AI personalisatie in cold email: waarom relevantie wint

"Hey Lorenzo, aangezien er geen specifieke prestaties of recente berichten op het LinkedIn profiel van Lorenzo Garufi te vinden zijn..."

Dit is een echte email die ik vorige week ontving. Van iemand die AI inzet voor cold outreach. Het probleem? Ik post bijna elke dag op LinkedIn. De AI had mijn profiel niet correct gescraped en besloot er maar iets van te maken.

Dit is geen incident. Het is een groeiend probleem nu steeds meer bedrijven AI inzetten voor gepersonaliseerde cold emails zonder na te denken over wat er misgaat als de data niet klopt. Volgens Instantly.ai is volledig geautomatiseerde AI personalisatie simpelweg niet volwassen genoeg om zonder menselijke controle op schaal te draaien.

In dit artikel laat ik je zien waarom de meeste AI personalisatie in cold email faalt, waarom relevantie altijd wint van personalisatie en hoe je een workflow bouwt die wel werkt.

Waarom AI personalisatie zo vaak misgaat

AI tools voor cold email doen in de basis iets simpels: ze scrapen data over je prospect (LinkedIn profiel, website, recente posts) en gebruiken die data om een gepersonaliseerde email te schrijven. Klinkt logisch. In de praktijk gaat het mis op twee niveaus.

Niveau 1: de data klopt niet. De scraper vindt geen recente posts, haalt het verkeerde profiel op of mist cruciale context. LinkedIn beperkt scraping steeds meer, profielen zijn niet altijd publiek en bedrijfswebsites veranderen continu. Bij onze eigen lead enrichment workflows zien we dat 20 tot 40 procent van de profielen incomplete data oplevert.

Niveau 2: de AI hallucineert. Als de input data incompleet is, verzint het model iets. Dat is hoe large language models werken: ze produceren altijd een antwoord, ook als ze de informatie niet hebben. Het resultaat? Emails die refereren naar prestaties die niet bestaan, posts die nooit geschreven zijn of bedrijfsinfo die nergens op slaat.

Dit is wat er in de praktijk misgaat:

Volgens PowerDMARC worden emails vanaf maart 2026 hard geweigerd door Gmail, Yahoo en Microsoft als DMARC, DKIM en SPF niet correct zijn geconfigureerd. Combineer technische problemen met foute personalisatie en je hebt een recept voor reputatieschade.

Lees ook: Waarom 90% van cold emails in spam belandt (en hoe je het fixt) voor de technische kant van deliverability.

Relevantie wint altijd van personalisatie

Dit is misschien wel het belangrijkste inzicht dat we hebben opgedaan na het versturen van duizenden cold emails voor onze klanten: personalisatie is overschat. Relevantie is wat telt.

De meeste bedrijven die AI inzetten voor cold email focussen op het verkeerde. Ze laten AI een compliment schrijven over een recente LinkedIn post of een financieringsronde benoemen. Maar de prospect denkt niet "wat attent", de prospect denkt "lost dit mijn probleem op?"

Bij Spryntr zien we dit consistent terug in onze campagne data. Onze best presterende campagne leverde 82 warme leads op uit 1.769 gecontacteerde prospects, met een response rate van 12,3% en een positieve response rate van 38,1%. Het industrie gemiddelde ligt rond de 1 tot 3 procent volgens Saleshandy.

Wat maakte het verschil? Niet de personalisatie, maar de relevantie van het aanbod. We hadden beslissingnemers gescrapet die actief interesse toonden in oplossingen die onze klant aanbiedt. Likes en comments op specifieke LinkedIn content als intent signaal.

Volgens Instantly.ai presteert signal-based personalisatie (gebaseerd op koopsignalen) 3 tot 5 keer beter dan firmographic personalisatie (gebaseerd op bedrijfsgrootte of sector). Dat bevestigt wat we in de praktijk zien: het gaat niet om hoeveel je weet over je prospect, maar of je aanbod aansluit bij een probleem dat ze nu hebben.

De les is simpel. Als je content marketing aanbiedt en personaliseert op een recente LinkedIn post over content, dan klopt dat. Gebruik je diezelfde personalisatie voor een SaaS product dat niets met content te maken heeft? Dan is het verspilde moeite.

