Salgsdirektøren fortæller, hvordan omsætningsteams kan blive en del af de 6 %, der har implementeret AI med succes

Byron Munson er salgsdirektør for JAPAC hos Supermetrics.

Vi satte os ned med Byron for at finde ud af, hvorfor kun 6 % af teams med succes har implementeret AI — og hvordan han får det til at ske for sit team. Her er, hvad han fortalte os.

Opbygning af kommercielle motorer fra bunden

Jeg hedder Byron Munson og er salgsdirektør for JAPAC hos Supermetrics, en global MarTech-virksomhed i vækstfasen. Vores kundebase spænder fra SMB'er til de største virksomheder og varemærker. Vores GTM-struktur er centreret omkring en model med key account managers, kundeansvarlige og en partnerorganisation.

Jeg har arbejdet i over tyve år på tværs af APAC og EMEA med at opbygge kommercielle motorer fra bunden til regional skala. Jeg begyndte inden for reklame hos DDB og McCann i Sydney, bevægede mig derefter over i ad tech hos Adconion London og Videology SEA og senere ind i MarTech hos Datorama. Jeg var med til at lede APAC for Datorama og gennemførte Salesforce-opkøbet i regionen.

At gennemgå et opkøb indefra, nu for anden gang, har lært mig meget, som jeg ikke ville have lært fra et strategidokument: hvad der overlever i en større organisation, hvad der bliver genopbygget, og hvad der stille og roligt forsvinder.

Jeg grundlagde også min egen virksomhed, en startup inden for klimateknologi kaldet Climagap, hvilket gav mig en sund dosis ydmyghed, når det gælder idéudvikling, finansiering og lancering af en idé fra bunden. I sidste ende voksede virksomheden ikke af forskellige årsager, så jeg besluttede at lukke driften.

Hos Supermetrics leder jeg et regionalt team på ~20 tværfunktionelle medarbejdere. Vi opbyggede JAPAC fra ingen dedikeret tilstedeværelse på de lokale markeder til en betydelig regional organisation. Dette omfatter et partnerekosystem, der giver adgang til stærke lokale implementerings- og teknologiteams, hvilket er afgørende for bæredygtig skalering og vores kunders langsigtede succes.

En omsætningsorganisation, der påvirkes af AI på to fronter

På det seneste har dette også omfattet AI på to fronter. Internt har vi opbygget vores egen AI-drevne omsætningsinfrastruktur — der dækker pipeline-sundhed, kunderisiko og coaching af aftaler — baseret på vores egne data. Det lærte mig på første hånd, at AI-implementering primært er et spørgsmål om tillid og forandringsledelse, ikke teknologi.

Eksternt har jeg set det samme skift udspille sig hos vores kunder: varemærker og bureauer, der drukner i dataoverload. Det virkelige gennembrud har ikke været flere data; det har været at hjælpe dem med at træffe beslutninger hurtigere.

Vores LLM-partnerskaber, herunder vores nyere rolle som Googles lanceringspartner for Gemini Enterprise i regionen, befinder sig i dette krydsfelt — og bringer AI-drevet marketingindsigt direkte i hænderne på marketingfolk. Helt ærligt har jeg lært, at det ikke handler om teknologien; folk handler kun på indsigter, de har tillid til, uanset om det er en sælger, der stoler på et coachingtip, eller en kunde, der har tilstrækkelig tillid til en anbefaling til at ændre sine planer for marketinginvesteringer.

Hvor AI udmærker sig, og hvor dens anvendelighed slutter

AI styrker beslutninger ved at levere indsigter. Tilbøjelighed til opgradering er det tydeligste eksempel; i en selvbetjeningsmodel kan brugs-, fakturerings- og engagementssignaler befinde sig i adskilte systemer uden nogen naturlig forbindelse. AI samler disse datakilder og afslører et tydeligt signal om, hvem der er klar til at udvide.

Men AI er aldrig den eneste drivkraft. Det, der fortsat er helt menneskeligt, omfatter prissætning, forhandling og alt, der bygger på tillid og interpersonel interaktion. AI kan fortælle mig, at en konto er klar. Den kan ikke føre samtalen.

Og det er værd at bemærke, at ikke alle AI-satsninger omsættes til omsætning så hurtigt, som begejstringen for AI antyder. Nogle bruger betydelig kapacitet, før de skaber noget større udbytte.

Derfor er den risiko, jeg holder skarpest øje med, falsk selvtillid. AI-output kan se gennemarbejdet og definitivt ud, selv når det er baseret på et spinkelt datagrundlag. Jeg betragter det som en junioranalytikers første udkast: nyttigt, men jeg handler ikke på det uden at kontrollere det.

To steder, hvor AI rammer ved siden af i omsætningsorganisationer

Jeg ser to farlige fejl, når det gælder AI inden for omsætning.

Den tydeligste er AI-genereret personalisering af udgående kommunikation. Det er effektivt målt på alle aktivitetsmålinger, men det flyttede ikke vinderprocenten, fordi købere øjeblikkeligt kan gennemskue syntetisk personalisering.

Her er en mere subtil fejl: at lade en model vurdere dealrisiko automatisk. Den havde ofte nok ret til at blive betroet, og tog fejl præcis dér, hvor det betød noget — relationer, der kølnede, hvilket aldrig fremgår af strukturerede data.

I begge tilfælde er der brug for et menneske i processen.

