Teknologidirektør for indtægter siger, at AI gør prognoser stærkere — og gør det sværere at undgå ansvar for indtægterne

George Storm har arbejdet med salg i 23 år. Han er i øjeblikket CRO hos en B2B ABM-platform kaldet N.Rich, hvor han leder salg, marketing, kundesucces, partnere og produktsupport.

Vi satte os ned med George for at lære, hvordan han genopbyggede prognoser og rapportering med AI. Her er, hvad han fortalte os.

Ansvar for hele salgstragten

Jeg hedder George Storm og er CRO hos N.Rich, en B2B ABM-platform. Vi er i gang med at gå fra at være en ABM-virksomhed med ét produkt til at tilbyde en platform, som vi markedsfører som Composable GTM. Vores nuværende indtægtsmodel er et årligt SaaS-abonnement med tilknyttede tjenester. Vi introducerer en modulær tilgang, abonnementer pr. modul og resultatbaseret prissætning, efterhånden som vi lancerer GTM OS.

Jeg har ansvar for hele indtægtsområdet fra ende til anden: salg, marketing, kundesucces, partnere og produktsupport. Jeg ejer processen fra skabelsen af efterspørgsel til fastholdelse af nettoindtægter — hele salgstragten, ikke kun et udsnit. Vores GTM-struktur omfatter et slankt, EMEA-vægtet salgsteam; en marketingorganisation, der skaber efterspørgsel og driver ABM; en CS-organisation, der håndterer fornyelser og udvidelser; samt en sideløbende partnerindsats.

Vi henvender os primært til europæiske B2B-virksomheder i mellemmarkedet og segmentet for større virksomheder, nærmere bestemt ledere inden for indtægter og marketing, som driver kontobaserede go-to-market-strategier.

Sådan forvandlede AI nøjagtigheden i omsætningsprognoser

Jeg har arbejdet med salg i 23 år, og den seneste periode har været sværere end de første to årtier tilsammen.

Jeg kom ikke frem til AI af nysgerrighed. Jeg kom frem til det gennem en fejlprognose. Jeg lavede prognoser på samme måde, som alle CRO'er gør — ud fra historiske konverteringer — og modellen blev ved med at fortælle mig det, jeg gerne ville høre, lige indtil det kvartal, hvor den ikke gjorde det. Mekanismen bag selvbedraget var selve modellen. Og det var mig, der havde bygget den.

Så jeg genopbyggede vores prognoser fra ende til anden. Vi bevægede os væk fra en punktestimatmodel baseret på historiske konverteringer. Den havde en Monte Carlo-indpakning, som fik den til at virke stringent. Det var den ikke. Et punktestimat er et punktestimat, selv når man tager gennemsnittet af tre af dem.

Vi gik over til en regimespecifik, probabilistisk model med fire input. Win rate, capture, NRR og cykluslængde, hver kalibreret mod eksterne forudgående antagelser fra WEF, IMF og McKinsey. AI kører fordelingen kontinuerligt, i stedet for at jeg genopbygger et regneark én gang i kvartalet. For at gøre dette bruger vi Claude til makrosignaler samt Fathom, Hubspot og vores egen platform.

Regimebevidst. Probabilistisk. Kontinuerlig. Det var denne genopbygning, der for alvor trak mig ind i AI — ikke som et produktivitetslag, der er boltet fast på rollen, men som det, der gør det muligt for én person at udføre beregningerne, aflæse markedet og handle inden for den samme uge. Det er det arbejde, vi udfører nu.

Takket være denne ændring blev prognosen til en aflæsning, ikke en rapport. Den synliggjorde afstanden til commit, før kvartalet vendte, ikke bagefter. Bestyrelsen blev ikke længere overrasket. Og det er hele pointen.

Hvorfor AI aflæser, men den ansvarlige skal handle

Hvad angår, hvad AI bør håndtere, og hvad mennesker bør håndtere, leverer AI grundlaget for vurderingen:

• Fordeling af regimesprognoser
• Prioritering af pipeline
• Vurdering af kontosundhed
• Markeringer af risiko for kundeafgang
• Ugentligt tværfunktionelt overblik på tværs af salg, marketing, CS og partnere

AI driver nu alt dette, fordi det indebærer mønstergenkendelse på tværs af flere signaler, end et menneske kan rumme i hovedet.

