Kommerciel direktør deler sine agentbaserede arbejdsgange og fortæller, hvor AI bryder sammen i omsætningens livscyklus

André Magrini er CRO hos OGI. Med 20 års erfaring inden for omsætning går han i øjeblikket i dybden med agentbaserede arbejdsgange, der understøtter beslutninger med store konsekvenser.

Vi talte med André for at finde ud af, hvor han anvender sine agenter – og hvor AI skaber overraskende problemer. Her er, hvad han fortalte os.

AI-systemer til beslutningstagning med store konsekvenser

Jeg hedder André Magrini og er chef for omsætning hos OGI, Objective Groups internationale afdeling. Min verden handler om omsætning, men min besættelse er, hvordan vi beslutter os for omsætning – den menneskelige dømmekraft bag hver kvalificeret salgspipeline, hver prognosegennemgang og hver samtale om, hvorvidt en aftale er reel.

Min vej hertil var ikke lige. Jeg har brugt mange år på at opbygge og drive markeds- og salgsindsatser, der bevidst var netværksdrevne og disciplinerede frem for baseret på råstyrke – små teams, relationer med høj tillid og grundig kvalificering. Det lærte mig noget, som de fleste AI-samtaler overser: Flaskehalsen i omsætningen er ikke aktivitet, men kvaliteten af beslutninger under usikkerhed. Sælgere og ledere drukner i signaler og gætter stadig.

Det var det, der trak mig ind i AI. Parallelt med min rolle som CRO er jeg gået i dybden med at opbygge AI-systemer til beslutningstagning med store konsekvenser – hvor omkostningen ved et selvsikkert, men forkert svar er reel.

Så det øjeblik, jeg befinder mig i nu, handler mindre om at "tage AI-værktøjer i brug" og mere om at "redesigne omsætningsmotoren omkring bedre beslutninger". Ikke AI, der skriver flere e-mails – AI, der fortæller dig, hvilke aftaler der fortjener din opmærksomhed, hvor prognosen er sårbar, og hvornår det ærlige svar er "det ved vi ikke endnu". Det er den transformation, jeg interesserer mig for.

At drive digital transformation

Hos OGI rådgiver og eksekverer vi for virksomheder, der driver digital transformation – vi anbefaler ikke bare en strategi; vi skaber resultater. Vores GTM anvender en land-og-udvid-model, der er forankret i et klart og direkte investeringsafkast. Vi opnår det første engagement ved at bevise målbar værdi og udvider derefter kontoen.

Vi er et internationalt team med kontorer i Nordamerika, Sydamerika og Europa. Vores geografiske tilstedeværelse gør det muligt for os at betjene store multinationale virksomheder på tværs af en lang række brancher – fra fødevarer og forbrugsgoder til store statsejede banker – og tilpasse os meget forskellige købekulturer og beslutningscyklusser.

Vores partnerøkosystem er en vigtig del af, hvordan vi leverer. Vi arbejder tæt sammen med platforme som Databricks, Snowflake og Liferay samt med større cloududbydere, herunder Azure og AWS. Det gør det muligt for os at møde virksomhedskunderne på den teknologistak, de allerede satser på.

Sådan kan agenter understøtte kontoforberedelsen

Vores flaskehals var aldrig mængden af leads; det var forberedelsen. Før en sælger tog fat i en konto, udførte et seniormedlem af teamet skrivebordsarbejdet med at undersøge virksomheden, finde ud af, hvem der ejede budgettet, og hvem der bare deltog i møderne, finde en troværdig grund til at tage kontakt og køre det gennem BANT for at afgøre, om det var vores tid værd.

Med et lille, erfarent team fordelt på tre regioner tilfaldt dette arbejde den samme håndfuld mennesker, som burde have været sammen med kunderne. Det var langsomt og inkonsekvent. To af os, der undersøgte den samme type konto, kunne komme tilbage med forskellig dybde og forskellige konklusioner.