De drie fouten die we het vaakst zien

Na het analyseren van honderden AI gegenereerde cold emails voor onze klanten, komen dezelfde fouten steeds terug.

1. De hallucinatie-compliment

"Ik zag je recente post over X en was onder de indruk..."

Alleen heeft de prospect nooit over X gepost. De AI vond geen recente content en besloot iets te verzinnen. Dit is de meest voorkomende fout en tegelijk de meest schadelijke. Je prospect weet meteen dat het nep is en je verliest alle geloofwaardigheid in een zin.

2. De verkeerde context

"Als CEO van [verkeerd bedrijf]..."

De scraper haalt data op van het verkeerde LinkedIn profiel, een verouderd profiel of mixt data van meerdere bronnen. Het resultaat is een email die laat zien dat je niet eens weet tegen wie je praat. In onze campaign writing framework hanteren we de regel dat elke variabele de 95% test moet halen: de data moet beschikbaar en correct zijn voor vrijwel elke lead op je lijst.

3. De generieke AI-opening

"Ik kwam je profiel tegen en was benieuwd..."

Dit is geen personalisatie. Dit is een template met een dun laagje AI eroverheen. Nu iedereen dezelfde AI tools gebruikt, herkennen prospects dit patroon direct. Het is de cold email variant van "Beste heer/mevrouw" en het werkt net zo slecht.

Hoe je een AI workflow bouwt die wel werkt

Het kernprobleem is dat de meeste mensen AI behandelen als een black box. Data erin, email eruit, versturen. Geen validatie tussendoor.

Een typische workflow die misgaat:

1. Scrape LinkedIn profiel
1. Stuur data naar GPT of Claude
1. Genereer email
1. Verstuur

Hier ontbreken drie cruciale stappen: data validatie, output controle en fallback logica. Bij Spryntr bouwen we onze workflows met ingebouwde kwaliteitscontrole. Dit zijn de principes die het verschil maken.

Filters voor je AI aanroept

Voordat data naar het AI model gaat, valideer je of de input compleet is. Heeft het profiel recente posts (laatste 30 dagen)? Is de bedrijfsinformatie volledig? Komt de data van het juiste profiel? Gebruik if/switch nodes in je automation tool om profielen te routeren. Incomplete profielen gaan naar een generieke maar eerlijke email variant.

Meerdere routes op basis van data kwaliteit

Je workflow moet rekening houden met het feit dat data niet altijd beschikbaar is. Bouw meerdere routes:

Dit is geen nice-to-have. Dit is de basis van een professionele outbound operatie. In onze micro-campagnes zien we dat deze aanpak 6 salescalls oplevert per 100 benaderde leads, juist omdat we alleen de best passende leads de meest gepersonaliseerde variant sturen.

Test voordat je live gaat

Genereer de eerste 50 emails en lees ze handmatig door. Check specifiek de personalisatie elementen: kloppen de namen, bedrijven en referenties naar recente activiteit? Test met verschillende typen profielen, van actieve posters tot stille profielen en mensen die recent van baan zijn gewisseld.

De 10 minuten die je hieraan besteedt besparen je weken aan reputatieschade. Bij Spryntr is dit een standaard stap voor elke campagne die we live zetten.

De checklist voor AI personalisatie

Voordat je je volgende AI-gepersonaliseerde campagne verstuurt, loop deze checklist door.

Wil je weten hoe jouw outbound setup ervoor staat? Bekijk onze diensten voor een compleet overzicht van wat we voor je kunnen opzetten.

Lees ook: Waarom cold email nog steeds werkt in 2026 als je twijfelt of cold email uberhaupt nog effectief is.

Conclusie

AI personalisatie in cold email is niet het probleem. Het probleem is AI zonder checks. Zonder data validatie. Zonder fallback logica. Zonder iemand die de output leest voordat het naar honderden prospects gaat.

De oplossing is niet minder AI gebruiken, maar beter. Bouw workflows met filters, test je output en zorg altijd voor een generieke variant als fallback. En onthoud: relevantie wint altijd van personalisatie. Een email die het juiste probleem adresseert voor de juiste persoon presteert beter dan een email met een nep-compliment over een LinkedIn post.

Wil je weten hoe je AI outbound professioneel opzet? Plan een gesprek en we lopen samen door je setup.