AI untuk Pemasaran Berbasis Akun: Pemilihan Akun, Intent, dan Personalisasi

Oleh Camellia · Diperbarui 10 Oktober 2026

AI untuk pemasaran berbasis akun (ABM) berarti memakai pembelajaran mesin dan AI generatif untuk membantu tim B2B memutuskan akun mana yang layak diperhatikan, mengenali akun mana yang menunjukkan minat membeli, dan menyesuaikan pendekatan untuk setiap akun. Model menangani pengurutan dan penyusunan draf. Manusia tetap memilih strategi, menyetujui pesan, dan berbicara dengan pembeli.

ABM memperlakukan satu perusahaan bernama sebagai pasarnya sendiri. Jika Anda perlu memahami dasarnya lebih dulu, pemasaran berbasis akun membahas tiga tingkat ABM dan koordinasi penjualan-pemasaran di baliknya. Artikel ini melanjutkan dari titik tersebut dan menjawab pertanyaan yang lebih sempit: bagian mana dari program ABM yang benar-benar diperbaiki AI, dan bagian mana yang diam-diam diperburuk jika dibiarkan?

Ringkasnya. AI kuat dalam tiga pekerjaan: memodelkan akun mana yang cocok dengan pelanggan ideal Anda, menggabungkan sinyal menjadi urutan prioritas, dan menghasilkan draf pertama konten khusus akun dalam skala yang mustahil ditulis tangan oleh tim mana pun. AI lemah dalam menilai dinamika politik di dalam komite pembelian, menentukan waktu untuk percakapan yang sensitif, dan mengetahui kapan sebuah sinyal hanyalah gangguan.

Mengapa akun, dan mengapa sekarang

ABM ada karena pembelian B2B dilakukan oleh kelompok, selama berbulan-bulan, dan sebagian besar sebelum tenaga penjual diundang. 6sense B2B Buyer Experience Report 2025, studi global terhadap hampir 4.000 pembeli B2B, menemukan bahwa titik kontak pertama dengan penjual bergeser dari sekitar 69% menjadi 61% dari perjalanan pembelian. Laporan itu juga menyebut bahwa empat dari lima kesepakatan masih dimenangkan oleh "favorit sebelum kontak", yaitu vendor yang sudah dipilih pembeli sebelum berbicara dengan siapa pun, dan bahwa pembeli memilih dari satu di antara empat vendor pada daftar pendek Hari Pertama mereka sebanyak 95% dari waktu.

Bacalah ini sebagai masalah pemasaran. Jika daftar pendek terbentuk sebelum tenaga penjual Anda mendengar tentang kesepakatannya, pekerjaan yang menentukan terjadi lebih awal: dikenal oleh orang yang tepat di perusahaan yang tepat. Itulah tesis ABM, dan itulah sebabnya pemilihan akun serta deteksi sinyal dini adalah tempat AI membuktikan nilainya.

Adopsinya sudah luas. Dalam tolok ukur ABM tahunan keenam dari Momentum ITSMA dan ABM Leadership Alliance (rilis bertanggal 13 Desember 2022), sekitar 300 pemimpin dan praktisi ABM disurvei, dan 72% menyatakan ABM memberikan ROI lebih tinggi daripada jenis pemasaran lain. Anggaplah ini sebagai survei persepsi praktisi, bukan imbal hasil yang diaudit. Temuan ini tetap menunjukkan mengapa pimpinan terus mendanai ABM dan mengapa mereka akan bertanya apa tambahan dari AI.

Fakta Utama: AI dalam ABM

• Kontak pertama pembeli dengan penjual bergeser dari sekitar 69% menjadi 61% dari perjalanan pembelian, menurut laporan 6sense 2025 terhadap hampir 4.000 pembeli B2B (6sense).
• Laporan yang sama menyebut empat dari lima kesepakatan dimenangkan oleh favorit pembeli sebelum kontak, dan pembeli memilih dari daftar pendek Hari Pertama mereka sebanyak 95% dari waktu (6sense).
• Dalam tolok ukur ABM tahunan keenam Momentum ITSMA, 72% dari sekitar 300 praktisi yang disurvei menyatakan ABM memberikan ROI lebih tinggi daripada pemasaran lain, sebuah pandangan yang dilaporkan sendiri (rilis).
• Pekerjaan ABM yang paling cocok untuk AI: pemodelan kecocokan, penggabungan sinyal, ringkasan riset akun, dan draf pertama personalisasi.
• Titik lemah AI: dinamika politik komite pembelian, waktu yang tepat, dan penilaian apakah suatu sinyal nyata.