Jeg byggede det, jeg kalder vores "CRO-team". Jeg designede et sæt AI-agenter til først at udføre det tunge arbejde. Det omfatter grundig kontoundersøgelse, et organisationskort over de reelle interessenter, signaler og indgange, der er værd at handle på, samt struktureret førstegangskvalificering. Når et menneske tager over på kontoen, ligger der allerede en begrundet beslutning om at gå videre eller lade være foran dem i stedet for en tom side.

Som resultat tager forberedelse, der tidligere tog 5 timer, nu 15 minutter. Fordi hver konto går igennem den samme proces, er det lige så bevidst, hvad vi siger nej til, som hvad vi forfølger.

På et lille team er vores knapteste ressource hverken antal medarbejdere eller salgspipeline; det er opmærksomheden hos de mennesker, der kan aflæse en aftale korrekt. Hver time, nogen brugte på at indsamle virksomhedsdata, var en time, der ikke blev brugt på at beslutte, hvad vi skulle stille op med dem.

En arbejdsgang til kontoforberedelse fra den virkelige verden

Her er den arbejdsgang, vi bruger til helt nye målkonti.

Det begynder med en udløser. Udløsere omfatter markedssignaler, partnerinitiativer (f.eks. når Databricks eller Snowflake markerer aktivitet på en konto), eksisterende kunder, der ønsker at udvide samarbejdet, eller et navn, som et af mine teammedlemmer foreslår. Uanset kilden kommer kontoen ind i arbejdsgangen, og CRO-teamet går i gang med sit arbejde.

Agenter udarbejder en dossier med detaljer om virksomhedens drift, dens teknologistak, nylige signaler (såsom ansættelser i ledelsen, transformationsinitiativer, finansiering og presseomtale) samt et organisationskort, der skelner mellem beslutningstagere og mødedeltagere. Alle påstande i dossieret indeholder deres kilde. Hvis en agent ikke kan angive en kilde, må den ikke fremsætte påstanden.

Dernæst evaluerer en struktureret første gennemgang i BANT-stil kontoen ud fra vores kvalifikationskriterier. Vigtigst af alt markerer AI'en de områder, hvor den mangler sikkerhed. Hvis budgetsignalet er svagt, eller beslutningskompetencen er et gæt, siger den det udtrykkeligt i stedet for at fremstille en svag slutning som et faktum. Jeg vil langt hellere se ti ærlige markeringer med "lav sikkerhed" end én sikker formulering, jeg ikke kan stole på.

Det næste er det menneskelige kontrolpunkt, et trin der ofte overses. Før repræsentanten gennemgår AI'ens resultat, skriver vedkommende først sin egen vurdering af kontoen. De dokumenterer deres intuition, perspektiv og mavefornemmelse om, hvorvidt man skal gå videre eller ej. Først derefter åbner de dossieret og sammenligner det med deres egen vurdering. Overensstemmelse betyder, at man går videre; uoverensstemmelse indleder en samtale, der fokuserer direkte på de punkter, AI'en har markeret som usikre. Beslutningen om at gå videre eller ej træffes udelukkende af mennesker.

Mange konti slutter bevidst her. Vi frasorterer tidligt for at undgå at spilde ledende medarbejderes tid på urealistiske muligheder.

For de konti, der går videre, hjælper AI'en med at forme tilgangen: værdi- og ROI-tesen for den specifikke konto, indgangsvinklen samt hvilken partner og løsning der passer bedst. Repræsentanten udformer dog selv budskabet og samtalen for at sikre, at den foregår fra person til person og ikke er masseproduceret opsøgende kontakt.

Derfra kører processen som en løkke. Efterhånden som aftalen skrider frem, scanner agenter løbende efter signaler — afkølingsrisiko, risiko for kundeafgang eller udløsere for udvidelse — og informerer os, hvis prognosen ser svag ud. Prognosemødet og relationen forbliver menneskelige.

