Kiedy Alex, marketingowiec średniego szczebla, próbował przebić się do większej roli w agencji, jego skrzynka odbiorcza LinkedIn była cmentarzem ignorowanych wiadomości. Zimne DM-y wydawały się spamem. Rekruterzy nie byli zainteresowani. Wtedy zbudował przepływ pracy w Notion zasilany przez ChatGPT i Claude. Zamiast sztywnych wstępów, każda notatka brzmiała jak prawdziwa ludzka odpowiedź, dostosowana do tonu menedżera ds. rekrutacji. Po raz pierwszy pojawiły się odpowiedzi - i nie były to boty. Byli to prawdziwi decydenci mówiący: "Porozmawiajmy".

ChatGPT i Claude o tworzeniu kontekstowych działań informacyjnych

Alex zaczął od jednej jasnej zasady: żadnych ogólnych otwieraczy. Za pomocą ChatGPT opracował ustrukturyzowane podpowiedzi, które odzwierciedlały każdy opis stanowiska. Claude, ze swoim naturalnym tonem, złagodził język. Wspólnie stworzyli kadencję: spersonalizowane intro → wartość dodana → jasne zakończenie.

Przykład zachęty (intro na LinkedIn):
Kontekst: Docelowa rola = Senior Marketing Manager w startupie SaaS. Menedżer ds. rekrutacji napisał o skalowaniu płatnych reklam.
Zadanie: Napisz 100-słowną wiadomość na LinkedIn łączącą moje portfolio z ich wyzwaniem.
Ograniczenia: Używaj konwersacyjnego tonu, żadnych buzzwords, żadnych "podekscytowanych połączeniem".
Wynik: Projekt wiadomości w prostym języku angielskim, 3 warianty.

Wynik: Zamiast "Mam nadzieję, że masz się dobrze", wiadomość Alexa odnosiła się do postu menedżera - i uzyskała natychmiastową odpowiedź.

ChatGPT i Claude do obsługi wiadomości follow-up

Większość kandydatów porzuca piłkę po jednej próbie. Alex podwoił wysiłki. ChatGPT wygenerował ustrukturyzowane działania następcze w odstępie trzech dni. Claude dostosował głos: uprzejma wytrwałość, nigdy nachalność.

Przykład zachęty (kadencja follow-up):
Kontekst: Wysłano LinkedIn DM 3 dni temu, brak odpowiedzi. Menedżer aktywny wczoraj.
Zadanie: Wygeneruj krótki follow-up, który doda link do zasobów (studium przypadku portfolio).
Ograniczenia: ≤ 50 słów, unikaj "tylko sprawdzania", profesjonalny, ale ciepły.
Wynik: Pojedyncza wersja robocza z tematem + wiadomość.

Jeden z menedżerów ds. rekrutacji odpowiedział po drugim kontakcie: "Dzięki za przypomnienie - umówmy się na rozmowę".

ChatGPT i Claude na rozgrzewkach przed rozmową kwalifikacyjną

Po otrzymaniu odpowiedzi Alex użył tej samej kombinacji do przygotowania się do rozmowy kwalifikacyjnej. Claude symulował prawdziwe pytania menedżera ds. rekrutacji. ChatGPT wygenerował wypunktowane odpowiedzi powiązane z metrykami.

Przykład podpowiedzi (symulacja przygotowawcza):
Kontekst: Rozmowa kwalifikacyjna na stanowisko związane z marketingiem SaaS, nacisk = efektywność wydatków na reklamę.
Zadanie: Symuluj 5 pytań menedżera ds. rekrutacji + modeluj mocne odpowiedzi.
Ograniczenia: Odpowiedzi ≤ 120 słów, cytuj metryki, unikaj puchu.
Wynik: Lista pytań i odpowiedzi w tabeli: Pytanie | Odpowiedź | Metryka.

To przygotowanie zmieniło to, co kiedyś było zawiłymi monologami, w wyraźne odpowiedzi, które zasługiwały na skinienie głową.

Tabela przed i po

Krok

Stary przepływ pracy

Z ChatGPT + Claude

LinkedIn DMs

Ogólne kopiuj-wklej

Kontekstowy, dopasowany ton

Działania następcze

Niezręczne lub brakujące

Uporządkowana, uprzejma kadencja

Przygotowanie do wywiadu

Rozproszone notatki

Ukierunkowane pytania i odpowiedzi z metrykami

Wskaźnik odpowiedzi

5%

42%

Poziom zaufania

Niski, zgadywanie

Wysoki, wyćwiczony i naturalny


Chatronix: Skrót do wielu modeli

Alex zmęczył się żonglowaniem podpowiedziami między platformami. Wtedy skonsolidował wszystko w Chatronix.

Z jednego obszaru roboczego mógł

  • Uruchomić 6 najlepszych modeli obok siebie (ChatGPT, Claude, Gemini, Grok, Perplexity AI, DeepSeek).

  • Przetestować 10 darmowych przebiegów przed sfinalizowaniem skryptów zasięgowych.

  • Użyj trybu Turbo + One Perfect Answer, aby połączyć sześć wyników w jedną czystą wersję roboczą.

  • Zapisz swój system outreach w Prompt Library z tagowaniem i ulubionymi - jedno kliknięcie, cały przepływ pracy uruchomiony.

WypróbujChatronix.ai

Profesjonalny monit dla LinkedIn Warm Outreach

Oto dokładna struktura inżynieryjna, której Alex użył do rozgrzania zimnych wątków LinkedIn i skłonienia menedżerów ds. rekrutacji do odpowiedzi:

Kontekst: Marketer średniego szczebla aplikujący na stanowiska SaaS. Cel = menedżerowie ds. rekrutacji, którzy piszą o marketingu efektywnościowym. Cel = rozpoczęcie rozmowy prowadzącej do rozmowy kwalifikacyjnej.
Dane wejściowe: Tekst opisu stanowiska, niedawny post menedżera ds. rekrutacji na LinkedIn, link do studium przypadku z mojego portfolio.
Rola: Outreach copywriter z doświadczeniem w HR.
Zadanie: Przygotowanie 3 spersonalizowanych wiadomości na LinkedIn, każda poniżej 120 słów.
Ograniczenia: Żadnych buzzwords, żadnego "podekscytowany, aby połączyć", unikaj klisz. Każdy wariant musi 1) odnosić się do postu menedżera, 2) wiązać moje umiejętności z problemem, 3) kończyć się miękkim CTA.
Styl/głos: Rozmowny, pewny siebie, ciepły.
Schemat wyjściowy: JSON → {"variation1": "...", "variation2": "...", "variation3": "...}.
Kryteria akceptacji: Brzmi ludzko, przechodzi przez detektory AI, gotowy do wklejenia na LinkedIn.
Post-process: Zasugeruj jeden opcjonalny follow-up, jeśli brak odpowiedzi w ciągu 3 dni.

Końcowy wniosek

ChatGPT i Claude nie tylko opracowali lepsze wiadomości na LinkedIn - zbudowali prawdziwe rozmowy. Łącząc kontekstowe podpowiedzi z ludzkim tonem, Alex przekształcił ignorowane DM w rozmowy kwalifikacyjne w swoim kalendarzu. W połączeniu z Chatronix przepływ pracy stał się powtarzalny, niezawodny i szybki. Rezultat: więcej odpowiedzi, więcej rozmów kwalifikacyjnych i pierwsza rola, której naprawdę chciał.