Przewodnik / GTM Engineering

Stack do GTM Engineeringu, którego realnie używamy

Co drugi tydzień ktoś prosi o tę listę. Więc oto ona, bez linków afiliacyjnych i bez dyplomacji. To stack, na którym pracuje nasz zespół w 2026, rozbity na warstwy. Wyjaśniam co robi każde narzędzie, co się psuje, gdy go brakuje, i typowe błędy, które widzieliśmy w zespołach.

Jedna zasada przed listą

Stack to nie strategia. Dwa zespoły mogą kupić dokładnie te same narzędzia, a jeden wyprodukuje pipeline, drugi tylko szum. Powód jest niemal zawsze ten sam: drugi zespół wybrał narzędzia, zanim wybrał sygnały i workflows. Najpierw ustal workflow, potem zapytaj, jakie narzędzie jest najtańszym sposobem jego uruchomienia.

Z tym zastrzeżeniem, oto czego używamy.

Warstwa 1: dane i enrichment

Ta warstwa zamienia "chcemy gadać z mid-market data platforms w DACH" w czystą listę kont i kontaktów z kontekstem wystarczającym, żeby napisać coś niegenerycznego.

• usegrit.io. Nasza własna platforma do enrichmentu i workflows. Zbudowaliśmy ją, bo chcieliśmy lepszej kontroli nad agentami, sygnałami i przepływem danych między warstwami. Na niej działa większość naszych produkcyjnych workflows.
• Clay. Druga poważna opcja w tej kategorii i taka, z której nadal korzystamy. Świetna do budowy TAM, waterfall enrichmentu, scoringu i pisania draftów z wbudowanymi kolumnami AI. Jeśli nie korzystasz z naszej platformy, to Clay jest tym, co byśmy polecili.
• Apollo. Podstawowe źródło kontaktów i danych firmograficznych. Rzadko używamy sekwencji Apollo do wysyłki, ale jako źródło danych wpięte w warstwę enrichmentu zarabia na swoje miejsce.
• LinkedIn Sales Navigator. Nadal najwyższej jakości źródło do filtrowania ludzi, szczególnie wokół niedawnych zmian stanowisk, aktywności w postach i filtrów growth. Scraping jest kruchy, więc trzymamy to ręcznie lub przepuszczamy przez narzędzia, które szanują platformę.
• Dostawcy niszowi. Pod konkretne sygnały dokładamy węższe źródła: BuiltWith i Wappalyzer pod tech stack, publiczne dane HR pod hiring signals, news API pod rundy finansowania i premiery produktów.

Co się psuje bez tej warstwy: każda wiadomość, którą piszesz, jest generyczna, bo agent nie ma z czym pracować. Widzieliśmy zespoły, które tną enrichment, żeby zaoszczędzić na kredytach, i potem dziwią się, dlaczego reply rate spadł do zera. Te kredyty były najtańszą pozycją w ich budżecie.

Typowy błąd: wzbogacanie wszystkiego do maksimum pierwszego dnia. Nie potrzebujesz 40-kolumnowego waterfalla na MVP. Zacznij od trzech kolumn istotnych dla wiadomości, odpal workflow, dodawaj kolejne dopiero wtedy, gdy realnie tego wymaga.

Warstwa 2: infrastruktura wysyłkowa

Ta warstwa rzuca wiadomość pod nos człowiekowi. Email i LinkedIn to w 2026 nadal dwa kanały, które warto automatyzować. Rozmowy telefoniczne mają wartość, ale to kanał ludzki, a nie zautomatyzowany.

• Instantly do emaila. Większość cold maila wysyłamy przez Instantly. Zarządzanie domenami, warmup, sending pools, rotacja skrzynek, podstawowy monitoring deliverability. Nieefektowna infrastruktura, czyli dokładnie to, czego oczekujesz od tej warstwy.
• HeyReach do LinkedIn. Do LinkedIn outreach na skalę, HeyReach to najstabilniejsza opcja, jakiej używaliśmy. Multi-account, rozsądne rate limity, odpowiedzi w jednej skrzynce. Wystarczająco szanuje platformę, żeby konta nie wpadały w bany co drugi tydzień.
• Domeny i skrzynki. Oddzielne domeny wysyłkowe od głównej domeny firmowej, SPF, DKIM, DMARC, warmup. Nudne. Bez negocjacji. Jeśli to pominiesz, nie robisz kampanii, robisz test na filtrach antyspamowych.

Co się psuje bez tej warstwy: wiadomości wychodzą, nic nie dociera. Przejmowaliśmy kampanie, w których open rate wyglądał świetnie, a reply rate był zerowy, bo skrzynki były cicho w spamie u połowy planety. Naprawa jest nudna: podziel sending pool, rozgrzej porządnie, monitoruj placement.

Typowy błąd: wysyłka z głównej domeny firmowej. Jeden zły tydzień zabija też mail transakcyjny. Używaj dedykowanych domen.

Warstwa 3: monitorowanie sygnałów

Sygnały zamieniają statyczną listę w workflow odpalany triggerem. Bez sygnałów wysyłasz tę samą wiadomość wszystkim w TAM tego samego dnia, czyli starym sposobem, który przestał działać.

