AI-drevet indtægtsdirektør gennemgår sin AI-arbejdsgang med størst effekt (og hvor AI ikke kan betale sig)

Dhiraj Khare er CRO med en teknisk baggrund og tankegang. Han er i øjeblikket i gang med at redesigne omsætningsprocesser hos den AI-native cybersikkerhedsvirksomhed Matters.AI.

Vi satte os ned med Dhiraj for at finde ud af, hvilke AI-arbejdsgange der leverer resultater, og hvilke der ikke gør. Her er, hvad han fortalte os.

Omsætning set fra en ingeniørs perspektiv

Jeg er Dhiraj Khare, CRO hos Matters.AI, en AI-native cybersikkerhedsvirksomhed med fokus på virksomhedsdata. Jeg begyndte inden for softwareudvikling, før jeg gik over til salg til virksomheder, og det formede den måde, jeg tænker på omsætning. Tekniske mennesker er trænet til at blive ved problemet, indtil de faktisk forstår det; salgsteams er ofte trænet til at gå videre, før de forstår det. Jeg passede aldrig helt ind i sidstnævnte model. 

Min karriere har ført mig gennem virksomheder som MongoDB, SentinelOne og PingSafe. Forskellige virksomheder, forskellige stadier, men det samme mønster under overfladen. Cybersikkerhedsteams arbejdede allerede med maskinhastighed, mens omsætningsteams ikke gjorde.

Cybersikkerhed havde efterretninger i realtid, adfærdsanalyse og automatiserede responssystemer. GTM-teams var stadig begravet i regneark, adskilte værktøjer, manuel research og pipelinegennemgange baseret på optimisme forklædt som prognoser. 

Denne afkobling blev ved med at fylde hos mig. Mange fremstiller AI i omsætning som en produktivitetshistorie. Hurtigere e-mails. Mere outbound. Flere sekvenser. Jeg synes fuldstændig, at det rammer ved siden af. 

Problemet i moderne GTM er ikke mangel på aktivitet, men for meget støj. Det meste outbound i dag er operationelt dyr spam, der foregiver at være personalisering. Købere gennemskuer det med det samme. Alle har den samme automatisering nu, så volumen holdt op med at være en reel fordel for længe siden. 

Det, der betyder noget, er kontekst. Hvorfor denne konto? Hvorfor nu? Hvad har ændret sig i virksomheden, som gør denne samtale relevant i dag i stedet for for seks måneder siden?

Det var det, der fik mig til at fokusere på AI-drevet ledelse af omsætning. Hos Matters.AI bygger vi en GTM-organisation med intelligens i centrum, hvor AI hjælper med at komprimere research, forbinde fragmenterede signaler, finde tidsindikatorer og reducere operationel friktion, så teams kan bruge mere tid på at tænke klart og engagere sig intelligent.

Dhirajs tanker

Alle har den samme automatisering nu, så volumen holdt op med at være en reel fordel for længe siden…Det, der betyder noget, er kontekst. Hvorfor denne konto? Hvorfor nu? Hvad har ændret sig i virksomheden, som gør denne samtale relevant i dag i stedet for for seks måneder siden?

En slank GTM-organisation

Matters.AIs GTM-organisation er bevidst slank. Vi arbejder på tværs af salg til virksomheder, strategisk outbound, partnerskaber, løsningsudvikling og AI-understøttede arbejdsgange, men filosofien bag det hele er enkel: Opskaler intelligens, før du opskalerer medarbejderstaben. 

Mange virksomheder forsøger stadig at tvinge vækst igennem ved hjælp af aktivitetsvolumen. Flere SDR'er, flere sekvenser og flere kontaktpunkter. Vi har valgt næsten den modsatte tilgang. 

Vi går mere op i signaltæthed end i aktivitetstæthed. Fokus er på at forstå, hvor der faktisk findes hastende behov, hvor timingen er reel, og hvor kundekonteksten er stærk nok til at retfærdiggøre engagement. 

Det meste af vores arbejde ligger i dag inden for AI-governance, datasikkerhed, compliance-parathed og risikostyring i virksomheder på tværs af sektorer som BFSI, SaaS, teknologi og regulerede brancher. 

