AI maakt veel van het traditionele sales- en marketingwerk overbodig. Tegelijkertijd maakt het GTM Engineering exponentieel belangrijker. Hier is hoe agents, MCP en LLM-orkestratie de rol veranderen, en wat AI nooit gaat vervangen.
De afgelopen twee jaar is er veel onzin geschreven over «AI vervangt sales». De realiteit is genuanceerd. AI maakt grote delen van het sales- en marketingwerk goedkoper en sneller. Maar het werk dat overblijft — het strategisch denken, de orkestratie, het bouwen van de systemen die AI inzetten — wordt waardevoller, niet minder.
Dit is deel 7 in een serie over GTM Engineering. Voor de basis lees Wat is GTM Engineering?. Hier ga ik in op de specifieke implicaties van het AI-tijdperk: welke technologieën echt het werk veranderen, waar de data-moat ligt, en wat AI niet gaat oplossen.
De drie golven van AI in GTM
Om te begrijpen waar we nu staan, helpt het om de drie golven van AI-adoptie in GTM in kaart te brengen.
Golf 1 (2020-2023): Generatieve AI als schrijfassistent. Marketers gebruikten GPT-3 en GPT-4 om copy te schrijven, e-mails te genereren en blogposts te concepten. De impact was reeel maar beperkt: productiviteitswinst van 20-30% voor sommige taken, maar geen fundamentele verandering in hoe werk werd gedaan.
Golf 2 (2024-2025): AI als personalisatie-engine. Tools als Clay, Cargo en talloze AI-SDR platforms maakten gepersonaliseerde outreach op schaal mogelijk. Digital Applied's analyse van 100.000 emails liet zien dat AI-SDR's bijna gelijk presteren met menselijke SDR's op reply rate (4,1% vs 5,2%). Het werk verschoof: niet meer «schrijven», maar «orkestreren wat AI schrijft».
Golf 3 (2026 en verder): Agentic AI met MCP. Hier zitten we nu. Agents die niet alleen tekst genereren maar ook acties ondernemen: data ophalen, CRM bijwerken, beslissingen maken, andere agents aanroepen. Dit is de transformatie die GTM Engineering in 2026 echt verandert.
MCP: het ontbrekende protocol
Het belangrijkste technische gebeurtenis in GTM-AI sinds GPT-4 is MCP — Model Context Protocol. Geintroduceerd door Anthropic in november 2024, geadopteerd door OpenAI in april 2025, gevolgd door Microsoft in juli 2025 en AWS in november 2025. In maart 2026, volgens onderzoek, waren er 10.000+ actieve publieke MCP-servers en 97 miljoen maandelijkse SDK-downloads, schrijft Truto in hun MCP-overzicht.
Wat is MCP? Een open standaard die voorschrijft hoe AI-modellen verbinden met externe tools, databronnen en applicaties via JSON-RPC. Voor GTM betekent het: AI-agents kunnen rechtstreeks praten met je CRM, je email-tool, je enrichment-providers en je data warehouse, zonder dat je voor elke combinatie een aparte integratie moet bouwen.
Warmly's MCP-gids voor sales teams beschrijft het zo: «MCP fungeert als universele connector die tientallen point-to-point integraties vervangt tussen je CRM, email, chat, visitor identification, en outreach-tools.»
Voor GTM Engineers verandert dit alles. Vóór MCP was integreren van een AI-agent met een CRM een project van weken: webhooks instellen, API-tokens beheren, data-mapping schrijven, edge cases afhandelen. Met MCP is het uren werk. Het effect: de barrière tot «AI op productieniveau» daalt drastisch.
Vijf werkelijke AI-use cases in GTM in 2026
Genoeg theorie. Hier zijn vijf use cases die nu in productie draaien bij B2B SaaS-bedrijven en die ik zelf bouw voor klanten.
1. De voorbereidings-agent voor sales calls
Een agent die voor elke geplande call automatisch een briefing samenstelt: bedrijfsoverzicht, recente nieuwsberichten, organisatorische veranderingen, technologie-stack, mogelijke pijnpunten, en drie strategische gespreksopeners. Input: de calendar-event. Output: een Slack-bericht 12 uur voor de call met een PDF-briefing.
Implementatie: een orchestratie-laag (Claude of GPT-5 met MCP-connectors naar Google Calendar, HubSpot, BuiltWith, LinkedIn en nieuws-API's). Bouwtijd: 5-10 dagen voor een functionele V1. ROI: 200+ uur per AE per jaar terugverdiend.