• Sygnały rekrutacyjne. Feedy ogłoszeń o pracę, zebrane z publicznego webu i filtrowane pod role, które wskazują okno zakupowe u naszego klienta. SaaS sprzedający narzędzie QA ma powód, żeby się odezwać, gdy target zatrudnia trzeciego inżyniera QA.
• Sygnały finansowe i korporacyjne. Wyciągane z mieszanki publicznych źródeł i specjalistycznych baz. Runda A we wtorek to inna wiadomość w środę.
• Aktywność social. Posty na LinkedIn, komentarze, występy podcastowe. Używamy ich do znajdowania Championów i Power Userów wewnątrz kont, nie tylko Decision Makerów.
• Eventy produktowe, dla klientów SaaS. Sign-upy, starty triali, podpięcia integracji, kamienie milowe w użytkowaniu. To są najmocniejsze triggery w całym systemie. Jeśli jesteś SaaS i tego nie wpinasz, to pierwsza rzecz do naprawy.

Co się psuje bez tej warstwy: walisz volume na rynek, który nie ma dziś powodu, żeby się tobą zainteresować. Nadal umówisz parę spotkań, ale koszt na spotkanie jest wielokrotnie wyższy niż musi być.

Warstwa 4: modele AI do researchu i personalizacji

AI używamy w trzech miejscach stacku: research, drafting, klasyfikacja odpowiedzi. Nie mamy religijnego przywiązania do jednego dostawcy. Bierzemy ten model, który aktualnie daje najlepszy stosunek jakości do kosztu, i odświeżamy ten wybór co kilka miesięcy.

• Research. Modele z długim kontekstem czytają stronę firmy, kilka postów z LinkedIn i świeży news, po czym produkują krótki brief w wybranym tonie. Brief wpada do kroku draftingu, nie bezpośrednio do człowieka.
• Drafting. Osobny prompt bierze brief z researchu plus zwięzły style guide i pisze pierwszą wiadomość. Style guide jest ważniejszy niż model. Większość "AI personalization" brzmi jak AI personalization, bo nikt nie napisał style guide'a.
• Klasyfikacja. Tańsze, szybsze modele segregują odpowiedzi do kubełków: pozytyw, obiekcja, out-of-office, zła osoba, unsubscribe. Kubełki routują rozmowę. Pozytywy i obiekcje natychmiast lecą do człowieka.

Typowy błąd: jeden model do wszystkiego, jednym mega-promptem. W efekcie płacisz frontier ceny za triage i dostajesz research-jakości drafty z modelu zoptymalizowanego pod chat. Rozdziel kroki.

Warstwa 5: meeting intelligence

Gdy spotkanie się wydarzy, system potrzebuje transkrypcji. Używamy Fireflies do nagrywania, transkrypcji i podsumowań w zespole. Transkrypcja nie jest dla AE, który prowadził call, jest dla systemu: jaka padła obiekcja, jaki stack wspomniał prospekt, jaki kolejny krok został obiecany.

Odpowiednie pola spinamy z powrotem do CRM i do kolejnej kampanii. Linijka "oceniali Konkurenta X" z calla w zeszłym kwartale to sygnał dla workflow w tym kwartale, gdy Konkurent X ma zły tydzień. Bez meeting intel ta wiedza umiera na callu.

Warstwa 6: CRM

CRM to system of record. HubSpot dla większości klientów SaaS i software house'ów, Pipedrive dla mniejszych setupów, Salesforce, gdy klient już go ma. Wybór narzędzia jest mniej ważny niż dyscyplina: każdy workflow pisze z powrotem do CRM, każda odpowiedź jest logowana, każde konto ma ownera.

Co się psuje bez tej warstwy: równoległe źródła prawdy. Narzędzie sekwencyjne mówi jedno, kalendarz drugie, AE pamięta trzecie. Po drugim kwartale nikt nie ufa liczbom.

O platformach enrichmentowych i zamianie narzędzi

Co tydzień ktoś pyta o platformy enrichmentowe. Szczera odpowiedź jest taka, że w 2026 kategoria ma dwie poważne opcje: nasza własna platforma usegrit.io, którą zbudowaliśmy bo chcieliśmy lepszej kontroli nad agentami i obsługą sygnałów, oraz Clay, najsilniejsza opcja ogólnego przeznaczenia na rynku, z której nadal korzystamy w części workflows. Większość pozostałych narzędzi w tej kategorii nadaje się do wąskich zastosowań, ale nie pokrywa zakresu, którego wymaga prawdziwy GTM motion. Przeglądamy to co sześć miesięcy.

Do wysyłki, Instantly i HeyReach to nasze defaulty, ale to nie religia. Smartlead to rozsądna alternatywa do emaila. La Growth Machine sprawdza się w części LinkedIn flowów. Ważne jest, żebyś kontrolował domeny, warmup i rotację, a nie które logo jest na dashboardzie.

Czym ten stack nie jest

To nie magiczna kombinacja. Przejęliśmy każde z tych narzędzi po zespołach, które niczego z nimi nie wyprodukowały. Stack jest konieczny, nie wystarczający. System, który stoi na wierzchu, jest właściwym produktem. Po stronę systemową zajrzyj do jak zbudować system GTM. Żeby zobaczyć kuchnię w produkcji, najbardziej szczery widok mamy w case studies.