Cold outreach sem genérico: o framework Sidera de research para PMEs

Há três meses, começamos a enviar emails frios para barras, clínicas odontológicas e oficinas HVAC em Austin, Dallas, Houston e Phoenix. A taxa de resposta daqueles primeiros 200 emails? 1,8%. Genérico demais. A mensagem gritava "template".

O problema não era o timing ou o subject line. Era isso: a gente não conhecia nada sobre o prospect além do nome e do segmento.

Aí formulamos o que chamamos de "soul-walk" — uma rotina estruturada de research que você faz antes de sequer abrir o editor de prompts. Rodamos em 71 leads reais. A taxa de resposta subiu para 14% (em algumas verticals, chegou a 22%). Não é porque ficamos melhores em escrever — é porque o LLM finalmente tinha combustível real pra trabalhar.

Aqui está como funciona.

O problema real dos prompts genéricos

Quando você joga pro Claude ou GPT: "escreve um email frio pra uma empresa de HVAC", você recebe isso:

Subject: Otimize a eficiência energética do seu negócio

Oi [NOME],

Sabemos que a manutenção de sistemas HVAC é crítica pra 
operações contínuas. Nossa plataforma ajuda empresas como 
a sua a economizar até 30% em custos operacionais...

Ninguém abre. A razão? O modelo não tem contexto. Ele fabrica números, finge conhecer seu business model, e escreve "empresas como a sua" pra 10 mil prospects diferentes. Cada frase é genérica por necessidade.

O framework Sidera começa com uma verdade: o LLM não deveria inventar nada. Ele deveria só conectar os pontos do que você já pesquisou.

Como funciona o soul-walk: a rotina de 4 passos

Antes de qualquer prompt, você sai do escritório (ou abre a aba do navegador) e coleta dados brutos. Não dados demográficos genéricos — dados que revelam como o negócio funciona.

Passo 1: Mapeamento Visual (15 minutos)

Você entra no Google Maps, Street View, Facebook e Instagram do prospect. O que você está procurando?

• Quantas pessoas trabalham lá? (conta os carros, a vitrine, as fotos)
• A loja está bem mantida ou pedindo reforma?
• Eles postam fotos de clientes, team, resultados? Ou é só "vem aí, novo horário de atendimento"?
• Qual é o tom na bio deles? Casual? Corporativo? Abandonado?

Você não precisa ser psicólogo. Você só está notando sinais reais.

Passo 2: Coleta de Frições Específicas (20 minutos)

Agora você pesquisa: qual é o problema que esse negócio específico deve estar enfrentando? Não em geral — para ele.

Uma clínica odontológica em Phoenix com 2 reviews no Google e ambos sobre "demora" provavelmente está lutando com agendamento, não com marketing genérico. Uma barbearia em Dallas com fotos de 2015 pode estar com medo de mudança tecnológica. Um consultório jurídico que ainda usa Wix tem problemas de credibilidade digital.

Você não inventa. Você observa sinais e faz uma aposta educada.

Passo 3: Validação por Contexto Local (10 minutos)

Você verifica: esse problema que identifiquei é real pra região? Pra esse segmento?

Se você está falando pra uma agência de marketing em Austin sobre custo por lead alto, você verifica antes: qual é o custo real de aquisição pra agências pequenas em Texas? Qual é a margem delas?

Uma busca rápida por "barber shop costs Austin 2024" ou "HVAC business margins" te dá referência.

Passo 4: Estrutura de Dados Brutos (5 minutos)

Você documenta tudo isso em um JSON bem simples:

{
  "prospect": "Joe's HVAC Solutions",
  "city": "Dallas",
  "signals_observed": [
    "Website não menciona garantia",
    "Google Maps: 4.2 stars, reviews focam em velocidade",
    "Instagram desatualizado (última post 3 meses atrás)",
    "Descrição no Google: 'family owned since 2005'"
  ],
  "friction_hypothesis": "Inconsistência na garantia cria dúvida em leads novos",
  "context_note": "Proprietários de HVAC em Dallas reclamam de lead quality, não de volume"
}

Isso aqui é combustível. Agora sim você joga pro LLM.

Por que o research muda tudo no prompt

Quando você passa esse contexto bruto pro Claude com um prompt bem estruturado, três coisas acontecem:

1. Âncoras concretas: o modelo escreve "notei que não há menção de garantia no seu site" em vez de "a garantia é importante". Real vs. genérico.

2. Recusa de fabricação: se o prompt exigir JSON estruturado e dados verificáveis, o modelo recusa inventar licenças, prêmios ou números que não existem. Ele trabalha só com o que você pesquisou.

3. Tom local: quando o modelo sabe que é pra falar com um dono de barbearia em Phoenix (não "um proprietário de negócio"), ele muda o tom. Menos jargão de agência, mais conversa de pessoa pra pessoa.

Rodamos essa rotina em 71 leads. Cada exemplo no nosso dataset é um prospect real:

• Uma clínica de dermatologia em Houston que tinha 3 avaliações antigas
• Uma barbearia em Dallas com presença mínima em redes
• Um escritório jurídico em Austin com site que parecia de 2010
• Uma oficina HVAC em Phoenix crescendo rápido mas com processos manuais

Os emails gerados não prometiam céus. Eles diziam: "vi isso sobre você, e isso aqui provavelmente é um problema específico seu. Aqui está a conversa que podemos ter."

Quando o framework salva seu tempo

A tentação sempre é pular direto pro prompt: "escreve 100 emails frios". Rápido, certo? Você entrega 100 emails em 30 minutos.

A realidade: 98 viram spam porque nenhum tem DNA de research nele.

O soul-walk leva 50 minutos por prospect. Mas você consegue 14% de taxa de resposta em vez de 1,8%. Em 71 prospects, são 2 respostas extras por dia de trabalho investido.

Se você está fazendo outreach em escala pequena (até 200 leads), esse tempo se paga sozinho em padrão de resposta. Se quer automação de verdade, você precisa de prompts que funcionam — e prompts que funcionam vêm de research que funciona.

Se estruturar essa rotina manual parece tedioso, existem prompt packs já validados em dados reais que formalizam exatamente esse workflow e forçam o LLM a recusar cópia genérica. O Prompt Pack Cold-Outreach Sidera tem 4 prompts de produção testados nos 71 leads — prospecting, auditor, email e coleta — com exemplos reais de cada tipo de negócio.

O que muda agora

Research sólido muda tudo porque muda o que o LLM consegue fazer. Sem dados, ele fabrica. Com dados, ele conecta.

Seu próximo email frio não deveria perguntar se o prospect está aberto a conversa — ele deveria provar que você fez o dever de casa dele.

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