Sådan forbedrer brugen af AI i resultatstyring og markedsstrategi beslutningerne

Jeg har for nylig foretaget to store ændringer:

1. Resultatstyring: Vi identificerer nu individuel risiko og teamrisiko, før det bliver en resultatudfordring, ikke efter. Proaktiv problemløsning i stedet for en tilgang baseret på efteranalyse. Det gør vi ved at samle opkaldstransskriptioner, pipelinehistorik, CRM-noter, omsætning pr. produktlinje og kundefeedback — og AI identificerer den underliggende adfærd.
2. Markedsstrategi: En gennemgang af 4 års driftsdata på tværs af regionen afdækkede specifikt en tendens i Thailand, hvilket fik os til at udvide med en partner-først-strategi. Vi opbyggede et stærkt netværk af løsningspartnere på markedet i stedet for selv at etablere os fysisk.

Vi opnåede dette ved at forbinde alle vores interne data og tredjepartsplatforme med vores Claude-miljø. I sidste ende danner det grundlaget for at træffe gentagelige beslutninger med kommerciel effekt i stor skala. Ikke en enkeltstående dybdegående analyse, men en langsigtet og konsekvent tilgang.

Byron deler

Vi opbyggede et stærkt netværk af løsningspartnere på markedet i stedet for selv at etablere os fysisk.

Sådan bliver kundecentreret samarbejde muligt med AI

Salg og kundesucces har altid kørt parallelt: samme kunde, to funktioner, to systemer, der indeholder sandheden, og to versioner af virkeligheden. Det er ikke et partnerskab. Det er parallel leg.

Branchen indhentede denne erkendelse. Seriøse omsætningsledere er nu enige om »Ét tal, én bevægelse, én sandhedskilde.« GTM som et forbundet system, ikke en række overdragelser.

Den idé er ikke længere kontroversiel. Men de fleste stopper ved strukturen: fælles kvoter, samlede dashboards, konsolidering af CRM. Det er rørføring. Det besvarer ikke spørgsmålet: »Hvordan kan to funktioner, der sidder i to forskellige systemer, nogensinde beskrive den samme kunde på samme måde?«

Her er mekanismen: Når sproget fra alle kundekontaktpunkter (salg, onboarding og fornyelse) befinder sig i en LLM, der er rettet mod dine data, findes der ikke længere en salgsversion af kunden og en kundesucces-version.

Sådan kommer samarbejde og gennemsigtighed til udtryk i praksis. Ikke som en værdi på et dias, men som den struktur, der gør det umuligt for teams at miste kunden af syne. Og det er sådan, kundecentreret samarbejde ser ud.

Sådan implementerer du AI med succes i omsætningsorganisationer

89 % af teams føler sig presset til at implementere AI. Kun 6 % har faktisk implementeret det. Det hul er muligheden (Supermetrics, rapport om marketingdata 2026).

Sådan bygger du bro over kløften:

1. Gennemgå jeres mangler og behov. Fastlæg jeres mål, og kortlæg A/B-tests for at afdække den reelle langsigtede retning. Kortlæg derefter jeres data. Hvis I ikke forbinder dem, har LLM'en ingen kontekst. De fleste stagnerede "AI-initiativer" skyldes problemer med datahygiejne. Hvis I ikke stoler på inputtet, kan I heller ikke stole på outputtet.
2. Rul ikke AI ud i hele organisationen fra dag ét. Find den ene opgave med størst friktion i jeres team: opsummering af aftaler, forberedelse af QBR'er eller pipelinehygiejne. Genopbyg netop denne arbejdsgang med hele dens kontekst. Dokumentér effektivitetsgevinsterne, før I skalerer.
3. Skriv reglerne ned. Jeres salgsrepræsentanter bruger udokumenterede vurderinger — hvad en sund aftale ser ud som, hvad "stoppet" betyder i måned ni, og hvordan de skelner mellem fornyelser og mersalg. Hvis I ikke skriver det ned, kan jeres LLM ikke bruge det, og det kan nye medarbejdere heller ikke.
4. Mål implementeringen ud fra ændrede beslutninger, ikke aktiverede licenser. Antallet af licenser og loginstatistikker fortæller jer intet. Følg med i, om AI-fremhævede indsigter ændrer forecast-vurderinger, aftalestrategier eller coachingsamtaler. Det er det eneste signal, der adskiller reel implementering fra dem, der aldrig kommer længere end til et pilotprojekt.

Byron deler

\u003cstrong\u003eSådan bygger du bro over den kløft: Gennemgå jeres mangler og behov. Rul ikke AI ud i hele organisationen fra dag ét. Skriv reglerne ned. Mål implementeringen ud fra ændrede beslutninger, ikke aktiverede licenser.\u003c/strong\u003e

Hvorfor LLM'er skal onboardes som nye medarbejdere

Og én ting mere: Introducér jeres LLM, som I ville introducere en ny medarbejder. Springer I denne onboarding over, får I selvtillid uden kompetence.

En ny medarbejder får ikke adgang til CRM-systemet eller jeres drejebog uden at kende roller og ansvarsområder og forstå, hvad der kendetegner et "godt" resultat. En LLM har brug for de samme fire nøgleelementer, før den arbejder med live-data:

• Jeres mål: Hvad "sund" betyder for denne pipeline, dette kvartal og denne region
• Jeres definitioner: Hvad "i risiko" betyder, og hvordan en sund pipeline ser ud
• Jeres sikkerhedsregler: Hvad den aldrig må beslutte alene — for eksempel må den ikke omklassificere en aftales stadie eller angive en årsag til kundeafgang uden et menneske involveret.
• Jeres historik: Den kontekst, der ændrer betydningen af et tal — for eksempel ser "pipeline-dækningen er lav" meget anderledes ud, når man ved, at vi netop har fremrykket en større fornyelse med et kvartal.

Springer I onboardingen over, fejler modellen ikke ubemærket — den fejler overbevisende.

Følg med

Du kan følge Byron Munsons arbejde på LinkedIn.

Flere ekspertinterviews følger på The CRO Club!