benar prediktif, biasanya segelintir sinyal aneh yang tidak ada yang tulis dalam aturan aslinya.

Dua peringatan. Pertama, ini hanya berhasil jika Anda memiliki cukup opp historis agar polanya nyata (ratusan minimal). Kedua, jangan biarkan model memperbarui skor secara otomatis di CRM Anda. Tampilkan bobot yang diusulkan ke manusia, debatkan dalam rapat Selasa, lalu kirimkan perubahannya secara manual. Auto-scoring adalah tempat niat baik bertemu data buruk dan Sales berhenti mempercayai flag MQL Anda selamanya.

Analisis atribusi: rangkuman naratif dari dashboard

Dashboard atribusi multi-sentuhan tidak bisa dibaca oleh siapapun selain orang yang membangunnya. DGM akhirnya membacakan angka yang tidak ada yang internalisasi, atau menceritakan kisah tanpa bukti. AI berada di tengah: masukkan 90 hari terakhir data atribusi ke model dan minta rangkuman 200 kata tentang apa yang berubah dan mengapa. Anda mendapat draft ringkasan yang bisa Anda verifikasi dengan apa yang sudah Anda ketahui tentang kuartal itu. Kirimkan ringkasan itu di deck QBR Anda, bukan bagan spaghetti.

Di Mana AI Merusak DGM

Ini adalah bagian yang tidak akan ditulis email vendor. Setiap kegagalan ini pernah menghabiskan pipeline nyata bagi saya. Belajar dari pengalaman saya.

Nuansa ICP

Model mererata pembeli Anda. Pembeli Anda bukan rata-rata. Ini akan menulis copy yang ditujukan ke VP Sales generik di perusahaan SaaS generik, sementara ICP Anda yang sebenarnya adalah "VP Sales di perusahaan 80-200 orang Series B dengan gerakan penjualan hybrid yang baru kehilangan CRO mereka dan panik soal pipeline Q3." Pembeli kedua tidak membaca copy pembeli pertama.

Anda bisa memprompt lebih dekat dengan konteks ICP yang detail, tapi melewati titik tertentu Anda menghabiskan lebih banyak waktu untuk prompt daripada untuk menulis copy sendiri. Garis jujurnya: AI berguna untuk 70% pembeli yang kira-kira rata-rata. Untuk akun paling berharga Anda, tulis copy-nya dengan tangan.

Politik sales-marketing

Tidak ada LLM yang bisa bertahan dalam rapat di mana VP Sales berkata "MQL ini sampah dan seluruh corong Anda adalah khayalan." Rapat itu dimenangkan oleh DGM yang bisa menarik buktinya: definisi MQL mana yang berubah, kampanye mana yang menghasilkan prospek yang dipertanyakan, SDR mana yang mendiskualifikasi apa dan mengapa. Anda tidak bisa menyerahkan rapat itu kepada model. Anda bisa menggunakan model untuk bersiap (rangkum konversi MQL ke SQL kuartal terakhir berdasarkan sumber), tapi rapat itu sendiri adalah olahraga kontak manusia.

Orisinalitas konten

Jika Anda dan pesaing Anda sama-sama memprompt GPT dengan "tulis artikel thought leadership tentang demand gen di 2026," Anda berdua menerbitkan artikel yang sama. Model dilatih pada internet terbuka, sehingga output defaultnya adalah rata-rata dari semua yang sudah ada di internet terbuka. Orisinalitas hidup di bagian yang belum ada di sana: eksperimen nyata tim Anda, hal aneh yang berhasil di perusahaan Anda, pembacaan kontrarian tentang sebuah kategori. AI bisa mengeditnya. Tidak bisa menghasilkannya, karena tidak mengetahuinya.

Sinyal niat

Bombora, 6sense, G2: alat-alat ini memunculkan akun yang menunjukkan minat lonjakan pada kategori Anda. Datanya nyata. Menginterpretasikannya terhadap daftar akun Anda masih pekerjaan manusia. Model dengan senang hati akan memberi tahu Anda "Akun X menunjukkan niat tinggi, rekomendasikan outreach." Akun X adalah mantan pelanggan yang churn enam bulan lalu dan AE Anda akan marah jika Anda mengarahkan urutan lain kepada mereka. Konteks itu ada di tim Anda, bukan dalam dataset.

Tumpukan Praktis: Alat Nyata, Batasan Nyata

Ini tumpukan yang akan saya bangun untuk DGM IC yang memulai hari ini, dengan kesimpulan satu baris untuk masing-masing.

