Ich baute einen KI-Loop auf, der Leads erzeugt, während ich schlafe (47 in 30 Tagen).

Ich habe diesen Monat 47 Leads in mein CRM hinzugefügt und habe noch nicht eine einzige kalte E-Mail gesendet oder einen einzigen LinkedIn-Feed durchgeschaut.Eine KI-Schleife generiert sie, während ich an anderen Dingen arbeite.Heute baut ich sie mit Ihnen in achtzehn Minuten auf.

Hier ist das Bild. Make.com läuft alle sechs Stunden. Es zieht frische Beiträge aus einer Liste öffentlicher Quellen, für mich ist das eine kuratierte Reihe von Subreddits und X-Konten, wo meine idealen Kunden sich über Probleme beschweren, die ich löse. Jeder Beitrag wird an einen Lead Scout gesendet, einen System-Prompt, der mein ideelles Kundenprofil kalt kennt. Er gibt entweder qualifiziert-mit-Gründe zurück oder überspringt. qualifizierte Leads erhalten einen Ping Notion-Eintrag und eine Slack. Übersprüche verschwinden. Ich sehe sie nie. Achtzehn Minuten zu bauen, keine kalte E-Mail.

Schritt eins: der Lead Scout. Das ist das Gehirn. Wir bauen dieses Mal nicht eine benutzerdefinierte GPT, sondern bauen die System-Prompt, aus der benutzerdefinierte GPTs bestehen, und setzen sie innerhalb von Make.com ein. Gleiche Logik, unterschiedlicher Kontext. Hier ist die Promptsstruktur. Identität: Sie sind ein B2B-Prompt-Kualifizierer für einen Fraktions-CMO, der SaaS-Unternehmen zwischen fünf und fünfzig Mitarbeitern bedient, mit einem Umsatz zwischen zwei und zwanzig Millionen. Ersetzen Sie Ihren eigenen ICP. Regeln: Lesen Sie den Beitrag. Entscheiden Sie sich qualifiziert oder nicht. Qualifiziert bedeutet: entspricht der Größe des Unternehmens, erwähnt ein Problem im Zusammenhang mit Wachstum oder Marketing, und der Postende hat Entscheidungsbefugnis. Ausgangsformat: Antworten in JSON. Wenn qualifiziert, Name, Firma, Post, URL, Problem, vorgeschlagen, erstmals erwähnt. nicht zurückgeben, null. Wenn wir dies in zwei Minuten einfügen, werden es in zwei qualifizierte Minuten einfügen.

Schritt zwei, den Auslöser. Öffnen Sie Make.com, klicken Sie auf Neues Szenario erstellen. Das Auslösermodul hängt von Ihrer Quelle ab. Für X nutzen Sie das X-Modul Beobachten Sie Beiträge, die durch Keywords oder eine Liste von Konten gefiltert werden. Für Reddit nutzen Sie das Reddit-Modul Beobachten Sie neue Beiträge im Subreddit. Für RSS nutzen Sie das RSS-Modul Beobachten Sie RSS-Feed-Elemente, das für Nischen-Blogs am besten ist. Ich benutze Reddit, weil drei Subreddits mein gesamtes ICP bedecken. Setzen Sie den Auslöser ein: Subreddit-Namen, begrenzen Sie zehn neue Beiträge pro Lauf, planen Sie das Szenario alle sechs Stunden auszuführen. Der Zeitplan befindet sich im unteren Linken des Leinwands, Laufen Sie einmal ab, wechseln Sie zu jeder X-Stunde. Speichern Sie. Jetzt haben wir einen Strom frischer Beiträge, die in unser Szenario sechs Stunden eintreten, bereit für den Scout, um sie zu bewerten.

Schritt drei, der Qualifier. Fügen Sie ein OpenAI-Modul nach dem Auslöser hinzu, wählen Sie ein Erstellen von einem Abschluss. Modell: gpt-4o-mini. Das System-Prompt ist genau das, was wir in Schritt eins geschrieben haben, fügen Sie es in das System-Nachrichtenfeld ein. Die Benutzernachricht: nur der Postinhalt vom Auslöser, von der Ausgabe des Reddit-Moduls. Jetzt die Temperatur Einstellung, fallen Sie dies auf Punkt eins. Niedrige Temperatur bedeutet konsistent Ausgang, den wir brauchen, weil wir JSON nach unten parsieren. Hohe Temperatur bedeutet kreative Ausgang, die hier bedeuten würde inkonsistentes JSON-Formatieren und kaputte Automatisierung. Speichern. Testen Sie es einmal mit Run Once. Das OpenAI-Modul sollte eine JSON-String im Ausgangspaneel zurückgeben, entweder qualifizierte Daten oder Null. Wenn Sie dies sehen, arbeitet das Gehirn.

