AI fylder mere og mere i dansk B2B-telemarketing, men effekten afhænger af, hvor i processen teknologien sættes ind, og hvor disciplineret den bliver brugt. Vi ser ofte, at AI bliver købt som et løfte om flere møder, uden at man har styr på data, målgruppe, samtykker og den helt konkrete arbejdsgang for sælgere og mødebookere.
Når AI virker, føles det ikke som magi. Det føles som færre manuelle opgaver, skarpere prioritering og bedre opfølgning, mens det menneskelige arbejde stadig står for relation, timing og den rigtige samtale.
Hvor AI typisk skaber værdi i B2B-opkald
AI giver mest værdi, når den fjerner friktion før og efter opkaldet, og når den hjælper os med at bruge tiden på de rigtige kontakter.
Vi bruger især AI-lignende funktioner (og i stigende grad generativ AI) til at:
- gøre leadlister mere relevante
- prioriteret ringeliste
- få bedre data på virksomheder og kontakter
- holde tempo i opfølgning
- finde mønstre i samtaler, så vi kan kvalificere skarpere
Det lyder enkelt, men i praksis er det netop de små processer, der afgør, om pipeline bliver stabil.
Vi ser typisk gode resultater, når AI bliver sat ind her:
- hurtigere research
- prioriteret ringeliste
- bedre mødebrief til sælger
- konsekvent opfølgning
Data først: lead scoring og berigelse der kan bruges
AI kan rangere leads og foreslå, hvem vi bør ringe til først. Det kan være baseret på firmografiske data (branche, størrelse, geografi), adfærdssignaler (besøg på website, downloads) eller teknologisignaler (brug af bestemte platforme). I B2B er det ofte nok til at løfte relevansen mærkbart.
Men scoring virker kun, hvis inputdata er troværdige. Vi møder ofte CRM-data, der har huller: gamle titler, omstruktureringer, dubletter, forkert telefonnummer eller kontaktpersoner, der ikke længere er i virksomheden. Når den slags ryger ind i en model, får man bare en hurtigere version af det samme rod.
Et praktisk pejlemærke er, at man skal kunne stole på tre ting, før man automatiserer prioriteringen: virksomhed, rolle og kontaktvej.
Her er en enkel måde at skille “AI der hjælper” fra “AI der larmer” i lead scoring:
| Område | Når det virker | Når det ikke virker | Hvad vi gør i praksis |
|---|---|---|---|
| Lead scoring | Klare ICP-kriterier og opdaterede felter | Uens felter, mange “ukendt”, gamle titler | Krav til minimumsfelter før lead går i ringeliste |
| Data-berigelse | Automatiske opslag i solide kilder (fx CVR) | Berigelse uden kontrol, som skaber dubletter | Validering og deduplikering før data rammer CRM |
| Call timing | Historik og læring pr. segment | Generelle “bedste tider” uden segmentering | Test pr. branche og beslutningstager-type |
| Personalisering | Fakta om virksomheden og en relevant vinkel | Standardtekst med indsat virksomhedsnavn | Kort, konkret og kun det, vi kan stå inde for |
Når data er på plads, kan AI også hjælpe med at opdage “købsnære” konti, men vi holder altid et menneskeligt check ind over, før det bliver til en samtale. I Danmark er tillid og relevans meget følsomt i en kold kontakt.
Samtaleintelligens: transskription, emner og kvalitet
AI-baseret transskription og samtaleanalyse er et af de steder, hvor vi ser mest praktisk værdi, fordi det flytter læring fra mavefornemmelser til mønstre.
Når et opkald bliver til tekst, kan vi:
- identificere gentagne indvendinger
- se hvilke budskaber der skaber interesse
- dokumentere næste skridt mere præcist
- forbedre kvalificeringen, så møderne bliver mere prækvalificerede
Det kræver stadig omtanke. Dansk talegenkendelse kan snuble på dialekter, støj, fagsprog og navne. Og “sentiment” kan misforstå en tør, professionel tone som negativ, selv om kunden bare er travl. Derfor bruger vi analyse som et støtteværktøj, ikke som dommer.
Et godt tegn på, at samtale-AI er sat rigtigt op, er at den hjælper med at stille bedre spørgsmål næste gang, ikke at den bare giver en score bagefter.
Generativ AI til manus og opfølgning, uden at det lyder kunstigt
Generativ AI kan spare tid, når vi skal skrive et første udkast til en åbningsvinkel, et kort pitch eller en opfølgningsmail. Det er især nyttigt, når der er mange segmenter, og man vil undgå at alle kontakter får samme tekst.
Men vi ser også en tydelig bagside: tekster bliver let lange, glatte og upræcise. Og hvis AI får lov at “opfinde” detaljer, ender man med at love noget, man ikke kan holde. I B2B-telemarketing er det et hurtigt tillidsbrud.
Vi får mest ud af generativ AI, når vi bruger den som skriveassistent under klare rammer.
Det kan se sådan ud:
- Input: Branche, rolle, kendt pain og ønsket CTA (møde eller afklaring).
- Output: 2 til 3 korte formuleringer vi kan vælge imellem.
- Kontrol: Menneskelig redigering, faktatjek og tone til dansk kontekst.
Og så en vigtig detalje: Et godt manus i telefonen er ikke et stykke tekst. Det er en struktur, der giver plads til at lytte.