Claude / ChatGPT. ROI terbaik untuk DGM saat ini. Gunakan untuk ideasi, rangkuman, perancah draft, analisis transkrip, pembuatan brief. Keduanya bagus. Claude cenderung menulis sedikit lebih alami; ChatGPT memiliki permukaan plugin/integrasi yang lebih luas. Pilih satu, jadilah ahli dalam prompting, jangan bayar keduanya. Sekitar $20-40 per bulan per seat.

Jasper / Copy.ai. Pendapat saya: lapisan tipis di atas GPT dengan pelatihan brand voice dan UI berbentuk marketing. Pelatihan brand voice adalah satu-satunya keunggulan nyata, dan kebanyakan tim tidak melatihnya dengan baik. Jika tim Anda memiliki nol literasi AI, template alur kerja bisa membantu. Jika tim Anda bisa memprompt, Anda membayar pajak wrapper. Saya sudah berhenti menggunakannya.

Mutiny / alat personalisasi. Berhasil untuk A/B top-of-funnel pada skala besar di landing page dengan traffic tertinggi Anda. Peningkatan nyata, terukur. Gagal ketika "personalisasi" merosot menjadi token "Hai " yang sudah diabaikan semua orang sejak 2014. Layak untuk dipilot di tiga halaman teratas Anda, tidak layak untuk diterapkan di mana-mana.

Clay / Apollo dengan AI enrichment. Di sinilah penghematan waktu nyata berada untuk membangun daftar dan enablement outbound. Tarik daftar, perkaya dengan data firmografis dan niat, kirimkan ke SDR dengan konteks relevan yang sudah terlampir. DGM yang menyiapkan ini dengan baik menghemat jam tim SDR per minggu dan membuat Sales menyukai Marketing lagi, sejenak.

Gong / Chorus AI summaries. Sepadan jika Anda sudah membayar platform. Auto-summary akurat 80%, yang cukup untuk DGM yang memindai pola keberatan. Jangan mengutipnya dalam deck board tanpa memverifikasi.

Apapun yang berkata "pemeliharaan sepenuhnya otomatis." Lihat bagian berikutnya.

Jebakan "Pemeliharaan Sepenuhnya Otomatis"

Setiap enam bulan vendor menawarkan DGM untuk membiarkan AI menjalankan seluruh pemeliharaan: pilih segmen, tulis email, pilih waktu pengiriman, tulis ulang subjek jika open rate turun. Terdengar indah. Open rate jatuh dalam 60 hari. Ini alasannya.

Sistem sepenuhnya otomatis mengoptimalkan untuk metrik yang Anda berikan, dengan tepat. Anda memberi mereka open rate, mereka mengevolusi baris subjek yang meningkatkan buka tapi terasa manipulatif: clickbait, urgensi palsu, "Re:" di depan cold sends. Open rate melonjak selama dua minggu, kemudian reputasi domain Anda anjlok. Anda memberi mereka click rate, mereka mengevolusi CTA yang banyak diklik tapi kosong dan tingkat pemesanan pertemuan Anda turun. Anda memberi mereka pertemuan yang dipesan, mereka terlalu banyak memicu segmen high-intent dan membakar akun terhangat Anda.

Perbaikannya adalah checkpoint manusia di titik-titik kritis. AI membuat draft. Manusia yang mengirim.

Empat checkpoint yang saya pertahankan khusus manusia, tanpa pengecualian:

Baris subjek pada cold sends. Baris subjek aneh yang membuka 18% mengalahkan baris subjek yang dipoles yang membuka 11% setiap saat. Model default ke yang dipoles. Manusia memilih yang aneh.
Keputusan hari pengiriman. Selasa pukul 10 pagi ET adalah jawaban model untuk setiap pengiriman. Terkadang pengiriman yang tepat adalah Minggu pukul 7 malam karena pembeli Anda adalah founder yang menyortir email di akhir pekan. Model tidak tahu itu. Anda tahu.
Pemisahan segmen. Ketika Anda memisahkan "akun tier-1" dari "semua orang lainnya," perbedaannya biasanya segelintir akun di mana Anda akan membakar enam bulan hubungan dengan mengirim pesan yang salah. Manusia yang menyetujui.
Apapun yang dikirim ke 50 akun target teratas Anda. Daftar ABM milik manusia. Peningkatan dari satu email yang dibuat dengan baik untuk akun target mengalahkan 1.000 pengiriman otomatis.