Sådan ændrer AI GTM-målingerne

André deler

Mere dækning er ikke altid bedre. Da AI fjernede flaskehalsen i research og kvalificering, forventede jeg den oplagte gevinst: Det gjorde det modsatte.

Mere dækning er ikke altid bedre. Da AI fjernede flaskehalsen i research og kvalificering, forventede jeg den oplagte gevinst: Mit team ville dække langt flere konti, og pipelinen ville eksplodere.

Det gjorde det modsatte. Selvom vi pludselig kunne kvalificere en enorm mængde konti, var det meste af det, der kom tilbage, kvalificeret skrald. Mere dækning skabte bare mere støj. Udvælgelse og relationens dybde var vigtigere end skala.

Så jeg ændrede det, jeg måler. Jeg holdt op med at måle GTM-sundhed ud fra volumen og dækning; i stedet målte jeg den ud fra kvaliteten af udvælgelsen og hvor mine mest erfarne medarbejdere brugte deres timer. Den reelle løftestang viste sig at være frasortering, ikke tilføjelse. At sige nej hurtigere, koncentrere det erfarne team om færre konti og gå mere i dybden i stedet for bredere ud.

Det var svært at indrømme, fordi det modsagde den måde, jeg havde ledet teams på i tyve år.

Hvad bør forblive menneskeligt, og hvad bør AI håndtere?

Når man holder op med at tænke på AI som en produktivitetsforstærker og begynder at se det som en måde at beskytte et lille teams opmærksomhed på, er opdelingen mellem AI og mennesker tydelig.

AI indsamler og rangerer — kontoresearch, organisationskortet og den første gennemgang i BANT-stil. Derudover informerer den om prioriteringen af pipelinen, udfører aftalescoring og sortering, så vi ikke alle sidder og ser på de samme fyrre muligheder med det samme uengagerede blik, og scanner efter signaler som en konto, der er klar til at udvide, eller en konto, der stille og roligt er ved at blive kold. I forbindelse med prognoser samler den dataene og, hvilket er mere nyttigt for mig, markerer hvor vurderingen er svag. Den fortæller mig, hvilke tal den ikke stoler på.

Mennesker træffer beslutningerne. Jeg ejer det endelige prognosetal. Mennesker håndterer prissætning og kommerciel strategi. Mennesker styrer relationen og forhandlingen, punktum. Vi overlader aldrig en beslutning om en kunde med høj indsats — hvor vi forpligter os til et ROI-resultat, eller hvor tilliden står på spil — til en model. Årsagen er ikke sentimental. Beslutningerne træffes under reel usikkerhed, med en kontekst, der findes i et rum og i en historik med kunden, ikke i dataene. Det er præcis dér, en model er svagest, og hvor det er dyrest at tage fejl.

Et eksempel på, hvorfor menneskelig dømmekraft er nødvendig ved nye aftaler

Sidste år havde vi en aftale med en global producent, som systemet favoriserede. Alle målinger var grønne: dusinvis af e-mails om ugen, tilbagevendende opkald og seks eller syv aktive interessenter i tråden. CRO Squad placerede den tæt på toppen af pipelinen og bad mig satse på den, lave en prognose og presse på for at lukke aftalen. På papiret var det vores sundeste aftale.

Min erfarne sælger på kontoen følte det modsatte, og hun havde ret. Al den aktivitet var ikke fremdrift; det var friktion. Syv personer var med i rummet, fordi ikke én af dem kunne sige ja. Møderne blev gentaget, fordi aftalen kredsede tilbage til det samme ubesvarede spørgsmål. Vores mest entusiastiske kontakt, som stod for det meste af e-mailtrafikken, havde ingen budgetkompetence. AI'en læste volumen som købsintention. Intern politik og en købergruppe, der var for bange til at træffe en beslutning, var den egentlige årsag.