2. De inkomende lead-classifier
Een agent die elke nieuwe inbound lead binnen 30 seconden classificeert: past in ICP ja/nee, urgentie-score, intent-signalen, suggested routing. De agent leest het formulier, verrijkt de data, vergelijkt tegen historische conversie-patronen en maakt een aanbeveling. RevOps approves de regels, GTM Engineering bouwt het systeem.
Implementatie: een serverless functie die het CRM-event triggert, MCP-aanroepen naar de enrichment-providers en het AI-model, en terug schrijft naar het CRM. Bouwtijd: 2-4 weken. ROI: response-tijd zakt van uren naar seconden; high-intent leads worden binnen 1 minuut bediend.
3. De churn-predictor
Een agent die wekelijks alle bestaande klanten beoordeelt: productgebruik-patronen, support-tickets, sentiment in emails, betalingsgedrag, contract data. Output: een ranking met top-20 at-risk klanten en suggested interventions. CSM's krijgen automatisch een geprioriteerde lijst.
Implementatie: een dagelijks-runnende workflow die data uit drie tot vijf bronnen combineert en door een AI-model haalt voor patronen. Bouwtijd: 6-10 weken. ROI: 30-50% reductie in onverwachte churn.
4. De content-personaliseerder voor outbound
Een agent die voor elke uitgaande sequence-stap automatisch de copy aanpast aan de prospect: bedrijfsspecifieke openers, branchespecifieke voorbeelden, persoonlijke triggers vanuit recent gedrag of nieuws. Templates worden niet meer ge«merge field»-geïnvulld, maar contextueel her-geschreven.
Implementatie: integratie tussen je sequencer (Smartlead, Instantly), een LLM, en je enrichment-laag. Bouwtijd: 1-3 weken. ROI: reply rates die volgens onze metingen 2-4x hoger zijn dan template-based sequences.
5. De RevOps QA-bot
Een agent die continu het CRM scant op data-issues: ontbrekende velden, dubbele records, ongeldige email-formats, deals zonder owner, accounts zonder lifecycle stage. Output: een dagelijkse rapport en automatische fixes voor de evidente cases.
Implementatie: een scheduled job die het CRM doorloopt, regels evalueert (deels deterministisch, deels via LLM voor edge cases) en aanpassingen maakt of meldingen genereert. Bouwtijd: 4-8 weken. ROI: data-kwaliteit die in plaats van te degraderen, automatisch verbetert.
De data-moat: waar de echte waarde nu zit
De pijnlijke waarheid van 2026: de AI-modellen zelf zijn niet meer de differentiator. Claude, GPT-5, Gemini en open-source alternatieven leveren vergelijkbare kwaliteit voor de meeste GTM-taken. De winst zit ergens anders.
Digital Applied's onderzoek formuleerde het scherp: «Layer two en three zijn gecommoditiseerd. Elke sequencer doet follow-ups. Elke AI schrijft passabele copy. Layer one — de data — is waar campagnes leven of sterven. Krijg dat verkeerd en niets downstream kan het redden.»
Dat betekent: in 2026 zit de moat in data. Specifiek:
- Eerste-partij data over je markt: wat weet jij over jouw ICP dat je concurrenten niet weten? Welke signalen heb je gecodeerd in je systeem die anderen missen? Welke historische deal-data heeft een unieke voorspellende waarde?
- Kwaliteit van enrichment: hoe diep en hoe vers is je verrijking? Een waterfall met acht providers heeft betere coverage dan één provider. Vanderbuild's waterfall-onderzoek documenteert lifts van 20% naar 80% coverage.
- Signal velocity: hoe snel detecteer je relevante koopsignalen? Bedrijven die binnen 24 uur reageren op een nieuwe Head of Sales-aanname winnen veel deals die bedrijven die na een maand reageren niet eens zien.
De rol van de GTM Engineer in 2026 is: bouw de data-moat. Niet alleen de AI-tools verbinden, maar de fundamentele asset creëren waar AI op draait. Dat is geen 1-week-projectje. Dat is een investering over jaren.
Wat AI niet vervangt — en nooit zal
Bij alle enthousiasme over AI is het belangrijk om eerlijk te benoemen wat AI niet vervangt. Drie dingen die ook in 2030 nog gewoon menselijk werk zullen zijn.