Hvorfor AI ikke kan erstatte dømmekraft inden for omsætning

Jeg bruger AI til at informere prioriteringen af konti, kortlægning af interessenter, aftalescoring, engagementsanalyse, understøttelse af prognoser, registrering af kundeafgang og analyse af risici i pipelinen.

Maskiner er langt bedre end mennesker til at behandle fragmenterede operationelle signaler i stor skala. Den del er åbenlys nu.

Men beslutninger, der involverer ledelsesmæssig tilpasning, forhandling og tillid, forbliver menneskelige. Strategisk dømmekraft forbliver bestemt menneskelig. 

Beslutninger om køb af cybersikkerhedsløsninger i virksomheder er grundlæggende følelsesmæssige på trods af alle de regneark og indkøbsarbejdsgange, som folk gerne gemmer sig bag. En aftale kan se sund ud operationelt, mens tilliden stille og roligt bryder sammen inde i kontoen.

AI har stadig svært ved dette lag. Derfor ser jeg ikke AI erstatte dømmekraft inden for omsætning; det handler snarere om at reducere operationel blindhed.

Sådan muliggør AI en intelligensbaseret tilgang til engagement

Den største ændring, jeg har foretaget, var at bevæge mig væk fra aktivitetsbaseret outbound-salg og over mod intelligensbaseret engagement. 

Tidligere bestod outbound-salg af det, som de fleste organisationer stadig gør i dag: en blanding af lange kontolister, statiske sekvenser, manuel research, brede personaliseringsskabeloner og en masse spildt arbejde, der foregav at være præcist.

Vi opbyggede en AI-assisteret arbejdsgang til prioritering af konti, som reducerede flere timers research til få minutter. 

Nu samler AI løbende signaler på tværs af ansættelsesaktivitet, ændringer i sikkerhedsniveau, cloud-anvendelse, compliancepres, ændringer blandt ledere, finansieringsmønstre, organisatoriske ændringer og indikatorer for teknologianvendelse. 

Derefter sammenfatter den disse signaler til kontekstuelle kontofortællinger. Den del er vigtig, fordi rå signaler alene er ubrugelige. Sælgere har ikke brug for flere dashboards; de har brug for en klarere forståelse. 

Når konteksten er synliggjort, validerer sælgeren den manuelt, afprøver relevansen grundigt, personaliserer engagementet og beslutter, om timingen faktisk berettiger outreach. Efter møder hjælper AI med opsummering, udtræk af handlingspunkter, interessentanalyse, sporing af engagement og overvågning af risici gennem hele salgscyklussen. 

Pointen er ikke at automatisere outreach. Det handler om først at forstå, om kontoen overhovedet fortjener opmærksomhed. Det ændrede straks kvaliteten af salgspipelinen.

Samtalerne blev skarpere. Afklaringsforløbene blev kortere. Engagementet blandt ledere blev forbedret, fordi outreach var forankret i kontekst i stedet for konstrueret personalisering. 

Sådan ændrer AI kulturen

Fordelene ved AI blev hurtigt tydelige, og jeg har allerede nævnt mange af dem.

Den større ændring var dog kulturel. Folk begyndte at tænke mere analytisk om indtægtsgenerering. Samtalerne blev mindre holdningsdrevne og mere evidensbaserede. Denne ændring er vigtigere end de fleste samtaler om værktøjer, der foregår på markedet lige nu. 

Ulempen er, at AI meget let kan skabe falsk selvtillid. Det er den del, folk undervurderer. 

AI-output lyder ofte så gennemarbejdet, at det virker troværdigt, selv når de underliggende antagelser er svage eller ufuldstændige. Ledere skal huske, at AI er probabilistisk, ikke alvidende. Dømmekraft er stadig vigtig. Praktisk erfaring er stadig vigtig.

På mange måder bliver kritisk tænkning endnu vigtigere i et AI-baseret miljø. 