Maskinen kunne ikke se tavsheden fra den ene direktør, der betød noget, eller den flade tone i rummet, hver gang prisen blev nævnt. Engagementsmetadata viser ikke den undertekst. Vores sælger vidste det, fordi hun kendte menneskene.

Vi stolede på hende, nedjusterede aftalens karakter og holdt op med at hælde seniorressourcer i den. Vi havde ret og sparede os selv for et kvartals spildte kræfter. Det cementerede en regel, som vi stadig følger: AI leverer beviserne; mennesker læser mellem linjerne.

Sådan forbedrer AI effektivitet, disciplin og vinderater

Samlet set er tidsbesparelser den åbenlyse gevinst ved AI. Agenterne til forberedelse af konti alene gør det muligt for os at køre den samme proces på omtrent tre gange så mange konti med det eksisterende antal medarbejdere. Vi ansatte ikke flere; vi gav vores eksisterende team deres timer tilbage, og de timer bruges nu foran kunderne i stedet for i regneark.

En anden stille fordel er disciplin. Vi frasorterer tidligere nu. Vi siger hurtigere nej til de forkerte aftaler, hvilket lyder negativt, men er en af de sundeste udviklinger for vores pipeline.

Jeg vil ikke angive en præcis vinderate i procent, fordi jeg ikke synes, at tallet ville være ærligt endnu. Det, jeg kan sige, er, at vi ser en målbar stigning i konverteringen på de aftaler, vi vælger at forfølge, og at prognosen indeholder færre overraskelser. En del af det skyldes, at vi går efter bedre aftaler. En del skyldes, at AI peger på, hvor prognosen er tynd, og hvor beviserne ikke reelt understøtter vurderingen. En overraskelse, som du kan se komme tre uger i forvejen, er ikke rigtig en overraskelse. Det ændrede mere end noget enkeltstående måltal den måde, vi driver kvartalet på.

Hvorfor AI-resultater bør behandles som et udkast

I begyndelsen stolede vi for meget på resultatet. Undersøgelsen så ren, velskrevet og overbevisende ud og var formateret som en god analytikers rapport. I et par tilfælde var den forkert på kritiske punkter.

Et kontokort identificerede den forkerte beslutningstager. Et andet byggede på et signal, der var flere måneder forældet. Ét var næsten kommet med i en reel kundesamtale, før et teammedlem opdagede det. Det skræmte os mere end noget ubesvaret mål, fordi selvsikker og forkert er den dyreste fejltilstand, der findes.

Der opstod også intern friktion. Mine medarbejdere er erfarne. Det sidste, en god sælger ønsker, er en maskine, der giver dem en score og antyder, at den kender kontoen bedre, end de gør.

Vi holdt op med at behandle AI-resultatet som sandheden og begyndte at behandle det som et udkast. Systemet markerer nu, når det er usikkert, og giver vurderingen tilbage til et menneske i stedet for at gætte. Da teamet forstod, at AI'en var der for at udføre rutinearbejde og beskytte deres dømmekraft, ikke erstatte den, faldt modstanden hurtigt. De begyndte at stole på den, fordi den gjorde sig fortjent til tilliden og indrømmede, når den ikke vidste det.

Tre steder, hvor AI rammer ved siden af i arbejdsgange for omsætning

Det største område, hvor AI sandsynligvis ramte ved siden af, var opsøgende kontakt. Vi forventede, at AI ville opbygge pipeline for os ved at levere personlige beskeder i stor skala til hundredvis af konti på en måde, der føltes en-til-en. Det virkede ikke.

I komplekse virksomhedsaftaler med betydelig værdi skaber flere beskeder ikke mere pipeline. De købere, jeg sælger til, genkender straks AI-baseret opsøgende kontakt og sletter den lige så hurtigt. Så vi øgede ikke svarprocenten; vi udjævnede den. AI er fremragende til at gøre et menneske klar til en samtale, men fejler, når den skal erstatte selve samtalen.

