AI Class

Membangun AI Agent SDR untuk LinkedIn + Email dengan n8n: Hyper‑Personalization, Rate Limit, dan Feedback Loop

· 9 menit baca

Membangun AI Agent SDR untuk LinkedIn + Email dengan n8n: Hyper‑Personalization, Rate Limit, dan Feedback Loop

Kamu capek kirim outreach yang dingin, spray-and-pray, dan balasan cuma “unsubscribe”? Solusi cepat bukan tambah volume, tapi bikin AI Agent yang benar-benar paham prospek, main cantik dengan n8n automation, dan belajar dari respon. Artikel ini ngebedah cara bikin AI Agent SDR (sales development rep) yang pribadi, patuh rate-limit, dan bisa di-scale buat founder/indie hacker yang mau grow MRR tanpa jadi spammer.

1) Masalah Nyata: Volume Tinggi, Relevansi Nol

Kalau kamu build SaaS, cold outreach itu wajib. Tapi problemnya:

  • Template email sama ke semua orang, open rate bagus, reply rate jeblok.
  • LinkedIn kena limit, akun ke-flag, atau DM dianggap bot.
  • Tanpa feedback loop, kamu nggak tahu pesan mana yang bekerja.

Jawaban praktis: bangun AI Agent kecil yang siklus kerjanya repetitif tapi konsisten: riset → susun angle → tulis pesan → kirim terkontrol → baca respon → perbaiki. Semua diorkestrasikan lewat workflow automation di n8n.

2) Konsep Cepat: AI Agent SDR Bukan “Chatbot”, tapi Operator dengan SOP

AI Agent SDR itu pola, bukan produk. Ia jalan dengan SOP yang jelas:

  • Persona Research: tarik data publik prospek + perusahaan.
  • Insight Builder: rangkum 2–3 alasan spesifik kenapa prospek peduli.
  • Message Composer: tulis 1st-touch dan follow-up (email + LinkedIn) yang one-to-one.
  • Rate-Limited Sender: kirim sesuai kuota harian, jeda natural.
  • Feedback Reader: klasifikasi respon, update strategi, dan stop kalau prospek bilang “no”.

Kamu bisa mulai vibe coding: iterasi cepat, deploy, lihat hasil, adjust. Nggak perlu arsitektur berat di awal.

3) Breakdown Teknis: Workflow n8n End-to-End

Target: 30–50 outreach/hari, reply rate naik 3–5x karena hyper-personalization. Stack yang dipakai:

  • n8n sebagai orkestrator.
  • OpenAI/Claude untuk penulisan dan ekstraksi insight.
  • Data Enrichment API (mis. Clearbit, People Data Labs) untuk domain → company/person data.
  • News API (mis. GNews/NewsAPI) untuk konteks terbaru perusahaan.
  • Gmail API untuk pengiriman email, send-as, dan label.
  • LinkedIn automation via layanan pihak ketiga (PhantomBuster/TexAu) atau integrasi resmi yang compliant.
  • Airtable/Notion/Google Sheets sebagai lightweight CRM.
  • SQLite/Postgres mini untuk dedup + idempotency.

3.1 Arsitektur AI Agent di n8n

Workflow utama (disarankan dipisah jadi beberapa workflow kecil agar mudah di-observe):

  • WF-0 Ingest Prospects (Webhook/Manual): input bisa CSV, Google Sheet, atau API dari tool prospek.
  • WF-1 Enrichment: HTTP Request → Clearbit/PDL (email, jabatan, domain) → News API → simpan di DB.
  • WF-2 Insight Builder: OpenAI Node → prompt untuk merangkum “why now” dan “pain plausible”.
  • WF-3 Message Composer: OpenAI Node → generate subject, 1st-touch email, LinkedIn connection note.
  • WF-4 Scheduler & Rate Limit: Queue + Wait nodes + custom Rate Limit (per jam, per hari).
  • WF-5 Sender: Gmail Send + PhantomBuster Send DM (atau skip kalau pure email).
  • WF-6 Listener: Gmail Watch changes → klasifikasi reply (positive/neutral/objection/unsubscribe).
  • WF-7 Learn: Update prompt policy & template berdasarkan statistik batch sebelumnya.

