AI lead-kvalificering: 70% færre kolde opkald, fordobbel konvertering

En sælger der bruger 4 timer dagligt på leads der aldrig konverterer, koster jer minimum 350.000 kr om året i tabt produktivitet. AI lead-kvalificering eliminerer 70% af det spild — og fordobler typisk konverteringen på den resterende del. Her er hvordan.

Problemet med klassisk lead-scoring

Hovedparten af HubSpot/Salesforce-setups bruger regelbaseret scoring: "hvis lead besøgte X side + downloadede Y whitepaper + er fra firma med >50 ansatte → score 80". Det er bedre end ingenting, men:

• Reglerne forældes hurtigt
• De ignorerer kvalitative signaler (jobtitel-formulering, virksomhedstype, intent i kontaktbeskeder)
• De skelner ikke mellem "højaktivitet men kold" og "lavaktivitet men varm"

AI-baseret kvalificering

I stedet for regler bruger vi LLM\'er til at analysere hver lead i kontekst:

1. Berig lead-data automatisk (LinkedIn, virksomheds-DB, CVR-register, hjemmeside)
2. Send beriget data + ICP-definition til Claude
3. LLM scorer 0-100 og returnerer begrundelse + næste skridt
4. Udløs forskellige flows baseret på score (hot → ring nu, warm → sequence, cold → nurture)

Hvad der reelt sker i prompten

Vores typiske scoring-prompt indeholder:

• ICP-definition: "Vores bedste kunder er B2B SaaS i Norden, 20-200 ansatte, har en marketing-leder, har eksisterende CRM..."
• Lead-data: Navn, titel, virksomhed, hjemmeside-uddrag, LinkedIn-info, kontaktbesked
• Score-rubrik: Specifik vægtning af forskellige faktorer
• Output-format: JSON med score, top-3 grunde, anbefalet handling, rød-flag (fx konkurrent, jobsøgende)

Real-world case

En B2B SaaS-kunde med 4 sælgere modtog 800-1.200 inbound leads/md. Konverteringsrate til møde: 12%.

Vi implementerede:

1. Auto-enrichment via Clearbit + LinkedIn API + CVR
2. Claude-baseret scoring inde i HubSpot via webhook
3. Auto-routing: score > 80 → direkte til sælger med suggested talking points. Score 50-80 → 5-trins email-sequence. Score < 50 → langsigtet nurture.

Resultat efter 90 dage:

• Sælgere bruger nu 70% mindre tid på lavscore-leads
• Konverteringsrate på sælger-kontaktede leads: 12% → 28%
• Total mængde lukkede deals/md: +35%
• Sælger-tilfredshed (intern måling): markant op — de bruger tid på folk der reelt køber

Edge cases og fælder

1. Forkert ICP-definition

Hvis I ikke ved hvem jeres bedste kunder reelt er, kan AI'en ikke score dem ud. Analyser jeres top 20 kunder først — find mønsteret. Det her er en ledelsesopgave, ikke et AI-problem.

2. Manglende enrichment-data

Hvis I kun har navn + email, kan AI'en ikke gøre meget. Invest i god enrichment (Clearbit, Apollo, Lusha).

3. AI er for konservativ

Default-prompts vil ofte score for forsigtigt. Vi tuner prompts via 50-100 historiske leads med kendt outcome — så lærer modellen "denne type lead lukkede faktisk".

4. Sælgere ignorerer scoren

Hvis I bare smider scoren ind i HubSpot og siger "brug den", bliver den ignoreret. Den skal ind i deres workflow med klar visning + suggested actions.

Hvad det koster

• Enrichment (Clearbit / Apollo): ~ 250-1.500 kr/md afhængigt af volumen
• LLM-kald (Claude Sonnet @ ~1 kr/lead): ~ 800-1.500 kr/md ved 1.000 leads
• Workflow (Make / N8N): ~ 200 kr/md
• Implementering: 2-4 uger

Total drift: 1.500-3.500 kr/md for typisk B2B-org. ROI er typisk 10-50× hvis sælgere er dyre.

Konklusion

Hvis I har 3+ sælgere og 500+ inbound leads/md, er AI lead-kvalificering næsten gratis at lave og dramatisk effektivt. Den eneste grund til ikke at gøre det er manglende ICP-klarhed — og det skulle I have løst alligevel.