Langkah pertama: pemilihan akun dengan bantuan AI dan kecocokan ICP

Setiap program ABM dimulai dari sebuah daftar, dan daftar yang buruk adalah alasan paling umum program berkinerja rendah. AI membantu dengan dua cara.

Pemodelan kecocokan. Ambil pelanggan closed-won Anda, terutama yang bertahan, berekspansi, dan merujuk pelanggan lain. Bandingkan dengan akun yang churn (pelanggan berhenti) atau tidak pernah berkonversi. Sebuah model dapat menemukan pola dalam firmografi (industri, ukuran, wilayah), teknografi (alat yang dipakai perusahaan), dan ciri struktural (tahap pertumbuhan, pola perekrutan) yang membedakan kedua kelompok. Hasilnya adalah skor kecocokan untuk setiap akun di pasar Anda. Ini adalah versi berbasis data dari profil pelanggan ideal, dan sering kali bertentangan dengan profil yang ada di kepala tim penjualan. Itu informasi yang berguna.

Perluasan lookalike. Setelah Anda punya profil pelanggan terbaik, model memindai kumpulan perusahaan yang lebih luas dan menandai yang menyerupai mereka tetapi belum diperhatikan siapa pun di tim Anda. Dengan cara inilah daftar 200 logo pilihan tangan tumbuh menjadi daftar peringkat berisi 2.000 perusahaan yang masuk akal.

Ada dua peringatan. Pertama, model yang dilatih dari pelanggan masa lalu Anda akan mereproduksi masa lalu itu. Jika Anda hanya pernah menjual ke perusahaan perangkat lunak menengah, model akan terus merekomendasikan perusahaan perangkat lunak menengah dan melewatkan segmen baru yang ingin Anda masuki. Tambahkan segmen yang Anda inginkan, bukan hanya yang sudah Anda miliki. Kedua, kecocokan bukan minat. Akun dengan kecocokan sempurna yang puas dengan vendornya saat ini tetap menjadi target jangka pendek yang buruk.

Manusia sebaiknya membuat keputusan akhir untuk tier satu, kelompok kecil akun strategis yang mendapat program yang sepenuhnya dibuat khusus. Gunakan AI untuk membangun daftar panjang dan menjelaskan mengapa tiap akun mendapat skor tertentu, lalu biarkan para pemimpin penjualan dan pemasaran memperdebatkannya.

Langkah kedua: data intent dan penggabungan sinyal

Kecocokan memberi tahu siapa yang bisa membeli. Sinyal memberi tahu siapa yang mungkin membeli dalam waktu dekat. Data intent hadir dalam dua jenis: first-party (kunjungan situs web Anda, unduhan konten, balasan email, penggunaan produk) dan third-party (aktivitas riset di situs lain, dibeli dari penyedia data atau koperasi data).

Tugas AI adalah menggabungkan sinyal-sinyal ini. Satu kunjungan ke halaman harga hanya berarti sedikit. Satu kunjungan ke halaman harga, ditambah tiga kunjungan dari orang berbeda di perusahaan yang sama dalam seminggu, ditambah lowongan kerja untuk peran yang memakai kategori perangkat lunak Anda, berarti jauh lebih banyak. Model dapat menimbang semuanya sekaligus dan memperbarui skor saat peristiwa baru masuk, yang merupakan sepupu tingkat akun dari sistem penilaian prospek.

Beberapa aturan praktis:

• Beri skor pada akun, bukan hanya orangnya. Dalam ABM, tiga kontak dari satu perusahaan yang masing-masing melakukan hal kecil lebih kuat daripada satu kontak yang melakukan hal besar.
• Pisahkan data Anda sendiri dari data sewaan. Sinyal first-party Anda biasanya lebih andal dan lebih patuh aturan. Artikel tentang data first-party untuk pemasaran AI menjelaskan cara membangun fondasi itu.
• Perlakukan intent third-party sebagai petunjuk. Minat tingkat topik bisa berarti proyek riset, seorang mahasiswa, atau seorang konsultan. Gunakan untuk memprioritaskan percakapan, bukan untuk mengklaim bahwa kesepakatan sudah ada.
• Periksa dasar privasinya. Mencocokkan pengunjung anonim dengan perusahaan dan individu diatur berbeda di tiap wilayah. Minta tim hukum meninjau apa yang Anda kumpulkan dan cara Anda memakainya sebelum membangun play di atasnya.

