Cara memanfaatkan agen AI untuk pemasaran

• Saat sebagian besar organisasi pemasaran masih berhenti pada penggunaan satu alat yang berpusat pada ChatGPT, SafetyCulture menerapkan agen AI di seluruh GTM dan menghasilkan peningkatan kualitas lead, penciptaan peluang, dan kenaikan adopsi fitur
• Di tengah lonjakan global pendaftar gratis, perusahaan membangun workflow pengayaan lead paralel berbasis AI untuk menyelesaikan masalah pelengkapan informasi lead dan penentuan prioritas, sehingga mencapai tingkat kelengkapan data yang nyaris 100%
• Mereka menyiapkan AI agar menjalankan outbound yang dipersonalisasi (BDR otomatis) dengan menggabungkan data dari berbagai sistem seperti Salesforce, HubSpot, dan ZoomInfo untuk membuat pesan yang dipersonalisasi, lalu secara signifikan meningkatkan pemesanan meeting dan penciptaan peluang
• Mereka membangun mesin lifecycle AI yang menggabungkan pola penggunaan pelanggan, industri, dan perilaku pelanggan serupa untuk membuat rekomendasi fitur yang dipersonalisasi dan lebih dari 2.500 variasi pesan, sehingga meningkatkan tingkat adopsi fitur
• Dengan membuat lapisan aplikasi kustom berbasis AI yang menyatukan berbagai sistem GTM, tim sales dan marketing dapat melihat semua informasi serta ‘langkah berikutnya’ di satu layar, yang meningkatkan konversi lead→peluang lebih dari 25%
• Agen AI beralih dari mode eksekusi otomatis awal ke model campuran copilot, dan setiap workflow baru dimulai dalam mode copilot lalu secara bertahap diperluas tingkat otomatisasinya

---

Agen AI 1: Pengayaan lead berbasis AI

• Pelanggan SafetyCulture datang dari seluruh dunia dari industri yang bukan pembeli teknologi tradisional, seperti manufaktur, ritel, transportasi, konstruksi, dan pertambangan
  • Jika hanya menggunakan satu platform pengayaan lead, datanya sering tidak cukup atau cepat usang
• Karena itu, mereka membangun sistem pengayaan lead AI yang independen dari platform dan memanggil 5 penyedia data secara paralel (strukturnya mirip Clay, tetapi dikembangkan sendiri)
• Workflow tersebut memanggil penyedia secara berurutan dengan metode waterfall, memilih nilai paling tepercaya untuk tiap atribut, lalu agen terpisah memverifikasinya menggunakan informasi publik seperti situs web dan LinkedIn
• Untuk lead di AS, sistem juga memeriksa OSHA API guna mencari riwayat pelanggaran terbaru untuk mendapatkan konteks risiko tempat kerja, lalu mengirim ringkasan ke Slack bersama informasi lead
• Hasilnya, tingkat pengayaan menjadi mendekati 100%, dan tim GTM serta AI BDR dapat lebih cepat mengidentifikasi ‘pelanggan yang tepat’ dan langsung merespons
  • Kualitas data adalah fondasi semua workflow AI, dan personalisasi yang akurat dimungkinkan ketika beberapa sumber data divalidasi silang

Agen AI 2: AI Auto BDR

• Dengan 500.000 pendaftaran tim gratis per tahun, skalanya terlalu besar untuk ditangani tim sales, sehingga muncul masalah sulit mengklasifikasikan pelanggan mana yang high-fit
• Sebelumnya, tim sales meninjau lead satu per satu, meneliti, lalu menulis pesan khusus, tetapi proses ini lambat dan menjadi penyebab turunnya tingkat respons
• Perusahaan kemudian memperkenalkan AI inbound BDR yang menggunakan AI untuk menangani outreach yang dipersonalisasi, respons berbasis knowledge base, dan pemesanan meeting
• Dengan menggabungkan data Salesforce, HubSpot, ZoomInfo, dan Redshift, sistem menganalisis situasi lead, intent, dan riwayat penggunaan, memilih dua studi kasus pelanggan yang relevan, membuat email yang dipersonalisasi, lalu otomatis mendaftarkannya ke sequence Gong Engage
• Hasilnya, tingkat pemesanan meeting naik 3x, dan peluang penjualan naik 2x; untuk menekan biaya, panggilan AI diprioritaskan untuk lead yang high-fit
  • AI BDR bukan untuk menggantikan sales, melainkan untuk memanaskan prospek lebih dulu agar AE bisa cepat fokus pada deal
  • Dukungan multibahasa sangat efektif terutama di Eropa dan Amerika Latin