Udtalt menneskelige aktiviteter handler om reaktionen:

• Beslutningen om en specifik aftale
• Prissætning på en strategisk konto
• Hvem der placeres i hvilken rolle
• Fortællingen til bestyrelsen.

Grunden er enkel. AI udvider det, jeg kan se, men vi kan ikke uddelegere ansvaret til en model. Påvirk modellen som input, ikke som beslutningstager. Modellen aflæser. Den ansvarlige handler.

Sådan forbedrer AI arbejdsgange, men risikerer overmod

Her er de gode resultater:

• Den ugentlige CRO-rapport, som tidligere slugte det meste af en dag, samler nu sig selv, og jeg bruger tiden på at træffe beslutninger i stedet for at indsamle data.
• Sundhedsscoringen fanger risikofyldte konti et til to kvartaler, før den forsinkede måling bevæger sig.
• Prognosen holder i bestyrelseslokalet, hvilket er den eneste nøjagtighedstest, der betyder noget.

Men det hele er ikke godt. De første modeller var overmodige. En kom tilbage med 97 % sandsynlighed og var strukturelt for optimistisk, fordi jeg havde fodret rene antagelser ind i beskidte input.

Modstanderkalibrering viste sig at være selve arbejdet, ikke et trin i det — jeg satte min egen model op mod en senioranalytikers instruks, hvis eneste opgave er at fjerne optimismen. Jeg kunne have sparet et kvartal, hvis jeg havde lært det tidligere.

AI sparede mig ikke for det arbejde. Den flyttede det.

En rapporteringsarbejdsgang fra den virkelige verden

Georges tanker

Prognosen er aflæsningen. Planen er svaret. Kredsløbet er operativsystemet.

Lad os gennemgå den ugentlige aflæsningsarbejdsgang.

Mandag henter AI data fra HubSpot om salgspipeline og fornyelser, fra Amplitude om produktbrug, fra Pylon om support, fra Fathom om samtalestemning og fra Slack om kunde- og interne signaler. Den opretter ét styret datalag. Den scorer kontosundhed, markerer de risikofyldte konti, sender Slack-advarsler direkte til de ansvarlige og opdaterer den regimebetingede prognosefordeling.

Derefter læser jeg den, beslutter svaret, og vi lukker kredsløbet inden fredag. Spor, læs, handl — i et kredsløb på én uge med én ansvarlig, som bevidst ikke er lederen. Systemet står for indsamlingen og scoringen. Rollen står for beslutningen.

Prognosen føder kredsløbet. Kredsløbet omkalibrerer, hvor kapital og indsats skal hen. Og hele organisationen læser og reagerer på en uges tidsskala i stedet for en på 90 dage. Prognosen er aflæsningen. Planen er svaret. Kredsløbet er operativsystemet.

Hvordan AI gør indtægtsledelse sværere

AI har ikke skabt ny efterspørgsel. Den komprimerer og accelererer din eksisterende pipeline, men den skaber ikke købsintention hos en køber, der ikke er på markedet. Enhver, der sælger AI som et mirakel øverst i salgstragten, sælger dig den forkerte ting.

Den har heller ikke erstattet dømmekraft i aftaler med store virksomheder i slutfasen, og den har ikke løst beskidte data. Beskidte data bliver ikke bedre med AI. De bliver mere højlydte.

AI har også gjort mit liv sværere gennem rollekonsolidering på købersiden. Når virksomheder samler tre job i én rolle, kan den forkæmper, der købte hos os sidste år, have skiftet rolle, mistet ansvaret eller forladt organisationen. AI skabte denne dynamik. Den løser den ikke for mig.

Hvor CRO'er bør begynde — og hvad de bør undgå

Her er mit råd: Sæt ikke bare AI oven på rollen som et produktivitetsværktøj. Gentænk rollen omkring den.

Start med din prognose, for det er dér, bestyrelsen bedømmer dig, og barren blev hævet i 2026. Du bliver ikke længere fyret for at ramme ved siden af. Du bliver fyret på grund af overraskelsen. En model, der ikke kan se afvigelsen komme, er risikofaktoren – ikke selve afvigelsen.

Og vær selv med i regnestykket. De CRO'er, der overlader dette til et værktøj og ser væk, får det svar, værktøjet er bygget til at give dem. Sørg for at konfigurere det til at fortælle dig, når du tager fejl.

Følg med

Du kan følge George Storms arbejde på LinkedIn og georgestorm.io.

Der kommer flere ekspertinterviews på CRO-klubben!