Langkah ketiga: prioritas akun

Sekarang gabungkan kecocokan dan intent menjadi satu daftar kerja. Sebagian besar tim memakai grid sederhana, dengan kecocokan di satu sumbu dan keterlibatan atau intent di sumbu lainnya:

AI memperbarui grid ini secara terus-menerus, dan itulah keuntungan sebenarnya. Daftar statis yang dibuat tiap Januari sudah usang pada Maret. Model dapat menaikkan sebuah akun ke "Bertindak sekarang" pada hari tiga orang darinya membaca halaman harga Anda dan seorang champion berpindah kerja, serta menurunkan akun yang diam selama 90 hari.

Jaga agar aturan routing tetap dapat dibaca manusia. Tenaga penjual akan lebih memercayai skor yang bisa mereka pertanyakan ("kecocokan tinggi, empat pemangku kepentingan terlibat, VP Revenue Operations baru") daripada angka polos. Mintalah sistem apa pun yang Anda pakai untuk menampilkan alasan utama di balik setiap peringkat.

Langkah keempat: riset dan wawasan akun

Sebelum menjangkau, seseorang harus mempelajari akun tersebut. Dulu itu memakan 30 sampai 60 menit per tenaga penjual. AI generatif dapat menyusun brief akun dari sumber publik dan CRM Anda: apa yang dilakukan perusahaan, pengumuman terbaru, pergantian pimpinan, prioritas yang dinyatakan dalam rapat laporan keuangan atau siaran pers, alat yang mereka pakai, dan riwayat kontak sebelumnya dengan perusahaan Anda.

Brief itu sebaiknya diakhiri dengan hipotesis, bukan kesimpulan: "Mereka telah mengumumkan ekspansi ke dua pasar baru, jadi kecepatan onboarding mungkin penting." Tenaga penjual atau pemasar kemudian menguji hipotesis itu dalam percakapan nyata. Selalu periksa fakta dalam brief terhadap sumbernya, karena model dapat menyematkan pernyataan pada orang yang salah atau mengarang detail yang terdengar benar. Risiko halusinasi yang sama yang mengenai teks hasil generatif apa pun berlaku di sini, dan detail yang keliru dalam pesan kepada seorang eksekutif membuat Anda kehilangan kepercayaan yang tidak mudah dipulihkan.

Langkah kelima: play yang dipersonalisasi dalam skala besar

Personalisasi adalah tempat ABM dan AI generatif paling alami bertemu, dan juga tempat kesalahan paling memalukan terjadi. Pikirkan dalam lapisan:

1. Tingkat segmen (satu ke banyak). Konten yang disesuaikan untuk satu industri atau kasus penggunaan, dibuat dengan bantuan AI dan disunting oleh spesialis.
2. Tingkat klaster (satu ke beberapa). Pesan untuk kelompok 5 sampai 15 akun serupa, dibangun dari masalah yang sama.
3. Tingkat akun (satu ke satu). Konten, email, dan halaman arahan yang ditulis untuk satu akun, dengan AI menyusun draf dan manusia memegang versi akhirnya.

Sesuaikan upaya dengan tingkatnya. Pekerjaan satu-ke-satu penuh layak untuk sedikit akun yang bisa membenarkannya. Untuk ekor panjang, play klaster yang dibangun dengan baik mengalahkan empat puluh email tipis "Halo ".

Tempat AI paling membantu:

• Email dan sekuens. Susun versi pertama yang merujuk pada situasi nyata akun, lalu biarkan penjual menyuntingnya. Lihat pemasaran email dengan AI untuk pagar pengaman soal nada, volume, dan peninjauan.
• Media berbayar. Bangun audiens yang menyasar akun dan putar pesan menurut segmen. Iklan berbayar dengan AI membahas mekanismenya.
• Pengalaman web. Ganti judul utama, bukti pendukung, dan ajakan bertindak berdasarkan industri atau perusahaan pengunjung.
• Sales enablement. Ubah sebuah brief menjadi one-pager yang disesuaikan, kerangka rencana aksi bersama, atau sekumpulan pertanyaan discovery.
• Kontak dengan eksekutif dan acara. Siapkan poin pembicaraan dan tindak lanjut untuk makan malam, briefing, atau pertemuan konferensi.

Ujian untuk setiap aset yang dipersonalisasi sederhana: apakah penerima akan mengira ada orang yang memahami bisnis mereka yang menulisnya? Jika satu-satunya personalisasi adalah nama dan perusahaan, itu hanya mail merge, dan pembeli langsung mengenalinya.