Schritt vier, der Filter. Wir wollen nur auf qualifizierte Leads handeln. Klicken Sie auf den Anschluss nach OpenAI, fügen Sie einen Filter hinzu. Bedingung: JSON-Antwort ist nicht null, was bedeutet, dass der Lead qualifiziert war. Jetzt müssen wir diesen JSON-String in einzelne Felder parsieren, die Make.com verwenden kann. Fügen Sie ein JSON-Modul Parsieren JSON hinzu. Map die OpenAI-Antwort in das JSON-String-Feld. Wenn Sie dies zum ersten Mal ausführen, fügen Sie eine qualifizierte Antwort in die Musterfelder ein, damit Make.com die Struktur kennt. Nach dem Parsieren haben Sie den Namen, das Unternehmen, das Problem und die empfohlene Nachricht der qualifizierten Lead als separate Variablen zur Verfügung.

Schritt fünf, die Aktionen. Wir sind wieder in ein vertrautes Gebiet vom letzten Video. Auf der gleichen Spitze, fügen Sie Notion Create ein Datenbank-Element hinzu. Wählen Sie Ihre CRM-Datenbank. Map die geparsierten JSON-Felder: Name zu Titel, Spalte Company zu Company, Problem zu Notes, Suggestionierte Nachricht zu einer Entwurf-Outreach-Spalte. Set Status zu Neuen Inbound. Speichern. Fügen Sie ein Slack Send ein Nachrichtenmodul. Channel: Leads. Message: New Inbound Lead, Name von Unternehmen. Problem: Problem. Entwurf der Nachricht bereit in Notion. Map die geparsierten Felder. Speichern. Jetzt, wenn eine qualifizierte Lead überall in Ihren überwachten Quellen erkannt wird, passieren zwei Dinge automatisch: ein CRM-Eintrag mit einer Entwurf-Outreach-Nachricht bereit, und ein Ping-Eintrag, damit ich weiß, es zu überprüfen. Gesamtzeit von der Post zu meinem Slack: weniger als dreißig Sekunden.

Hier schließt sich die Schleife. Wenn ich eine Führung in Notion überlege, öffne ich die Entwurfbotschaft, bearbeite sie für dreißig Sekunden und schicke sie aus Gmail. Der Empfänger antwortet. Diese Antwort trifft in meinen Gmail-Inbox, und das E-Mail-Triage-System aus dem letzten Video fängt sie an, klassifiziert sie als eine Führung, aktualisiert die gleiche Notion-Einlage mit der Antwort und pings mich wieder. So geht der Workflow: KI findet Führung, AI schickt eine Nachricht, ich schicke, Empfänger antwortet, AI fängt eine Antwort, AI aktualisiert CRM, ich sehe Benachrichtigung. Schlossene Schleife. Ich habe diese ganze Pipeline für dreißig Sekunden berührt.

Drei Fehler zu vermeiden. Eins, das schwere GPT-4-Modell für den Qualifikationsschritt zu verwenden. Das Mini-Modell ist genug für die binäre Qualifikation zu einem Zehntel der Kosten. Zweitens, das Szenario ohne einen Kill-Switch auf Kosten zu laufen zu lassen. Fügen Sie eine OpenAI-Nutzungsobergrenze in den Einstellungen von Make hinzu. Mine ist auf zwanzig Dollar pro Monat gesetzt. Drei, überbreite Quellen. Ich begann mit zwölf Subreddits und bekam Lärm. Drei hochsignal-Quellen schlugen jedes Mal zwölf mediokre Quellen. Kuratieren Sie die Eingaben, nicht die Filter.

37 qualifizierte Leads wurden in CRM aufgenommen. Sechs reagierten auf meine Auswahl. Zwei wurden bezahlende Kunden. Einer buchte ein 30-tausend-Dollar-Engagement. Gesamtkosten: zwölf Dollar in OpenAI-Gebühren, neunundzwanzig Dollar in Make.com. Ich verbrachte etwa zehn Minuten am Tag damit, die Leads in Notion zu überprüfen und Entwurfmeldungen zu bearbeiten, bevor ich sie schickte. Das ist es. Das System fand, qualifizierte und vorentworfte alles andere. Vergleichen Sie das mit der alten Schule kaltes Outreach: fünfzig Stunden pro Monat für die gleichen Ergebnisse. Die Mathematik ist nicht zu Ende.

Der vollständige Lead Scout-System-Prompt und der Make.com-Bluprint sind in der Beschreibung.Ändern Sie den Prompt für Ihren ICP, tauschen Sie Ihre Quellen aus, Sie haben in zwanzig Minuten die gleiche Schleife.Abonnieren Sie, denn im nächsten Video vergleiche ich Notion AI, ChatGPT und Claude Seite an Seite nach dreißig Tagen mit jedem als meinem täglichen Fahrer.