Mengapa AI untuk GTM Gagal Memberikan Hasil (dan Cara Memperbaikinya)

• Sebagian besar tim GTM yang telah mengadopsi berbagai AI seperti penulisan email, AI SDR, dan alat intent masih belum merasakan peningkatan produktivitas penjualan, pipeline, maupun pendapatan sebesar yang diharapkan
• Saat AI diberi tugas untuk menyusun strategi akun, hasilnya sering hanya berupa pesan yang akurat secara teknis tetapi generik, seperti "Acme sedang merekrut SDR dan tahun lalu punya peluang closed-lost, jadi hubungi mereka", yang pada akhirnya langsung dihapus oleh pembeli
• Akar masalahnya adalah AI tidak memiliki dua hal yang dibutuhkan untuk pengambilan keputusan yang baik, yaitu konteks (context) dan logika (logic)
• Sebagian besar alat AI GTM hanya berfokus pada lapisan eksekusi (Execution) seperti pembuatan email dan skrip, sementara area hulu (upstream) seperti targeting dan sudut pandang (POV), yang justru memberi leverage nyata, dibiarkan terbengkalai
• Tim yang lebih maju membangun GTM Context Layer milik mereka sendiri di antara data sumber dan alat eksekusi; inti keunggulan kompetitifnya adalah kemampuan menentukan sendiri sinyal mana yang penting, mengapa sekarang, kepada siapa, dan apa yang harus dikatakan

---

Pendahuluan — Realitas bahwa AI belum menghasilkan performa GTM

• Sebagian besar tim GTM telah mengadopsi AI dalam berbagai bentuk, seperti penulisan email, AI SDR, alat intent, outbound berbasis sinyal, riset otomatis, dan deal review
• Pada dasarnya, AI seharusnya mampu meningkatkan efisiensi rep, pipeline, dan pendapatan dari deal yang benar-benar berhasil ditutup secara terukur, tetapi hasil di sebagian besar tim masih jauh dari memadai
• Saat AI diminta menyusun strategi akun, hasilnya akan seperti berikut
  • "Acme is hiring SDRs and had a closed-lost opportunity last year. Reach out about renewed pipeline growth."
  • Secara teknis memang benar, tetapi sepenuhnya generik, sehingga rep tetap harus melakukan riset manual, penentuan prioritas tetap berupa tebakan, dan outreach terasa artifisial
• Masalah intinya adalah menyerahkan keputusan GTM kepada AI tanpa konteks dan logika yang dibutuhkan untuk mengambil keputusan

North Stars GTM — Titik yang benar-benar harus diperbaiki AI

• Jika kembali ke prinsip pertama, tim GTM harus fokus pada tiga hal
  • a) pipeline lebih banyak, b) pergerakan pipeline lebih cepat, c) lebih banyak pendapatan closed-won
  • Tulisan ini berfokus pada a) pipeline generation
• Jika digali lebih dalam ke tiga "input" yang bisa dikendalikan organisasi penjualan (di luar demand dan awareness pasar)
  • Targeting: akun dan orang mana yang harus difokuskan
  • Hypothesis: masalah apa yang akan diangkat dan solusi apa yang akan ditawarkan
  • Execution: seberapa baik hipotesis itu diubah menjadi outreach, call, presentasi, dan sebagainya
• AI bisa menambah leverage di ketiga area, tetapi masalah mulai muncul pada titik di mana leverage itu benar-benar diterapkan
  • Sebagian besar alat AI GTM terlalu berfokus pada lapisan ketiga, yaitu Execution; berguna untuk menulis email, merangkum akun, membuat call script, dan mengotomatiskan aktivitas, tetapi itu bukan tempat leverage terbesar berada

Realitas — 'Alpha' yang sesungguhnya ada di hulu (upstream)

• Kualitas targeting dan point of view jauh lebih penting daripada kualitas email yang dikirim
  • Jika akun dipilih dari sinyal yang umum dan hipotesisnya lemah, maka bahkan email yang 'hebat' pun tidak akan menghasilkan apa-apa
  • Sebaliknya, jika pendekatannya ke akun yang tepat dengan hipotesis yang tajam, copy tidak harus sempurna; cukup relevan
• Upaya AI GTM saat ini lesu karena agen hari ini bukan ahli dalam menilai hal-hal berikut
  • akun mana yang penting / mengapa akun itu penting sekarang / siapa yang paling relevan / pain mana yang paling mungkin ada / pesan seperti apa yang benar-benar membangun kepercayaan
• Ada dua akar penyebab yang saling terkait
  • Context: agen tidak memiliki konteks GTM yang tepat
  • Logic: logika yang seharusnya menjadi kekuatan internal perusahaan justru di-outsourcing