3.2 Prompt Kunci untuk AI Agent

Gunakan struktur prompt yang deterministik. Contoh untuk Insight Builder:

SYSTEM: Kamu adalah SDR yang sopan, singkat, dan personal. Keluarkan output JSON.

USER: Data prospek:
- Nama: {{full_name}}
- Jabatan: {{title}}
- Perusahaan: {{company}}
- Deskripsi perusahaan: {{company_desc}}
- Berita terbaru: {{news_bullets}}
- Tech stack: {{tech_list}}

Tugas:
1) Buat 2 hipotesis pain spesifik berbasis data.
2) Buat 2 alasan "why now" terkait berita/stack.
3) Buat 1 angle relevan terhadap produk kami: {{product_value_prop}}.

Output JSON:
{
  "pains": ["...", "..."],
  "why_now": ["...", "..."],
  "angle": "...",
  "sanity_score": 0-100 (semakin tinggi semakin yakin)
}

Untuk Message Composer (email 120–160 kata, bahasa natural):

SYSTEM: Kamu menulis email dingin pendek, personal, tanpa basa-basi.

USER: Gunakan output insight berikut:
{{json_insight}}

Kaidah:
- Satu paragraf pembuka personal (30–40 kata) menyebut fakta spesifik.
- 1–2 kalimat tentang value prop terkait pains.
- Ajukan 1 pertanyaan close-ended.
- Nada sopan, bukan salesy.
- Bahasa: {{lang}}

Output:
{
  "subject": "...",
  "email_body": "...",
  "connection_note": "... 300 karakter untuk LinkedIn"
}

3.3 Node-Level Detail (Contoh n8n)

  • HTTP Request (Enrichment): GET https://company.clearbit.com/v2/companies/find?domain={{domain}}. Simpan hanya field berguna: industry, size, tech, bio.
  • HTTP Request (News): GET ke NewsAPI/GNews untuk 30 hari terakhir, filter industri/brand mention.
  • Function Node (Sanitizer): normalisasi nama, hapus simbol, trimming string.
  • OpenAI Node: model gpt-4o-mini/claude-3.5-sonnet, max tokens hemat, temperature 0.7.
  • IF Node (Guardrails): jika sanity_score < 65, fallback ke default angle + ask human approval (Slack).
  • Rate Limit Node (Custom): simpan counter di DB: limit per jam (mis. 20), per hari (50), jeda acak 2–6 menit.
  • Gmail: kirim via send-as alias sdr@domain.com, label “outreach/phase-1”.
  • Webhook Listener: endpoint untuk menerima status dari PhantomBuster (LinkedIn status) atau Gmail push.

4) Use Case Nyata: SaaS HRIS untuk Pabrik Manufaktur

Produk: HRIS yang kuat di shift scheduling + payroll bergilir. Target: HR Manager pabrik di Jabodetabek.

4.1 Sumber Data & Integrasi API

  • Prospek: CSV dari Sales Navigator atau database internal (nama, perusahaan, domain, jabatan).
  • Enrichment: Clearbit/PDL untuk headcount, industri, email pattern.
  • Berita/Konteks: GNews untuk kata kunci “pabrik”, “ekspansi”, “shift”, “over time”.
  • CRM ringan: Airtable: tabel Prospects, Messages, Interactions.

