Hvorfor CRM-first slår prompt-first i AI adoption
De fleste B2B AI-initiativer starter med prompts og ender i kaos. Indgangspunktet er ikke tool-laget, men datalaget. Derfor er CRM hygiene det vigtigste AI-projekt mange virksomheder ikke kører.
GTM architect & Growth operator · Insights · 20. maj 2026
TL;DR · Key insights
- AI er en amplifier, ikke en fixer. Hvis CRM-data er broken, gør AI kaos hurtigere og dyrere.
- Det rigtige startpunkt for AI i GTM er datalaget: ICP, contact quality og pipeline logic, ikke prompt-laget.
- Rækkefølgen er: ryd op i data substrate, automatisér operations, og kør intelligente actions ovenpå.
AI adoption i B2B GTM starter ofte ens: nogen får ChatGPT, skriver bedre subject lines i en uge og undrer sig over, at pipeline ikke flytter sig.
Prompt-laget er ikke problemet. Problemet er at starte der.
AI er en amplifier. Det gør hurtige ting hurtigere og systematiske ting mere systematiske. Det kan ikke reparere et ødelagt system ved at tænke hårdere. Hvis ICP er vag, CRM er rodet, og pipeline stages bygger på håb i stedet for buyer behaviour, producerer AI mere forkert output hurtigere og billigere.
Det er ikke productivity. Det er revenue destruction med bedre copy.
Prompt-first fælden
Sådan sker det normalt.
Et GTM team får adgang til et AI-tool og starter med den mest synlige opgave: writing. Email subject lines, LinkedIn posts, sales one-pagers. Output er bedre og hurtigere, så adoption føles som succes.
Seks måneder senere har pipeline ikke rykket sig. Sequences er bedre skrevet, men går stadig til de forkerte mennesker. Personalization bygger på job title og company size, ikke fit-signaler. CRM har stadig contacts uden company og deals, der sidder fast i “Proposal Sent”.
AI gjorde surface layer pænere. Det strukturelle problem under den blev ikke rørt.
Det strukturelle problem er næsten altid det samme: datalaget reflekterer ikke virkeligheden.
Hvorfor datalaget kommer først
Alle AI actions i GTM, fra enrichment til scoring, sequencing og nurturing, er kun så gode som det substrate de kører på.
God AI personalization læser signaler om prospect, role, company og recent activity og bygger outreach med konkret kontekst. Dårlig personalization bygger overbevisende tekst fra dårlige inputs.
Dårlige inputs:
- contacts uden company association
- ICP definitioner som “mid-market B2B SaaS” uden mere specificitet
- deal stages der reflekterer optimisme i stedet for buyer behaviour
- segmentation fields ingen udfylder konsistent
Hvis AI kører på de inputs, får du personalization, der nævner forkert company size, bruger forkert persona-language og behandler deals som længere fremme end de er.
Fixet er ikke en bedre prompt. Fixet er bedre inputs.
De tre stages i rigtig rækkefølge
Stage 1: Data substrate
Før AI rører GTM operations, skal datalaget reflektere virkeligheden.
Det betyder ICP definition med tænder, contact quality, pipeline logic og segment fields med faktiske værdier. ICP skal være specifik nok til, at en company kan scores konsistent, ikke bare beskrives løst.
Det er usexet arbejde. CRM audit viser, at store dele af data er forkerte. ICP workshop viser uenighed mellem sales og marketing. Pipeline cleanup sænker funnel-tal før den forbedrer dem.
Gør det alligevel. Hvert AI-projekt før denne stage kører på et ødelagt fundament.
Stage 2: Automated operations
Når substrate er rent, er første AI-lag automation, ikke intelligence.
Det betyder enrichment på nye contacts, stage trigger logic og data quality monitoring. Det er mindre spændende end “AI writes your emails”, men det holder datalaget rent, mens CRM vokser.
Stage 3: Intelligent actions
Nu kan AI gøre det interessante: outbound personalization, ICP scoring med reasoning, pipeline gap analysis og content personalization.
Spørgsmålene bliver operator-level: Hvilke accounts scorer højest denne uge og hvorfor? Hvad siger pipeline gap analysis om næste kvartal? Er svage sequences et targeting-problem eller et message-problem?
AI viser data. Operatoren beslutter.
Den fejl jeg ser oftest
Teams springer Stage 1 over, fordi den er svær og langsom. De går direkte til Stage 3, fordi den er synlig. Resultaterne bliver middelmådige, og teamet konkluderer, at AI ikke virker for GTM.
Tooling var ikke problemet. Rækkefølgen var.
Jeg diagnosticerer mønstret i den første time af næsten hvert GTM engagement. Før vi taler tools, ser jeg ICP definition, CRM field completion og pipeline stage definitions. Hvis de er broken, fikser vi dem først.
Hvordan det ser ud i praksis
I et engagement var briefet: “Vi vil bruge AI til outbound. Kan du sætte et sequence tool op?”
De første to uger rørte vi ikke outbound. I stedet:
- skærpede ICP fra “SMB/mid-market SaaS” til et konkret firmographic og behavioural profile
- rensede contact database, fjernede døde contacts, forbandt orphan records og normaliserede job titles
- redefinerede pipeline stages omkring buyer behaviour i stedet for seller actions
Efter det virkede AI outbound stacken. Fit scores gav mening, personalization var præcis, og pipeline movement blev synlig.
AI gjorde ikke den svære del. Den svære del kom først. AI gjorde det rene system hurtigere.
Hvis du vurderer AI tools til GTM og resultaterne mangler, ligger svaret ofte upstream fra tools. Book et call, så auditerer vi datalaget først.