Problem One — AI tidak memiliki konteks yang tepat

• Stack GTM terfragmentasi, dan tenaga penjualan yang hebat sangat paham sinyal apa yang menentukan keputusan pembelian, serta bagaimana menangkap, memprioritaskan, dan memetakan relasinya
  • Mereka menggali semua informasi yang tersedia seperti CRM, rekaman panggilan, aktivitas intent, mutual connection, lowongan kerja, reddit, forum online, dan lain-lain untuk merancang targeting, hipotesis, dan messaging
  • Agen pun tidak berbeda
• Saat Anda bertanya kepada LLM siapa yang harus ditarget dan apa yang harus dikatakan, jika ia a) hanya punya sebagian kepingan puzzle atau b) tidak tahu bagaimana kepingan itu saling terhubung (atau keduanya), maka ia tidak bisa efektif

• Contoh — Sinyal perekrutan yang sama, dua akun yang sama sekali berbeda

  • Anggap dua perusahaan baru-baru ini memasang lowongan SDR
  • Agen yang tidak punya konteks dan logika yang tepat akan mendeteksi sinyal perekrutan yang sama pada kedua akun, memprioritaskan keduanya, dan menghasilkan outbound yang mirip
  • Padahal dalam kenyataannya, kecocokan, intent, situasi, dan karena itu prioritasnya bisa sepenuhnya berbeda
    • Company A: sedang merekrut untuk memperluas outbound, menggunakan alat yang terintegrasi dengan solusi Anda, memiliki pain yang memang diselesaikan dengan baik oleh produk Anda, baru-baru ini mengunjungi situs Anda, dan baru saja merekrut mantan champion
    • Company B: juga sedang merekrut SDR, tetapi sudah menggunakan alat yang sulit Anda gantikan, memiliki workflow yang tidak terintegrasi dengan baik dengan Anda, dan bulan lalu mengatakan kepada SDR cold call bahwa mereka baru menandatangani kontrak tiga tahun
  • Jika agen tidak bisa mengakses semua data, dan tidak tahu di mana perusahaan Anda unggul dan lemah, bagaimana perbandingannya dengan alat yang sudah ada, sistem integrasinya, pain yang paling baik diselesaikan, serta skenario pembelian yang layak dikejar, maka ia tidak akan efektif
• Memberi AI sinyal adalah bagian yang mudah; bagian yang sulit adalah memastikan AI cukup memahami bisnis untuk mengetahui sinyal mana yang penting, bagaimana memberi peringkat, dan apa yang harus ditonjolkan

Problem Two — Logika pinjaman tidak bisa menjadi keunggulan kompetitif

• Cacat strategisnya adalah meng-outsourcing sesuatu yang seharusnya menjadi keunggulan kompetitif inti perusahaan
  • Membeli upstream intelligence seperti targeting dan pembuatan hipotesis dari vendor AI GTM
• Jika itu di-outsourcing, Anda pada akhirnya menjalankan logika pengambilan keputusan yang sama dengan semua orang lain yang memakai model atau vendor tersebut
  • Sinyal atau strategi yang bisa diakses semua orang, menurut definisinya, tidak bisa menjadi keunggulan
  • Satu-satunya hal yang bisa benar-benar proprietari adalah apa yang Anda lakukan dengannya, yaitu lapisan interpretasi yang menentukan sinyal mana yang penting, bagaimana sinyal itu digabungkan, dan apa artinya bagi perusahaan Anda
  • Jika lapisan interpretasi itu juga dibeli dari vendor, maka keunggulan terakhir yang tersisa pun ikut terkomoditisasi
• Meski begitu, ada bagian workflow yang memang masuk akal untuk dibeli
  • Tidak efisien jika harus membangun sendiri alat lapisan eksekusi (execution layer) seperti account enrichment, pencarian lowongan kerja, scraping situs web, pembuatan draft, ringkasan panggilan, lead routing, sinkronisasi data, dan pengiriman email
• Sebaliknya, area hulu dan inti berikut tidak boleh di-outsourcing
  • akun mana yang harus diprioritaskan / sinyal mana yang benar-benar penting / kombinasi sinyal apa yang menunjukkan skenario pembelian nyata / persona mana yang terlibat / hipotesis pain apa yang harus dipakai / bukti apa yang harus dilampirkan / apa yang harus dipelajari dari won, lost, balasan, dan meeting booked
• Aturan sederhananya
  • Buy: alat untuk mengeksekusi pekerjaan (mengidentifikasi lowongan kerja, memperkaya kontak, membuat copy email, mengirim email, dll.)
  • Own: logika yang memengaruhi keputusan (apa yang dicari dari lowongan kerja, sinyal apa yang harus di-scrape, bagaimana memberi peringkat prioritas akun, dll.)

