A LangChain GTM-ügynöke órákat takarít meg az értékesítőknek

Egy ügynök váltja ki a többablakos kutatást

A LangChain március 9-én bemutatott beszámolója szerint korábban minden kimenő megkeresés ugyanúgy indult: az értékesítő a Salesforce-ban ellenőrizte a fiókot, a Gongban visszanézte a híváselőzményeket, a LinkedInen megkereste a kapcsolattartót, majd a vállalat weboldalán gyűjtött további információkat. Ez egyetlen üzenet megírása előtt körülbelül 15 perc kutatást jelentett.

Az új GTM-ügynök a Salesforce-ban megjelenő leadeknél először azt vizsgálja, van-e ok arra, hogy ne induljon megkeresés. Ellenőrzi például, hogy érkezett-e friss támogatási jegy, illetve hogy egy kolléga felvette-e már a kapcsolatot az adott személlyel. Ha nincs ilyen akadály, a rendszer összegyűjti a Salesforce, a Gong és a LinkedIn adatait. Kevés belső előzmény esetén az Exa segítségével azt is feltérképezi, hogyan használja a vállalat jelenleg a mesterséges intelligenciát.

A kapcsolat állapota alapján külön kezeli az ügyfeleket, a már érdeklődő kapcsolatokat és a hideg megkereséseket. A kész tervezet a képviselő Slack-üzenetei közé érkezik, ahol az értékesítő elküldheti, szerkesztheti vagy törölheti azt. A rendszer a döntéshez az indoklását és a felhasznált forrásokat is megmutatja.

Mérhető eredmények és kötelező emberi ellenőrzés

A LangChain közlése szerint 2025 decembere és 2026 márciusa között 250 százalékkal nőtt a leadből minősített lehetőséggé válás aránya, miközben ugyanebben az időszakban háromszorosára nőtt a pipeline dollárértéke. Az értékesítők 97 százalékkal gyakrabban követték fel az alacsonyabb szándékú leadeket, a magasabb szándékúaknál pedig 18 százalékos növekedést mértek.

A csapat tagjai fejenként havi 40 órát nyertek vissza, összesen 1320 órát. A salescsapat tagjainak napi aktív használata 50 százalékos, heti aktív használata pedig 86 százalékos volt. A megoldás eredetileg SDR-ügynökként indult, később azonban a teljes go-to-market csapat használni kezdte.

A LangChain egyik alapfeltétele, hogy semmi ne menjen ki az értékesítő kifejezett jóváhagyása nélkül. A rendszer minden elküldést, szerkesztést és törlést naplóz a LangSmithben, az adott futtatás nyomvonalához kapcsolva. A cég így értékelni tudja a minőséget, észreveheti a visszaeséseket, valamint mérheti, mely változtatások javítják a működést.

A fejlesztések során a silver kategóriájú leadeknél 48 órás határidőt vezettek be. Ha az értékesítő ezen belül nem hagyja jóvá és nem is utasítja el a tervezetet, az üzenet automatikusan elküldésre kerül. Ez a LangChain szerint javította az olyan leadek utánkövetését, amelyek egyébként válasz nélkül maradtak volna.

Fiókszintű jeleket is összegyűjt az ügynök

A megoldás nem áll meg az egyedi e-maileknél. Minden hétfő reggel Salesforce- és BigQuery-adatokat dolgoz fel, majd külső információkat keres finanszírozási körökről, termékbejelentésekről és új mesterségesintelligencia-kezdéményezésekről.

Az értékesítők számára a rendszer a termékhasználat, a fejlesztői ökoszisztémák, a webes aktivitás, a munkaerő-felvétel és a vállalati hírek jeleit kapcsolja össze. Kiemeli például a vezetői változásokat, a csomagtelepítések megugrását, valamint azt, ha egy cég mesterségesintelligencia-mérnököket keres vagy ügynökalapú rendszereket épít. Azt is megmutatja, mely személyek a legaktívabbak, és kit lehet érdemes következőként megkeresni.

A telepített mérnökök más típusú jelentést kapnak. Nekik a BigQueryből származó termékhasználat, az ügyfélhívások kiemelt részei, a közelgő megújítások, a fogyó kreditek, valamint a nyitott kérdések és lezáratlan ügyek kerülnek előtérbe. A cél az, hogy a csapat azokra a helyzetekre figyeljen, ahol ténylegesen emberi beavatkozás szükséges.

Deep Agents és visszacsatolás a háttérben

A LangChain a több lépésből álló folyamat miatt Deep Agentsre építette a rendszert. A találkozók adatai, a CRM-előzmények és a webes kutatás változó méretű és szerkezetű eredményeket adnak, ezért a megoldás a nagy eszközválaszokat automatikusan virtuális fájlrendszerbe helyezi. A beépített tervezési eszköz egy állandó ellenőrzőlistát követ: a küldés kizárására vonatkozó ellenőrzések, kutatás, tervezet, indoklás, majd utánkövetés.

Az ügynök a képviselők szerkesztéseiből is tanul. A rendszer összeveti az eredeti és a módosított tervezetet, majd jelentősebb eltérés esetén strukturált stílusmegfigyeléseket készít. Ezeket képviselőnként PostgreSQL-ben tárolja, és a következő tervezeteknél felhasználja. A LangChain szerint így a hangnemre és tömörségre vonatkozó egyéni preferenciák automatikusan beépülnek a munkába.