Pandangan AI dalam ABM: pekerjaan, input, dan pemeriksaan manusia

Cara menerapkan AI dalam program ABM Anda: langkah demi langkah

1. Sepakati tujuan dan metriknya. Pipeline yang tercipta dari akun target, kecepatan kesepakatan, atau pendapatan ekspansi. Bukan "jumlah email terkirim."
2. Bersihkan data akun. Gabungkan perusahaan duplikat, perbaiki hubungan induk dan anak perusahaan, dan standarkan industri. Model memperbesar data yang buruk. Tinjau stack pemasaran AI untuk melihat sistem mana yang harus saling memberi data.
3. Definisikan keberhasilan bersama penjualan. Dokumentasikan seperti apa akun yang baik, apa yang dihitung sebagai sinyal pembelian, dan siapa menindaklanjuti apa. ABM gagal ketika pemasaran memberi skor pada akun yang diabaikan penjualan.
4. Bangun model kecocokan dengan holdout. Latih pada sebagian riwayat pelanggan dan uji pada sisanya. Jika model tidak bisa memilih pemenang dari data yang belum pernah dilihatnya, jangan terapkan.
5. Mulai dengan satu tier atau segmen. Uji coba 50 sampai 100 akun sudah cukup untuk belajar.
6. Gabungkan sinyal dengan aturan yang transparan. Tuliskan sinyal mana yang dihitung dan seberapa besar bobotnya. Tinjau alasan di balik akun peringkat teratas setiap minggu.
7. Siapkan peninjauan manusia untuk pesan keluar. Setiap pesan ke akun tier satu ditinjau oleh seseorang. Play klaster mendapat peninjauan sampel.
8. Simpan pustaka klaim yang disetujui. Berikan model fakta, referensi pelanggan, dan positioning yang boleh dipakainya, dan tidak lebih. Itu membatasi bukti yang diada-adakan.
9. Ukur terhadap kelompok pembanding. Sisihkan akun serupa yang mendapat perlakuan standar. Itulah satu-satunya cara bersih untuk melihat apa yang ditambahkan pendekatan berbantuan AI.
10. Tinjau setiap kuartal. Segarkan model dengan kemenangan dan kekalahan baru, hentikan sinyal yang tidak lagi memprediksi, dan tinjau ulang penetapan tier.

Kesalahan umum

• Menganggap skor sebagai kebenaran. Skor kecocokan atau intent adalah hipotesis tentang ke mana perhatian diarahkan. Pakai untuk memulai percakapan, bukan untuk memperkirakan pendapatan.
• Terlalu memercayai intent third-party. Aktivitas riset bukan keputusan membeli. Tim yang menyebut setiap akun yang ditandai "sedang di pasar" menghabiskan niat baik tim penjualan.
• Personalisasi yang membuat orang merinding. Merujuk aktivitas pribadi seseorang atau sesuatu yang tidak pernah mereka bagikan terasa seperti pengawasan. Gunakan informasi yang wajar diharapkan pembeli untuk Anda ketahui.
• Membiarkan AI mengarang fakta. Detail yang tidak diverifikasi tentang pelanggan, pesaing, atau eksekutif dapat mengakhiri sebuah hubungan. Periksa sebelum mengirim.
• Menaikkan volume, bukan relevansi. Inti ABM adalah interaksi yang lebih sedikit dan lebih tepat sasaran. Jika AI memungkinkan Anda mengirim sepuluh kali lebih banyak pesan ke daftar yang sama, Anda membangun kembali tebar luas dan berharap dengan kosakata yang lebih bagus.
• Melewatkan keselarasan dengan penjualan. Model tidak memperbaiki masalah serah terima. Jika tenaga penjual tidak menindaklanjuti daftar prioritas, peringkat itu hanya hiasan.
• Model yang hanya belajar dari masa lalu. Memberinya hanya komposisi pelanggan yang ada akan menyempitkan pasar Anda. Sertakan dengan sengaja segmen yang ingin Anda menangkan.
• Tanpa tinjauan privasi. Mencocokkan lalu lintas anonim dengan perusahaan dan orang dapat termasuk dalam aturan perlindungan data yang berbeda di tiap wilayah. Minta masukan hukum sejak awal.
• Mengukur aktivitas, bukan hasil. Pembukaan dan klik pada email akun hanya sedikit bercerita. Lacak perkembangan akun, pertemuan dengan peran yang tepat, dan pipeline.