Prognosticeringen var endnu en fejl, og det overraskede mig mere. Salgspitchen hævdede, at AI ville forudsige omsætningen bedre end en erfaren person, der analyserede de samme aftaler. Det viste sig ikke at holde stik. Det, der virkelig flytter tallene i virksomheden, er information, som ikke findes i dataene. En sponsor forlader virksomheden. Et budget fastfryses to uger før afslutningen. Et stille politisk skift hos kunden efterlader pludselig din fortaler uden opbakning. Modellen kan ikke se noget af det. Den identificerer oprigtigt nok skrøbelighed og fortæller mig, hvilke aftaler der virker usikre, men den kan ikke forudsige kvartalet. Her vinder den erfarne dømmekraft stadig.

Og den sidste fejl var at forkorte salgscyklussen. Det påvirkede den stort set ikke. En virksomhedssalgscyklus følger kundens tidsplan, ikke vores: indkøb, jura, komitéen, budgetkalenderen. Vi kan gøre sælgerens del markant hurtigere — og det gjorde vi — men vi kan ikke fremskynde køberens del, som styrer tidslinjen.

Hvorfor omsætningsledere skal være opmærksomme på den menneskelige side af implementeringen af AI

André deler

Påtvungen implementering er stille sabotage med bedre manerer.

Jeg tog grundigt fejl af den menneskelige side. Jeg behandlede det som en værktøjsimplementering i stedet for en adfærdsændring. Jeg byggede noget, afleverede det færdigt og forventede, at implementeringen ville følge efter.

Jeg mødte modstand. Folk brugte det kun, fordi de fik besked på det. Andre ignorerede det stille og roligt. Påtvungen implementering er stille sabotage med bedre manerer.

Hvis jeg kunne gøre det om, ville jeg inddrage teamet i fælles design fra dag ét i stedet for at præsentere dem for et færdigt svar.

Det ville have sparet måneder, hvor jeg jagtede det perfekte værktøj, mens det egentlige problem lå i uskrevne kriterier og et team, der ikke havde taget løsningen til sig. Jeg ville være begyndt i det små med én arbejdsgang og teamet samlet i rummet, og jeg ville have skrevet kriterierne først. Det ville have sparet mig for en dyr fejlagtig start og den tillid, jeg bagefter måtte bruge tid på at genopbygge.

Fire råd til omsætningsledere

Her er mit råd:

1. Begynd med et spørgsmål, ikke et værktøj. Spørg dig selv, hvilken ressource der er knappest på dit team. For næsten alle, der arbejder med komplekst salg, er det dømmekraft og opmærksomhed, ikke aktivitet. Dine bedste medarbejdere har et begrænset antal timer, hvor de tænker klart over en aftale, og det er det, du mangler. Så brug AI til at beskytte det.
2. Vær ærlig over for dig selv om forfængelighedsmålinger. Flere e-mails, flere kontaktpunkter, mere indhold, mere aktivitet i systemet. I komplekst salg er det for det meste støj, der er klædt ud som fremskridt. AI er meget god til at producere aktivitet, der føles som arbejde, men ikke skaber noget. Hvis dit eneste bevis på, at AI hjælper, er, at dit team har mere travlt, har du købt det forkerte.
3. Kræv, at dine AI-systemer skal kunne sige "det ved jeg ikke" og eskalere til et menneske. Betragt ethvert output som et udkast, der skal kontrolleres, aldrig som sandheden.
4. Begynd i det små, og mål AI ærligt. Outsourc ikke din omsætningsdisciplin til en model, og kald det transformation. Fordelen i denne cyklus går ikke til den, der implementerer mest AI. Den går til den, der holder den menneskelige dømmekraft fokuseret på det rigtige sted og nægter at lade værktøjet beslutte det, som kun et menneske bør beslutte.

Følg med

Du kan følge André Magrinis arbejde på LinkedIn eller besøge hans personlige websted.

Der kommer flere ekspertinterviews på CRO-klubben!