Skip to content
wojciech.io
Alle insights
AI Systems AIGTMClaude CodeMCP

Claude Code GTM Agent Starter Pack

Hvordan jeg byggede et firelags AI-system, der kører outbound research, skriver sequences og enriches CRM-records uden et eksternt enrichment-tool.

Wojciech Łuszczyński

Wojciech Łuszczyński

GTM architect & Growth operator · Insights · 18. april 2025

TL;DR · Key insights

  • Stacken består af fire lag: Claude Code, MCP tools, et klart `CLAUDE.md` og fem operator Skills.
  • Clay er stærkt til visual enrichment at scale, men Claude Code-modellen vinder, når reasoning, versionering og handoff betyder noget.
  • Pointen er ikke endnu et tool-dashboard, men et auditérbart GTM-workflow fra research til sequence drafts og CRM enrichment.

Det meste GTM AI-content er enten prompt tips til ChatGPT eller tool comparisons til 500 dollars om måneden, som ingen kan handle på. Det her er ingen af delene.

Det er en breakdown af et system, jeg har bygget og kører: en firelags Claude Code agent stack til outbound research, sequence drafting, CRM enrichment og ICP scoring. Ingen Clay. Ingen Apollo enrichment credits. Ingen n8n flows, der går i stykker hver tredje uge.

Kun Claude Code, nogle MCP tools, et struktureret CLAUDE.md og fem operator Skills.


Hvorfor Claude Code i stedet for Clay

Clay er godt til strukturerede enrichment pipelines med visual interface og credit model pr. række. Jeg har brugt det, og det giver mening for teams, der skal enrich at scale uden engineering.

Men det har grænser:

  • Du køber enrichment credits, ikke intelligence. Data routes gennem providers, mens reasoning-laget er tyndt.
  • Visual pipelines er powerful, men brittle. Kompleks logik bliver svær at inspecte, versionere og overdrage.
  • Det skriver ikke rigtigt. Data kan sættes ind i en template, men reasoning om hvorfor denne prospect betyder noget for dette account lige nu mangler.

Claude Code via agent loop og MCP tools bygger noget andet: et system der læser kontekst, vurderer fit, skriver copy og opdaterer records i samme pass.

Clay pipeline

Enrichment

God når opgaven er databerigelse pr. række. Svagere når kontekst, judgment og copy skal leve i samme loop.

Claude Code stack

Reasoning

God når systemet skal læse, beslutte, skrive og dokumentere arbejdsstanden.


Firelags-stacken

Lag 1: CLAUDE.md som operator brief

Hver Claude Code session starter med CLAUDE.md. Det er ikke documentation. Det er briefing-filen: det en junior SDR ville få første dag, men læst af modellen på hvert run.

Den indeholder ICP definition, tone, lead qualification, edge cases og hard rules. Det er den vigtigste fil, fordi operator judgment bliver kodet der.

Lag 2: MCP tools som data access layer

Jeg kører fire MCP servers: web search til real-time company research, browser automation til sider der blokerer crawlers, memory/filesystem til client files og custom scoring MCP til fit scoring med reasoning.

Scoring MCP var sværest at bygge og mest værdifuld, fordi det giver en stabil rubric på tværs af runs.

Lag 3: Client memory files

Hver client får en folder:

/clients/acme-corp/
  icp.md
  contacted.csv
  sequences/
  research/

Agenten læser filerne ved start. Når den researcher et account, skriver den først research/[account-name].md. Det skaber audit trail og forankrer hver sequence i faktisk research.

Lag 4: Fem Skills

De fem Skills:

  • /research [company]: company profile, news, stack signals, team size, stakeholders.
  • /score [company]: læser research og ICP, returnerer score 1-10 med reasoning.
  • /draft [company] [sequence-variant]: skriver mail og follow-ups fra research, ikke merge fields.
  • /enrich [csv-path]: batcher CSV og outputter enriched CSV med scores.
  • /log [company] [status]: holder contacted.csv ren.

Et rigtigt run

Et run ser sådan ud:

  1. Drop CSV med 50 companies i client-folderen.
  2. Kør claude /enrich clients/acme-corp/new-accounts.csv.
  3. Agenten kører web search, browser scrape hvis nødvendigt, score, research file og enriched CSV.
  4. Efter ca. 20 minutter ligger fit scores, priority flags og research files klar.
  5. For top 10 kører /draft [company] v2 én ad gangen med review.
  6. Sendte sequences logges med /log.

Samlet tid: ca. 45 minutter unattended agent work plus 30 minutter review. En tilsvarende Clay + copywriting workflow tager minimum tre-fire timer.


Hvad det koster

Per 50-account run er cost lav: få dollars i Claude API, search API i cent-niveau og minimal custom MCP cost. Clay ligger hurtigt på 800-2.400 dollars pr. måned for credits og LLM rows.

Tradeoffet er build time: ca. 20 timer på CLAUDE.md, MCP setup, Skills og scoring tool. For teams uden den kapacitet er Clay rigtigt. For en operator med build time betaler stacken sig hurtigt tilbage.


CLAUDE.md strukturen

Kernen:

# GTM Agent: CLAUDE.md

## Who you are
You are a B2B GTM research and outreach agent.

## ICP definition
- Company size
- Industry
- Geography
- Stack signals
- Buying signals

## Tone and rules
- No generic openings
- Lead with a specific observation
- First email max 100 words
- No unsourced claims

## Hard stops
If score is below 6, do not draft.

Starter pack

Jeg udgiver kernen som Claude Code GTM Agent Starter Pack: CLAUDE.md template, Skills, folder structure og scoring MCP source.

Det er gratis og designet til GTM operators, der hellere vil bygge selv end vente på en SaaS wrapper.


Hvad er næste

To ting er på vej: CRM sync til HubSpot via MCP og signal monitoring, der scorer en watchlist ugentligt.

Hvis du bygger noget lignende eller vil se starter pack i action, book et call.

Om forfatteren

Wojciech Łuszczyński

Wojciech Łuszczyński

GTM architect og growth operator, der bygger AI-native revenue-systemer for B2B SaaS og teknologivirksomheder. Jeg forbinder positioning, SEO, content, paid acquisition, CRM, automation, analytics og AI workflows til praktisk growth-infrastruktur.

Newsletter

Få den næste først.

Når jeg udgiver en ny artikel om AI-systemer, GTM-arkitektur eller growth operating models, får du den først.

Abonnér