Satu aturan, diulang untuk mereka yang di belakang: AI membuat draft, manusia yang mengirim. Perlakukan vendor yang tidak setuju seperti Anda memperlakukan kontraktor yang menyarankan melewati fondasi.

Opsional: Lensa Kerangka ACE

Jika Anda ingin kerangka kosakata untuk membicarakan use case AI dengan VP Anda, Kerangka ACE memecah pekerjaan AI menjadi lima kemampuan: Ingest, Analyze, Predict, Generate, Execute. Use case DGM di atas memetakan dengan bersih:

Ingest: menarik transkrip panggilan sales, data atribusi, sinyal niat ke tempat model bisa membacanya
Analyze: merangkum 30 panggilan menjadi 6 keberatan, merangkum dashboard atribusi menjadi paragraf
Predict: mengaugmentasi penilaian MQL dengan pola opp historis
Generate: draft brief kampanye, varian copy, perancah creative berbayar
Execute: pengiriman otomatis (dengan checkpoint manusia dari bagian di atas)

Gunakan kosakata ini jika membantu komunikasi ke atas. Jangan gunakan sebagai kerangka pitch ke tim Anda. Kebanyakan DGM tidak membutuhkan kerangka, mereka perlu mengirimkan sesuatu. (Referensi: Frameworks/ACE-Framework.md jika Anda menginginkan versi lengkap.)

Yang Harus Dikirimkan dalam 30 Hari Pertama Anda

Berhenti membaca blog vendor. Pilih rencana ini, lakukan, ukur, sesuaikan.

Minggu 1: Bangun library prompt pribadi di Notion. Delapan prompt yang benar-benar akan Anda gunakan kembali. Jangan buat library 50 yang tidak pernah Anda buka. Milik saya: generator brief kampanye, uji judul (12 varian), rangkuman keberatan dari transkrip panggilan, penulisan ulang pemeliharaan untuk segmen yang terhenti, editor copy yang cocok dengan ICP, generator narasi atribusi, brief varian creative berbayar, rangkuman QBR mingguan. Setiap prompt harus memiliki blok ICP yang bisa diisi di bagian atas sehingga Anda tidak perlu mengetiknya ulang.

Minggu 2: Ganti satu tugas mingguan dengan versi berbantuan AI. Pilih tugas yang paling Anda takuti. Bagi saya itu adalah rangkuman kinerja kampanye mingguan yang saya tulis untuk VP Marketing. Dengan prompt dan ekspor CSV, tugas 90 menit itu menjadi 20 menit. Ukur waktu yang dihemat dengan jujur. Jika versi AI lebih buruk, buang dan akui. Jangan mempertahankan sesuatu yang lebih buruk hanya karena seharusnya lebih baik.

Minggu 3: Jalankan satu uji creative berbayar dengan 3x varian yang biasanya Anda kirim. Apapun kadence normal Anda (katakanlah, 4 varian iklan per kuartal di LinkedIn), kirim 12 minggu ini. Ukur peningkatan CTR dan CPL versus baseline historis Anda. Tujuannya bukan membuktikan AI berhasil. Tujuannya adalah memaksa diri Anda ke dalam alur kerja bervolume varian lebih tinggi yang AI buat terjangkau.

Minggu 4: Tulis dokumen "aturan AI" tim Anda. Satu halaman. Tiga bagian:

Apa yang boleh didraft AI (brief, varian, rangkuman, transkrip)
Apa yang harus disentuh manusia sebelum dikirim (baris subjek, pesan akun target, apapun yang menghadap pelanggan di akun tier-1)
Apa yang tidak pernah ditempel ke model publik (data pelanggan proprietary, transkrip panggilan tidak diredaksi dengan nama, angka keuangan internal)

Minta VP Marketing untuk menyetujui halaman itu. Sekarang Anda memiliki perlindungan politis untuk menggunakan AI tanpa siapapun panik tentang insiden privasi, dan disiplin untuk menggunakannya dengan baik.

Penutup

AI tidak membuat DGM yang buruk menjadi baik. Ini membuat DGM yang baik sekitar 30% lebih cepat pada bagian pekerjaan yang tidak memerlukan selera, sehingga mereka bisa menghabiskan lebih banyak waktu pada bagian yang memerlukan.

Bagian yang memerlukan selera: ICP. Politik. Angka pipeline. Itu masih milik Anda. Selalu akan.

Sekarang tutup kotak masuk Anda dan tulis brief-nya.

Playbook Demand Generation Manager