Un'azienda di Vicenza che vende utensili e abrasivi per la lavorazione dei metalli prepara una campagna verso le carpenterie metalliche del Nord Est. La lista arriva da un vecchio file. L'AI legge i siti e scrive un messaggio personalizzato per ogni azienda. Uno di questi messaggi fa i complimenti al titolare per il nuovo capannone. Il capannone è di sei anni fa, la notizia era rimasta sul sito, e nel frattempo l'azienda è in liquidazione. Chi legge è il liquidatore, che non risponde e si ricorda il nome di chi ha scritto. Questo articolo parla di un punto che si discute poco: nella ricerca di clienti il modello di AI lavora sempre su una lista, e la lista decide il risultato più del modello. Il processo completo, dai dati al meeting, è descritto in /sistema.
L'errore che l'AI amplifica
Senza AI, una lista sbagliata produce messaggi generici mandati alle aziende sbagliate. È uno spreco, ma si vede subito. Con l'AI lo stesso errore cambia forma. Il modello prende il dato che trova e ci costruisce sopra una frase convincente. Se la lista dice cinquanta dipendenti, il messaggio parla di una realtà strutturata. Se il ruolo indicato è «direttore acquisti», il messaggio parla di forniture a una persona che magari è passata alla qualità due anni fa. L'AI non sa che il dato è vecchio. Lo tratta come vero e lo rende credibile. Un messaggio generico sbagliato si cestina. Un messaggio personale sbagliato dice al destinatario che nessuno ha controllato, con il tuo nome in firma. E l'AI lavora veloce: lo stesso errore si ripete su centinaia di righe nello stesso giorno.
I difetti tipici di una lista e da dove vengono
I difetti si ripetono quasi sempre uguali. Aziende cessate o in liquidazione, che restano negli elenchi perché nessuno li aggiorna. Codici ATECO che descrivono l'attività dichiarata anni fa e non quella di oggi, come spiegato in /glossario/codice-ateco: un'officina nata come tornitura che ora fa soprattutto assemblaggio. Dimensioni sbagliate, perché il fatturato è quello del gruppo o di un esercizio vecchio. Decisori cambiati, andati in pensione o passati a un'altra azienda. Indirizzi generici come info@ o amministrazione@, che finiscono a un centralino. Siti morti o fermi da anni. Duplicati, con la stessa società scritta in due modi. Gruppi societari confusi, dove si scrive alla holding con tre addetti invece che alla controllata che produce. Le cause sono tre: fonti vecchie, liste rivendute più volte, incroci automatici che nessuno ha letto. Il tema delle liste comprate è in /blog/liste-acquistate-perche-costano-poco-e-rendono-meno.
Perché un modello migliore non li ripara
Si tende a pensare che un modello più potente capisca da solo che qualcosa non torna. A volte succede, se l'incoerenza è nel testo che legge. Quasi sempre no, perché l'informazione che servirebbe non è davanti al modello. Che un'azienda sia in liquidazione si legge nel /glossario/registro-imprese, non nella home page. Che il direttore commerciale sia cambiato a marzo non lo dice nessuna pagina pubblica. Un modello migliore scrive frasi migliori sugli stessi dati. Se i dati sono sbagliati, scrive meglio una cosa falsa. C'è anche un effetto meno visibile: un modello bravo riempie i vuoti. Se manca un dato tende a dedurlo, e la deduzione sembra un fatto. Per questo cambiare modello senza cambiare lista migliora la forma dei messaggi e spesso lascia uguali le risposte.
I controlli che contano prima di usare l'AI
Prima che l'AI scriva una riga, ogni azienda dovrebbe passare cinque controlli. Lo stato dell'impresa nel registro: attiva, in liquidazione, cessata, con procedure in corso. Il bilancio depositato: se c'è, di quale anno è, cosa dice su dimensione e andamento. Il metodo è in /blog/bilancio-depositato-come-filtro-per-la-lista-in-target. Il sito: se risponde, se è aggiornato, se descrive l'attività che ti interessa. Il ruolo della persona, verificato su una fonte recente e non copiato da un elenco di anni fa. La data dell'ultimo controllo, scritta accanto a ogni riga. Quest'ultimo punto sembra burocrazia, ma dice quanto vale la lista tra tre mesi. Una lista senza date è una lista di età sconosciuta. Nei settori con molte aziende familiari, come /settori/manifattura-e-industria, ruolo e gruppo societario pesano di più, perché chi decide spesso non ha un titolo scritto da nessuna parte.
Come misurare la qualità della lista
La qualità di una lista si misura con tre strumenti semplici. Il primo è un campione letto da una persona: per esempio cinquanta righe prese a caso, controllate una per una sul registro e sul sito. Non serve una percentuale precisa. Serve vedere se gli errori sono sparsi o si ripetono uguali, perché un errore che si ripete viene dalla fonte. Il secondo sono le risposte di tipo «non sono io»: «non mi occupo più di questo», «ho lasciato l'azienda», «scriva alla sede centrale». Ognuna è un dato da correggere e un segnale sulla lista. Il terzo sono i rimbalzi, i messaggi che tornano indietro perché l'indirizzo non esiste più, descritti in /glossario/bounce-rate. Se crescono, la lista è vecchia. Prima ancora di partire conviene sapere quante aziende restano dopo i controlli: lo strumento /strumenti/bacino-reale aiuta a stimarlo.
Cosa deve fare l'AI e cosa no
In questo processo l'AI è utile in compiti precisi. Legge i siti e classifica l'attività vera, anche quando il codice ATECO dice altro. Segnala le righe in cui i dati non tornano, per esempio un'azienda con un dipendente e un fatturato da gruppo. Riassume un bilancio. Smista le risposte e mette da parte i «non sono io» perché la riga venga corretta. Prepara una bozza sui fatti verificati. Ci sono invece cose che non deve fare da sola: dedurre un dato che manca, decidere chi è il decisore quando la fonte è incerta, mandare un messaggio costruito su un fatto non controllato, rispondere a un prospect senza che una persona legga. La regola pratica: meglio un messaggio meno personale che un messaggio personale su un fatto falso. Il confine è discusso in /blog/ai-nelle-vendite-b2b-cosa-fa-bene-e-cosa-non-da-sola, e il ruolo del modello che affianca la squadra è in /glossario/ai-brain.
Come capire se un fornitore cura la lista
Chi propone un servizio con l'AI parla volentieri del modello. Conviene spostare la conversazione sulla lista, con poche domande. Da quali fonti vengono aziende e persone? Quando è stato fatto l'ultimo controllo, e la data è scritta su ogni riga? Quali aziende vengono scartate prima di partire, e perché? Posso leggere un campione prima dell'avvio? Cosa succede a un rimbalzo o a un «non sono io»: la riga viene corretta o resta lì per il ciclo successivo? Chi legge i messaggi prima che partano? Un fornitore che cura la lista risponde con esempi e mostra il campione senza difficoltà. Uno che non la cura risponde con il numero di contatti disponibili. Quel numero conta poco. Conta quante di quelle righe sono vere oggi.
Come lavoriamo sulla lista
Le liste le costruiamo da fonti pubbliche e bilanci depositati. L'AI Brain prepara e classifica i dati; le persone della squadra BDR decidono e scrivono le risposte.
Nel pay per meet erogato il meeting si paga solo se svolto. Prima di partire c'è l'assessment strategico, che a volte si chiude con un no.
La soluzione
Una lista curata non si vede nei messaggi, si vede nelle risposte. Nell'assessment strategico si parte dal bacino reale del tuo mercato e dai filtri della lista, prima di parlare di messaggi.