4.2 Flow Operasional

  1. Ingest: Upload CSV ke Google Drive → n8n Watch → WF-0.
  2. Enrichment: WF-1 tarik data perusahaan dan tech stack. Jika industri ≠ manufaktur, drop.
  3. Insight: WF-2 membuat 2 hipotesis pain: “penjadwalan shift manual”, “lembur tak terkontrol”.
  4. Compose: WF-3 merangkai email yang menyebutkan berita “pabrik menambah line produksi Q2”.
  5. Send: WF-4 + WF-5 mengeksekusi 30 email/hari, jeda 3–5 menit, jam 09:30–11:30 & 14:00–16:00.
  6. Listen: WF-6 labeli balasan: “interested”, “not now”, “objection payroll”.
  7. Learn: WF-7 menaikkan bobot angle “shift scheduling” jika reply positif di angle tsb > 2 dalam 50 kiriman terakhir.

4.3 Contoh Output Pesan (Ringkas)

Subject: Ide ringkas untuk jadwal shift di {{company}}

Email:
Pak/Bu {{last_name}}, saya lihat {{company}} baru menambah line produksi (liputan {{news_source}} pekan lalu). Umumnya, penambahan line bikin jadwal shift makin kompleks dan overtime susah dikontrol. Kami bantu beberapa pabrik tetangga merapikan scheduling + payroll bergilir sehingga overtime turun ±18% di 60 hari.

Kalau relevan, boleh saya kirimkan contoh roster otomatis 3 skenario shift? 15 menit saja cukup.

LinkedIn note: “Tertarik insight pendek soal scheduling shift pabrik (bukan sales pitch). Boleh connect?”

5) Insight & Strategi: Bagian Penting yang Sering Terlewat

  • Personalization 3-Layer: (1) mention fakta spesifik (berita/tech), (2) pain hipotesis yang plausible, (3) offer mikro yang konkret (contoh roster, audit 1 halaman). Ini menaikkan reply rate jauh lebih efektif daripada rewrite gaya bahasa.
  • Data → Insight → Angle → Offer: Banyak tim lompat dari data ke pesan. Sisipkan langkah “angle” yang memilih satu narasi kuat sebelum menulis.
  • Human-in-the-Loop Mode: Pas batch awal (100–150 prospek), aktifkan approval manual untuk sanity check. Setelah pola stabil, baru autopilot.
  • Rate Limit = Nyawa Akun: Simulasikan human-like sending. Jeda acak, jam kerja lokal, dan hari “dingin” (Selasa–Kamis) biasanya perform lebih stabil.
  • Balasan Negatif Bernilai: Klasifikasikan keberatan ke cluster (mis. “harga”, “timing”, “fit produk”). Gunakan output itu buat memperkaya angle library di WF-7.
  • NGEH Tentang Compliance: Taat ToS platform. Jika pakai tool LinkedIn pihak ketiga, gunakan dengan hati-hati dan minimalkan volume. Alternatif: connect request manual, email sebagai channel utama.
  • Model Mix & Caching: Gunakan model hemat (gpt-4o-mini/claude-haiku) untuk draft, eskalasi ke model besar hanya jika sanity_score rendah. Cache insight perusahaan selama 7–14 hari agar hemat biaya.
  • Ekspansi Multi-Channel: Setelah email + LinkedIn stabil, tambah channel WhatsApp API (untuk Indonesia, pastikan opt-in), atau SMS untuk reminder meeting.

5.1 Metrik Umpan Balik untuk AI Agent

  • Positive Reply Rate per angle (bukan per template).
  • Lead-to-Meeting dan No-show Rate setelah follow-up otomatis.
  • Unsubscribe/Spam Complaint per 100 kiriman. Naik? Perkecil volume + tambah relevansi.
  • Cost per Positive Reply (LLM + API) agar terlihat ROI.

5.2 Scaling AI Agent dengan Aman

  • Multi-Identity & Warm-up: Gunakan 2–3 domain alias (rotasi) dan warm-up email bertahap.
  • Queue & Backoff: Implementasikan exponential backoff saat API error atau rate limit tercapai.
  • Idempotency: Simpan hash kombinasi (email+subject+timestamp) agar tidak kirim dobel saat retry.
  • Playbook Incident: Jika bounce melonjak, auto-pause pengiriman, kirim notifikasi Slack, minta review.