Voicebots og chatbots: gode til logistik, svage til relation
AI-receptionister, voicebots og chatbots kan være fine til det, der minder om logistik: at tage imod, sortere, svare på helt enkle spørgsmål og foreslå tider i kalenderen. Det kan give dækning uden for åbningstid og tage toppen af de mest rutineprægede henvendelser.
Til outbound i B2B er billedet mere blandet. Mange beslutningstagere gennemskuer hurtigt, når de taler med en bot, og så falder samtalen ofte til jorden. Det handler ikke om, at teknologien er “dårlig”, men om at køb i B2B sjældent starter med et ja eller nej. Det starter med nuancer.
Vi oplever, at voicebots sjældent bør stå alene ved første kontakt på komplekse ydelser. Til gengæld kan de give mening som et trin i et hybrid flow, hvor et menneske tager over på de rigtige tidspunkter.
Her er nogle tommelfingerregler, vi bruger, før man sætter en bot på telefonen:
- Formålet: Skal den booke, kvalificere eller bare sortere?
- Exit: Hvordan kommer kunden hurtigt videre til et menneske?
- Forventning: Er det tydeligt, at det er en automatiseret assistent?
- Risiko: Hvilke data bliver sagt højt, og hvordan bliver det logget?
Hvis de spørgsmål ikke har klare svar, giver en bot ofte flere tabte muligheder end vundne møder.
Automatisering af ringelister og dialers: fart uden at miste respekt
Power dialers og mere automatiseret opkaldsflow kan øge taletiden pr. time. Det kan være en reel fordel i kampagner med stor målgruppe, hvor segmenteringen er stram, og budskabet er klart.
Problemet opstår, når tempo bliver vigtigere end relevans. I Danmark bliver aggressiv eller vedholdende kontakt hurtigt opfattet som useriøs, og det kan smitte af på brandet.
Vi anbefaler at sætte automatisering op, så den støtter kvalitet:
- hastighed må aldrig gå ud over korrekt match mellem målgruppe og budskab
- opkald skal stoppe med det samme ved indsigelse
- data skal opdateres, så man ikke ringer til de samme forkerte kontakter igen
Det sidste punkt bliver ofte undervurderet. En automatiseret proces, der ikke også automatisk forbedrer data, gentager bare fejl hurtigere.
GDPR, indsigelser og tillid: AI skal bygges ind i compliance
AI i telemarketing bliver tit diskuteret som teknologi. I praksis er det lige så meget governance. Hvis man behandler personoplysninger om en navngiven kontakt i en virksomhed, er man inde i GDPR. Det gælder også, når AI hjælper med scoring, transskription eller opfølgningsmails.
Vi arbejder ud fra en enkel logik: compliance skal ligge i arbejdsgangen, ikke i et dokument, der samler støv.
Det betyder blandt andet:
- klare formål for data
- styr på behandlingsgrundlag (ofte legitim interesse i B2B, vurderet konkret)
- tydelig håndtering af indsigelser
- suppression-lister der synkroniserer, så man ikke ringer igen ved afmelding
- respekt for god markedsføringsskik, også når processen er automatiseret
AI kan faktisk hjælpe her, hvis den bruges rigtigt. Den kan blokere leads med “do not call”, den kan minde om at logge indsigelse, og den kan sikre, at opfølgning ikke bliver sendt til den forkerte. Men kun hvis integrationerne er lavet ordentligt.
Hvad der ikke virker i praksis, selv om det lyder smart
Vi ser nogle fejl, der går igen, når virksomheder prøver at “sætte AI på salg”.
Det starter ofte med et værktøj, og først bagefter kommer spørgsmålene om data, målgruppe og proces. Resultatet bliver, at AI producerer mere output, men ikke flere møder.
Typiske fælder ser sådan ud:
- AI som autopilot: Man lader AI skrive pitches og mails uden redigering, og det bliver enten upræcist eller utroværdigt.
- Dårlige data hurtigere: Scoring og automatisering på et CRM med dubletter og gamle kontakter giver spildte opkald.
- Sprog og kultur misser: Et “internationalt” script, der lyder amerikansk i dansk kontekst, falder hurtigt igennem.
- Overvågning forklædt som hjælp: Hvis sælgere oplever AI som kontrol, bliver adoption lav, og kvaliteten falder.
Når det sker, er det sjældent fordi AI “ikke virker”. Det er fordi den bliver brugt i det forkerte led, eller uden klare rammer.
Et enkelt pilotsetup vi ofte anbefaler
AI i telemarketing bør testes som et pilotprojekt med få bevægelige dele. Det giver hurtig læring uden at risikere brand eller relationer.
Vi plejer at starte med en afgrænset kampagne, hvor målet er tydeligt: flere prækvalificerede leads eller flere møder i kalenderen, ikke “mere aktivitet”.
En praktisk pilot kan bygges i fem trin:
- Definér ICP og exklusionskriterier i klare felter, ikke i fritekst.
- Rens og berig data, før AI scorer noget som helst.
- Brug generativ AI til udkast, og fastlæg en fast redigeringsrutine.
- Mål på mødekvalitet, ikke kun bookinger (fx show rate og relevans).
- Sæt en fast rytme for rapportering og justering, så læring bliver til handling.
Det er også her, vi ser værdien af en projektleder, der følger kampagnen tæt, så justeringer sker dagligt og ikke efter four uger.
Når pilotens fundament er stærkt, giver det mening at udvide med mere avanceret samtaleanalyse eller mere automatiseret opfølgning. Og når fundamentet ikke er stærkt, er den bedste AI-investering ofte at få styr på data, segmenter og arbejdsgange først.