Hvorfor AI-personalisering klarer sig dårligt

AI-genereret personalisering klarede sig meget dårligt i begyndelsen. Ikke fordi teknologien var svag, men fordi købere er blevet utrolig gode til at opdage falsk relevans. Det meste AI-genererede outbound-salg lyder i dag gennemarbejdet, men følelsesmæssigt tomt. Det efterligner strukturen i personalisering uden faktisk at forstå kunden dybt nok til at sige noget nyttigt. 

Der er forskel på at indsætte kontekst og på at demonstrere forståelse. Og de fleste AI-systemer har stadig svært ved at skelne mellem de to ting. Vi lærte hurtigt, at syntetisk personalisering ikke er det samme som indsigt. 

Ironisk nok bliver autenticitet mere værdifuld, ikke mindre, i takt med at AI-genereret outreach skaleres. 

Hvorfor AI ikke kan fjerne tvetydigheden fra prognoser

Med AI blev vores prognosearbejde mere disciplineret. Men jeg vil gerne være forsigtig med ikke at oversælge den del, fordi prognoser for virksomhedsalg stadig af natur er komplekse.

Virksomhedsaftaler udvikler sig af årsager, der sjældent registreres klart i strukturerede systemer. Tidspunktet for budgetter ændrer sig. Interne fortalere mister indflydelse. Ledelsens prioriteter ændrer sig stilfærdigt. Friktion i indkøbsprocessen opstår sent. Den politiske opbakning bryder sammen under overfladen.

AI har svært ved disse usynlige lag. Du kan have stærke engagementmålinger, aktive møder, sunde svarprocenter og positiv deltagelse fra interessenter, mens aftalen allerede er ved at glide internt.

AI forbedrer synligheden. Det fjerner ikke usikkerhed på magisk vis.

Dhirajs tanker

Ironien er, at efterhånden som AI-genereret outreach skaleres, bliver autenticitet mere værdifuld, ikke mindre …AI forbedrer synligheden. Det fjerner ikke usikkerhed på magisk vis.

Sådan ændrer kompetencerne inden for omsætning sig

AI automatiserer i stigende grad gentaget operationelt arbejde, så en moderne omsætningsprofessionel har brug for en helt anden kompetenceprofil. Nu prioriterer vi analytisk tænkning, kontekstuel historiefortælling, systemtænkning, kommunikation med ledelsen, tilpasningsevne og AI-kompetencer langt højere end før. 

De bedste sælgere er i dag ved at blive orkestratorer af intelligens. De ved, hvordan man validerer signaler, sammenfatter kontekst, stiller bedre spørgsmål og opbygger strategisk tillid hurtigere. 

Rent aktivitetsbaseret salg bliver i stigende grad en standardvare. Menneskelig differentiering flytter sig mod dømmekraft, kreativitet og tydelighed i fortællingen. 

Hvorfor AI skal behandles som en ændring af driftsmodellen

Mit råd er at behandle AI som en ændring af driftsmodellen, ikke som en opgradering af værktøjerne.

Det er den fejl, de fleste organisationer begår lige nu. De lægger AI oven på ødelagte arbejdsgange og kalder det transformation. Som regel skaber det bare hurtigere forvirring. 

Hvis jeres positionering er svag, jeres CRM-disciplin er inkonsekvent, jeres arbejdsgange er fragmenterede, eller jeres kundeindsigt er overfladisk, forstærker AI rodet. Det redder jer ikke fra det. 

De virksomheder, der får mest ud af AI, er som regel de virksomheder, der allerede arbejder ud fra et stærkt fundament.

Hvor omsætningsteams bør begynde med AI

Begynd med operationel friktion og flaskehalse: Overbelastning af research. Pipelinegennemgang. Informationssøgning. Synlighed i prognoser. Prioritering af konti. CRM-fragmentering.

Det er reelle operationelle problemer, som det er værd at løse. Jeg ville også bruge langt mere tid på AI-kompetencer, end de fleste virksomheder gør i øjeblikket. Den tekniske implementering er som regel den nemmere del. Den sværere del er at hjælpe teams med at gentænke, hvordan de arbejder, uden at få dem til at føle sig erstattet.

Følg med

Du kan følge Dhiraj Khare på LinkedIn. Og se også Matters.AI.

Der kommer flere ekspertinterviews på The CRO Club!