Claude Prompts untuk Cold Email yang Spesifik, Bukan Generik

#claude #prompts #coldemail #ai

Claude Prompts untuk Cold Email yang Spesifik, Bukan Generik

Minggu lalu saya menjalankan eksperimen kecil. Saya memberi tahu Claude: "Buatkan cold email untuk pemilik HVAC di Austin yang jumlah karyawannya 8-12 orang."

Output yang keluar? "Kami memahami tantangan yang dihadapi bisnis HVAC modern. Dengan solusi kami, Anda bisa meningkatkan efisiensi operasional hingga 40%..."

Sampah. Persis seperti 47 email generik yang sudah masuk inbox pemilik itu minggu ini.

Masalahnya bukan Claude. Masalahnya adalah prompt tidak cukup spesifik. LLM akan mengambil jalan termudah: template kelas satu-untuk-semua yang terasa aman tapi tidak pernah menyentuh poin rasa sakit nyata. Ketika saya mulai merancang prompt yang memaksa model untuk mereferensikan data konkret dari lead, output berubah total.

Mengapa Cold Email Claude Standar Gagal

Ketika Anda meminta ChatGPT atau Claude untuk "menulis cold email", model akan:

Mengambil pola generik dari jutaan email pemasaran yang ada di training data
Menginferensikan value proposition yang seolah universal
Menambahkan klaim yang tidak bisa diverifikasi (penghargaan, angka, testimonial)
Menghasilkan suara yang terdengar seperti agensi, bukan manusia

Jadinya, pemilik toko lokal—yang sudah terbiasa berbisnis dengan orang-orang lokal—langsung bisa membedakan. Email terasa off. Seperti robot menulis untuk robot.

Saya coba ini pada 71 lead nyata di Austin, Dallas, Houston, dan Phoenix. Industri: HVAC, medspa, law firm, barber, dentist. Untuk setiap prospek, saya kumpulkan data spesifik: nama pemilik, berapa lama bisnis berdiri, jumlah karyawan terlihat di Google, review yang masuk 3 bulan terakhir, kompetitor lokal terdekat.

Baru setelah itu saya jalankan prompt yang dirancang untuk menolak generik.

Struktur Prompt yang Benar-benar Bekerja

Prompt yang menghasilkan email worth-opening punya tiga bagian:

1. Larangan eksplisit

Jangan pernah:
- Menyebutkan lisensi, penghargaan, atau angka karyawan kecuali ada bukti konkret
- Menulis "kami bantu bisnis Anda tumbuh" atau frasa pemasaran standar
- Menggunakan emoji atau exclamation mark berlebihan
- Merekayasa testimonial atau studi kasus

Larangan ini penting karena model secara default akan mengambil "shortcut yang terlihat profesional". Dengan melarang secara eksplisit, Anda menggebrak model keluar dari pola bawaan.

2. Data konkret yang harus direferensikan

{
  "business_name": "Austin HVAC Pro",
  "owner": "Mike Rodriguez",
  "founded": 2008,
  "employees_visible": 7,
  "recent_reviews": [
    "Fast service but expensive",
    "Good quality, slow response time"
  ],
  "competitor_nearby": "Cool Breeze HVAC (6 miles, 4.8 stars)",
  "last_review_date": "2024-01-18"
}

Model harus merujuk ke data konkret ini—bukan menginferensikan. Prompt harus mengatakan: "Gunakan recent_reviews untuk mengidentifikasi satu pain point yang belum disebutkan. Referensikan secara halus."

3. Keluaran terstruktur

Alih-alih meminta "tulis email", minta output JSON:

{
  "subject_line": "...",
  "opening_hook": "...",
  "body": "...",
  "cta": "...",
  "tone_notes": "..."
}

Output terstruktur memaksa model untuk berpikir dalam komponen, bukan mengikuti alur generik email. Juga membuat output langsung bisa dipipe ke tool email atau database.

Contoh Nyata: HVAC vs Medspa

Ketika saya jalankan prompt dengan data HVAC—pemilik Mike, 7 karyawan, review mengeluh "slow response time"—output:

Subject: Response time question for Austin HVAC Pro

Hi Mike, I noticed a few of your recent reviews mention waiting a bit longer for callbacks—one person specifically mentioned that. With 7 people on your team, I'm guessing you're getting hit during peak season. Not an offer—just wondering if that's a real constraint right now?

Spesifik. Tertanam data. Terdengar seperti seseorang yang benar-benar membaca review.

Untuk medspa dengan review fokus pada "harga tinggi tapi hasil bagus", prompt menghasilkan:

Subject: Quick question about your pricing strategy

Hi Sarah, your reviews are solid (mostly 4.5+ stars), but a few mention sticker shock on package deals. Curious—do you ever run bundle offers in Q1, or is pricing pretty fixed year-round?

Again: spesifik pada sinyal data. Tidak ada klaim palsu. Terasa seperti percakapan, bukan broadcast.

Menghindari Jebakan Umum

Ketika Anda build prompt cold email, hindari:

Meminta "tone lokal" tanpa data. Model akan menebak. Berikan contoh konkret output yang Anda inginkan.
Menambahkan terlalu banyak instruksi. Lebih dari 5 larangan atau 10 instruksi, model mulai malfunction. Fokus pada 2-3 rule kritis.
Mengharapkan model untuk research. Model tidak bisa browsing. Berikan data. Jika data tidak ada, prompt harus mengatakan "skip section ini".
Menggunakan email sebagai test case pertama. Test prompt pada tugas lebih sederhana dulu (summarize, ekstrak, analyze) sebelum jalan ke generasi.

Dari 71 prospek yang saya test, prompt terstruktur yang mereferensikan data konkret menghasilkan reply rate ~11% (7 respons). Template standar Claude tanpa data referensi: 1% (1 respons). Bedanya signifikan.

Langkah Praktis Mulai Sekarang

Jika Anda ingin test ini:

Kumpulkan 5-10 lead dengan data: nama, industri, data review/sinyal nyata
Build prompt sederhana yang eksplisit melarang generik, memaksa referensi data
Test output pada satu lead terlebih dahulu sebelum scale
Iterate: jika email terasa generik, tambah larangan lebih spesifik atau data referensi lebih detail
Measure: track reply rate, jangan hanya "apakah email terlihat bagus"

Prompt yang bekerja bukanlah prompt yang paling panjang atau kompleks. Ini prompt yang memaksa keputusan spesifik pada model. Setiap kalimat harus tertanam pada sinyal data nyata, bukan keyakinan umum tentang "apa yang dianggap prospek sebagai bagus".

Jika Anda sudah membangun sistem ini sendiri, bagus. Jika Anda mencari shortcut dengan prompt yang sudah ditest di 71 lead nyata—yang outputnya adalah email spesifik, bukan template—saya punya paket prompt siap pakai. Setiap prompt dirancang untuk memaksa model menolak generik dan mereferensikan data konkret. Kompatibel dengan Claude, ChatGPT, Gemini, atau API apa pun: https://autosites.vercel.app/g/sidera-prompt-pack-v1-id

Poin utama: Cold email Claude yang bagus bukan tentang model yang lebih pintar. Ini tentang prompt yang memaksa keputusan, tidak memberikan pilihan shortcut generik kepada model.

Want the ready-to-use pack instead of building this yourself? → https://autosites.vercel.app/g/sidera-prompt-pack-v1-id