5.3 Dari Workflow ke Produk: Build SaaS Cepat dengan AI

Kalau kamu founder/indie hacker, workflow ini bisa dipaketkan jadi micro‑SaaS:

  • Frontend: Next.js untuk upload CSV, set persona, dan approve copy.
  • Backend ringan: Supabase untuk auth + DB, webhook ke n8n.
  • Orkestrasi: n8n sebagai job runner, satu tenant = satu queue.
  • Billing: Stripe (trial 7 hari), batasi 100 outreach/bulan paket basic.
  • Telemetry: Kirim event (delivered, replied, meeting booked) ke PostHog untuk insight produk.

Ini esensi build SaaS cepat dengan AI: fokus ke value, orkestrasi pakai n8n, dan gunakan AI Agent untuk menutup celah yang biasanya butuh tim SDR penuh.

6) Implementasi Step-by-Step (Actionable)

  • Langkah 1 – Data & CRM: Buat Airtable base: Prospects(id, name, email, company, domain, title, status), Insights, Messages, Interactions.
  • Langkah 2 – WF-0 Ingest: n8n Google Drive Trigger → parse CSV → tulis ke Airtable, status=“new”.
  • Langkah 3 – WF-1 Enrichment: Cron harian → ambil 30 “new” → Clearbit/PDL/News API → upsert ke Airtable + DB dedup.
  • Langkah 4 – WF-2 Insight: OpenAI Node dengan prompt “Insight Builder” → tulis JSON ke record Insight + sanity_score.
  • Langkah 5 – WF-3 Compose: OpenAI Node “Message Composer” → preview di Slack (Slack node) untuk batch pertama.
  • Langkah 6 – WF-4 Rate Limit: Buat tabel Counters (date, sent_count). Jika sent_count > quota, stop.
  • Langkah 7 – WF-5 Send: Gmail Send Email → label → simpan MessageId untuk threading follow-up.
  • Langkah 8 – WF-6 Listen: Gmail Watch → ambil reply → OpenAI klasifikasi → update Interactions + status.
  • Langkah 9 – WF-7 Learn: Batch tiap 50 kiriman → hitung positive reply per angle → adjust prompt policy di n8n (Set Node).

7) Risiko & Mitigasi

  • LinkedIn ToS: Hindari volume tinggi. Prioritaskan email sebagai channel utama; LinkedIn hanya untuk koneksi ringan.
  • Deliverability: Pakai domain khusus, warm-up, SPF/DKIM/DMARC benar.
  • Privasi: Simpan minimal data, beri opsi opt-out yang jelas, hormati permintaan unsubscribe.
  • Hallucination Model: Pasang sanity_score, guardrails, dan spot-check manual.

8) Aha Moment: Angle Wins, Not Templates

Ketika kamu beralih dari “ubah-ubah kata” ke “uji angle berbasis data”, kurva belajar jadi tajam. AI Agent bukan hanya menulis; ia memilih angle terbaik berdasarkan bukti (reply yang masuk). Inilah diferensiasi dibanding blast tool lain: kamu membangun loop belajar, bukan sekadar generator.

9) Penutup & Call to Action

Kamu sekarang punya blueprint untuk membangun AI Agent SDR di atas n8n automation: riset → insight → pesan → rate-limit → feedback → improve. Mulai kecil: 20–30 outreach/hari selama 2 minggu, catat metrik, lalu scale bertahap. Ping kami di JIPRAKS Classroom kalau kamu mau template workflow n8n + prompt set siap pakai, atau mau bawa workflow ini ke micro‑SaaS kamu. Saatnya vibe coding: build cepat, iterasi cepat, closing lebih cepat.

Artikel terkait