Strategische positionering. Welke ICP kies je? Welke boodschap voer je? Welke markten betreed je? Dit zijn beslissingen die context, oordeel en visie vereisen die LLM's niet hebben. AI kan je opties tonen, maar de keuze blijft een leiderschapsbeslissing.
Diepe klantrelaties. Bij high-ACV deals (zeg, €100K+ ARR) wint vertrouwen, niet snelheid. Een AI-agent kan een gesprek voorbereiden, maar het gesprek zelf — de subtiele momenten van wederzijds begrip, de empathie bij een tegenslag, het luisteren naar wat niet wordt gezegd — blijft menselijk werk. Wie denkt dat een AI-agent enterprise deals gaat closen, heeft nog nooit een enterprise deal gesloten.
Creatieve doorbraken. De positionering die je markt verovert, het GTM-experiment dat het roer omgooit, het inzicht dat een nieuwe categorie opent — dat blijft menselijk werk. AI kan patronen zien in wat is. Mensen zien wat nog niet bestaat.
Voor GTM Engineers: deze drie domeinen zijn niet jouw werkterrein. Jouw werk is om de tools te bouwen die strategen, account executives en visionaire founders effectiever maken. Niet om hen te vervangen.
Drie hardnekkige misvattingen
Tot slot, drie misvattingen over AI-in-GTM die ik wekelijks hoor en die uit de wereld geholpen moeten worden.
Misvatting 1: «Met AI hebben we geen sales-team meer nodig.» Onzin. Wat verandert is wat sales-mensen doen. Minder repetitief werk, meer strategisch werk. Minder volume, meer kwaliteit. Een sales-team van 6 met goede AI-tools presteert vaak beter dan een team van 12 zonder. Maar 0 sales-mensen presteert in B2B met serieuze deal-sizes consistent ondermaats.
Misvatting 2: «AI-SDR-tools doen het hele outbound-werk.» Half waar. Digital Applied's onderzoek liet zien dat AI-SDR's bijna mensen evenaren op reply rate maar drie keer vaker in spam belanden. De boodschap: AI-output zonder GTM Engineering-fundament (deliverability, data-kwaliteit, signaal-detectie) is geen verbetering. Het is geautomatiseerde middelmatigheid.
Misvatting 3: «We kopen een AI-tool en we zijn klaar.» De grootste misvatting van allemaal. Een AI-tool is een ingredient, geen recept. Wat écht het verschil maakt, is hoe je de tool integreert in je bestaande systemen, welke data je erin stopt en wat je doet met de output. Dat is geen tool-keuze, dat is engineering-werk.
De rol van de GTM Engineer in 2026: orchestrator, niet bouwer
Een interessante verschuiving die ik zie: de rol van de GTM Engineer verandert in 2026 zelf. Vóór 2024 was het «iemand die integraties bouwt». Nu is het «iemand die AI-agents en systemen orkestreert».
Concreet: minder Python schrijven, meer prompts engineeren. Minder API-mappings, meer MCP-server keuzes. Minder ETL-pipelines, meer agent-workflows. Het werk blijft technisch, maar de aard van het werk schuift op naar een hoger abstractieniveau.
Voor wie het vak leert: SQL en basis-Python blijven essentieel. Maar wat steeds belangrijker wordt is begrip van LLM-gedrag (waarom hallucineert een model, hoe stuur je het, hoe meet je kwaliteit), agent-design (hoe ontwerp je een meerdaagse workflow waarin meerdere agents samenwerken) en evaluation (hoe weet je dat een AI-systeem doet wat het moet doen).
Hoe begin je met AI in GTM Engineering?
Een praktisch advies: begin niet met «laten we een AI-strategie opzetten». Begin met één probleem.
Welke repetitieve taak kost je sales/marketing-team het meeste tijd? Briefings voorbereiden? Leads classificeren? Email-personalisatie? Pick one. Bouw een AI-oplossing voor dat ene probleem. Meet het effect. Pas wanneer dat werkt, voeg er een tweede gebruikssituatie aan toe.
Veel bedrijven proberen tegelijkertijd vijf AI-projecten. Geen werkt goed, niets levert ROI, en na zes maanden is iedereen cynisch over AI. Beter: één project per kwartaal, volwaardig uitgewerkt en gemeten.
In de laatste post van deze serie ga ik in op wat er moet staan voordat je begint met GTM Engineering — inclusief de AI-componenten — en hoe wij je daarbij helpen.