The Fix — Membangun GTM Context Layer

• Tim yang berhasil dengan AI menempatkan lapisan intelligence di antara data sumber dan alat eksekusi, mengubah sinyal menjadi sudut pandang yang hanya bisa dibuat oleh mereka sendiri
• Inilah GTM Context Layer, sistem proprietari yang memberi tahu manusia dan agen sinyal mana yang penting, bagaimana menafsirkannya, skenario apa yang diindikasikan, siapa yang kemungkinan tertarik, dan pesan apa yang tepat
• GTM Context Layer yang kuat terdiri dari tiga bagian

  • Data Foundation (fondasi data)

    • Menggabungkan bahan mentah seperti data CRM, riwayat peluang, alasan lost, penggunaan produk, aktivitas situs web, enrichment, lowongan kerja, berita, technographic, catatan panggilan, email engagement, catatan partner, dan aktivitas rep
    • Cara membangunnya: warehouse + pipeline ETL, sinkronisasi CRM, API enrichment, event produk, scraping, tabel normalisasi
    • Dampaknya: memberi manusia dan agen gambaran menyeluruh tentang akun

  • GTM Decision Logic (logika keputusan GTM)

    • Lapisan berbasis aturan yang mendefinisikan ICP, persona, account scoring, bobot sinyal, routing logic, skenario pembelian, disqualifier, dan playbook
    • Cara membangunnya: model SQL/dbt, scoring table, rules engine, segmen, logika yang dimiliki bisnis
    • Dampaknya: mengubah data mentah menjadi edge GTM yang unik bagi perusahaan Anda

  • AI Orchestration Layer (lapisan orkestrasi AI)

    • Lapisan workflow yang mengoordinasikan retrieval, tool calling, prompt routing, agent skill, perakitan konteks, dan pembuatan output
    • Menentukan konteks apa yang harus diambil, sumber mana yang harus dicek, sinyal mana yang harus diranking, playbook mana yang diterapkan, dan skill mana yang dijalankan
    • Cara membangunnya: vector retrieval, kueri SQL, prompt routing, system prompt, tool calling, agent skill, structured output, feedback loop
    • Dampaknya: mengubah strategi menjadi tindakan, dengan prioritisasi yang lebih baik, messaging yang lebih tajam, dan agen yang mengikuti logika GTM
• Jika dilakukan dengan benar, output agen akan berubah seperti ini
  • Sebelum: "Acme is hiring SDRs and had a closed-lost opportunity last year. Reach out about renewed pipeline growth."
  • Sesudah: "Acme is hiring SDRs and RevOps, uses a stack we consolidate well, and lost last time due to timing. Prioritize RevOps with a tooling-efficiency angle, Sales with a pipeline-growth angle, and tailor outreach to the pain each team owns."

Where to Start — Dari mana harus mulai

• Tidak perlu membangun ulang seluruh stack GTM dalam semalam; mulailah dengan memeriksa tiga hal berikut
  • Audit lokasi Decision Logic: cek apakah Anda membiarkan algoritme AI pihak ketiga menentukan siapa yang harus ditarget dan bagaimana value diposisikan; jika ya, tarik kembali definisi ICP ke internal
  • Beralih dari sinyal ke skenario: jangan memicu outreach berdasarkan satu event yang terisolasi; arahkan tim data untuk membuat model yang mencari kombinasi event yang menunjukkan pain yang tidak bisa dibantah
  • Batasi payload orkestrasi: jangan biarkan alat menebak apa yang harus dikatakan; kirimkan payload yang sangat dibatasi dan sangat kaya konteks untuk setiap prospek
• Tidak perlu melakukan ketiganya sekaligus; satu saja sudah cukup untuk menarik kembali pengambilan keputusan nyata ke dalam bisnis dan unggul dari kompetitor yang menjalankan logika dasar yang sama

Closing — Penutup

• Alasan AI untuk GTM tampil buruk sebenarnya sederhana: tim mengotomatiskan eksekusi tetapi tidak berinvestasi pada penilaian hulu (upstream judgment) di baliknya
• Sekarang semua orang punya model yang sama dan sinyal siap pakai yang sama; yang membedakan tim terdepan adalah apa yang mereka miliki sendiri di atas lapisan eksekusi, yaitu sinyal kustom yang mereka bangun sendiri dan context layer yang tahu mengapa akun ini, mengapa sekarang, kepada siapa, dan apa yang harus dikatakan
• AI tidak menggantikan strategi; AI hanya menyingkap seberapa baik strategi itu sebenarnya, dan sebagian besar implementasi saat ini adalah buktinya