Agen AI 3: Personalisasi lifecycle AI

• Karena alasan pelanggan menggunakan SafetyCulture sangat beragam—mulai dari audit, checklist, inspeksi, hingga regulasi keselamatan—satu pesan saja sulit memuaskan semua pelanggan
• Untuk mengatasinya, mereka membangun mesin rekomendasi berbasis AI yang merekomendasikan fitur terkait berdasarkan perilaku pelanggan yang mirip
• Di Databricks, mereka menggunakan RAG dan workflow agen untuk menganalisis data penggunaan produk secara mendalam, lalu otomatis menghasilkan lebih dari 300 use case inti
• Berdasarkan use case tersebut, sistem menghubungkan set fitur yang sesuai untuk tiap pelanggan, menghasilkan lebih dari 2.500 versi copy dengan AI, lalu menyimpannya di Redshift dan Braze untuk dipakai dalam pesan yang dipersonalisasi
• Dampaknya, tingkat adopsi fitur baru naik 10% dan berujung pada penggunaan produk yang lebih dalam, sehingga retention ikut meningkat
  • Karena panggilan AI real-time kadang menimbulkan latensi, sistem dijalankan secara berkala lalu di-cache agar platform pemasaran bisa langsung menggunakannya
  • Dibanding LLM besar, model yang lebih kecil kadang jauh lebih praktis dari sisi keseimbangan kecepatan dan biaya

Agen AI 4: Lapisan aplikasi AI kustom untuk marketing/sales

• Setiap sistem GTM punya fitur AI sendiri, tetapi tidak dirancang sesuai produk SafetyCulture, dan tim sales maupun marketing harus berpindah-pindah alat untuk mencocokkan informasi
• Perusahaan menggunakan Retool untuk membangun lapisan aplikasi berpusat pada AI yang memungkinkan semua informasi pelanggan dan ‘langkah berikutnya’ dilihat di satu layar
  • Tersedia dua tampilan: lead console dan company viewer
• Lapisan ini menampilkan dalam satu tempat semua data lead/pelanggan, informasi pengayaan AI, catatan panggilan Gong, data penggunaan dari Amplitude, prediksi churn, hingga lead routing
• Dengan menganalisis catatan panggilan Gong, sistem otomatis membuat ringkasan SPICED dan menyimpannya ke Salesforce untuk mengotomatiskan handoff BDR→AE
  • AE juga bisa langsung melihat penggunaan, jumlah tim berbayar, dan pendekatan outreach yang direkomendasikan melalui fitur “tanyakan apa saja tentang akun ini”
• Tingkat konversi lead→peluang penjualan meningkat lebih dari 25%, dan berkat otomatisasi BDR menghemat sekitar 30 menit per peluang
  • Lebih dari 80% tim aktif menggunakan lapisan aplikasi ini, dan peningkatan produktivitas menghasilkan respons yang lebih cepat serta keterlibatan pelanggan yang lebih baik
  • AI tidak harus selalu berjalan dalam mode autopilot agar bernilai; bentuk copilot pun sudah sangat kuat

Pembelajaran dari organisasi GTM yang mengutamakan AI

• SafetyCulture terlebih dahulu menyeleksi di titik mana dalam perjalanan pelanggan AI paling efektif, apakah untuk mengidentifikasi, mempersonalisasi, memprediksi, memberi saran, atau mengotomatiskan
• Awalnya mereka berfokus pada otomatisasi, tetapi kini mengadopsi model campuran antara copilot dan otomatisasi, dan semua workflow baru dimulai dalam mode copilot
• Bagian tersulit adalah akses data, keamanan, menjaga tone merek, serta masalah halusinasi AI pada tahap awal
  • Karena banyak pelanggan mengandalkan SafetyCulture di lapangan, keandalan dan konsistensi menjadi hal yang krusial
• Mereka menekankan bahwa bukan sekadar menyebarkan ChatGPT ke tim, melainkan mencari titik pemanfaatan AI berdasarkan workflow nyata yang benar-benar menghasilkan dampak