Murals CRO fortæller os, hvor omsætningsansvarlige går galt med AI – og hvordan det kan løses

Bill Dwoinen er CRO hos vækstvirksomheden inden for B2B SaaS, Mural. Han har arbejdet med omsætning i 20 år og har nu ansvaret for salg, kundesucces, omsætningsdrift og GTM-systemer — og han går helhjertet ind for AI.

Vi talte med Bill om, hvorfor omsætningsledere må holde op med at løse friktionspunkter med AI og i stedet begynde at redesigne hele arbejdsgange. Her er, hvad han fortalte os.

Vejen til topledelsen er aldrig lige

Jeg hedder Bill Dwoinen og er CRO hos Mural. Jeg har arbejdet med salg og salgsledelse i omkring 20 år. Jeg begyndte inden for området for menneskelig kapital hos CareerBuilder, skiftede derefter til SaaS hos LinkedIn og brugte så næsten fem år på at lede Slacks virksomhedsforretning hos Salesforce inden for den strategiske teknologisektor. Jeg tiltrådte som CRO hos Mural i begyndelsen af 2025.

Min karrierevej var aldrig lige. Det fortæller jeg gymnasieelever, når jeg vender tilbage for at holde oplæg, og jeg mener det. Livet bevæger sig ikke i en lige linje, og det gør en salgskarriere heller ikke. Jeg begyndte som individuel bidragyder, gik ind i ledelse, fordi jeg oprigtigt bekymrede mig mere om menneskene omkring mig end om anerkendelsen, og opbyggede til sidst de resultater, der åbner dørene til topledelsen. Små, konsekvente valg gennem 20 år — det var det, det handlede om.

Ledelse af omsætningsorganisationen

Jeg leder hele omsætningsorganisationen hos Mural, en B2B SaaS-vækstvirksomhed med en abonnementsbaseret forretningsmodel og et voksende servicelag gennem vores LUMA-partnerskab. Organisationen omfatter salg, kundesucces, omsætningsdrift og GTM-systemer. Jeg valgte bevidst at placere GTM-systemer i omsætningsorganisationen for at tilpasse vores systemer, data og arbejdsgange til den måde, kunder køber, tager løsningen i brug og udvikler sig sammen med os på, i stedet for at optimere dem i siloer.

Vi betjener virksomhedskunder globalt, med den største koncentration i AMER og EMEA. Vores markedsstrategi fokuserer både på at skaffe nye kunder og på at udvide samarbejdet med vores eksisterende kundebase, og vi udvider aktivt til nye anvendelsesområder og køberprofiler uden for Murals traditionelle område.

Det vigtigste for mig er, at omsætningsorganisationen fungerer som én sammenhængende motor. Ny forretning, fastholdelse og udvidelse må ikke fungere som separate dagsordener. Min opgave er at sikre, at driftsmodellen afspejler det, og at alle dele af organisationen, fra den første salgssamtale til den langsigtede kundeværdi, trækker i samme retning.

Hvorfor AI er en gave til CRO'er

Jeg har altid troet på processer: nøjagtige prognoser, disciplin i salgspipelinen og forståelse af dine førende indikatorer. AI giver nu ekstra kraft til alt det, jeg har bygget min ledelsesfilosofi op omkring.

Hold, der tidligere manuelt gennemgik salgspipelinen og traf beslutninger på mavefornemmelsen, kan nu få signaler hurtigere, handle med større sikkerhed og vejlede mere præcist. For en CRO er det ikke en trussel; det er en gave.

Ledere, der vil vinde i denne situation, er ikke bange for den. Jeg har aldrig været bange for at fejle, og jeg er heller ikke bange for dette. Hos Mural fokuserer jeg på at opbygge en omsætningsmotor, hvor AI forstærker det, dygtige mennesker allerede gør, i stedet for at erstatte dømmekraft, relationer eller den kultur, vi er ved at opbygge. Det er arbejdet nu, og jeg kunne ikke være mere fokuseret på det.

Sådan kan AI redesigne omsætningsarbejde med høj værdi

Jeg brugte AI til at redesigne, hvordan omsætningsarbejde med høj værdi udføres, specifikt inden for kontoundersøgelse, udarbejdelse af POV'er og kommunikation.

Dette arbejde ligger tættere på omsætningen, end folk nogle gange er klar over. Det former, hvor godt teamet møder kunderne, hvor relevant opsøgende kommunikation er, og hvor konsekvent organisationen formulerer værdi. Historisk set har det også været for manuelt, for uensartet og for afhængigt af den enkeltes indsats. De bedste sælgere gør det godt. Andre gør noget mere generisk. Det skaber et kvalitetsproblem, ikke kun et produktivitetsproblem.

Mine nye arbejdsgange er skræddersyede GPT'er, der er udviklet til specifikke kommercielle anvendelsesområder. Det er ikke generisk AI, der anvendes bredt, men værktøjer, der er designet omkring den måde, vi tænker på kunder, formulerer værdi og definerer stærke kommercielle resultater i vores kontekst.

Specificitet skaber løftestangseffekt. Generiske værktøjer producerer generiske resultater.

Det tydeligste eksempel er vores arbejdsgang for kundeundersøgelse og forberedelse af opsøgende kommunikation. En sælger indtaster kunden, den relevante kontekst og målet. Arbejdsgangen producerer et struktureret kundeoverblik: hvad der sandsynligvis sker i virksomheden, hvor prioriteterne og problemerne ligger, hvilke signaler der er vigtige, og hvordan vi skal formulere vores værdi i forhold til den specifikke situation.

AI i kundeundersøgelse og forberedelse af opsøgende kommunikation

Sælgeren står tilbage med et reelt synspunkt, der er bygget op omkring kunden, ikke en genbrugt skabelon. Arbejde, der tidligere tog 10 til 30 minutter, tager nu tættere på tre minutter uden at kvaliteten reduceres. Og kvaliteten er mere ensartet på tværs af teamet, uanset hvem der udfører det.

AI i prognosearbejdsgange

Et andet eksempel er Forecast Center, en tilpasset GPT, jeg byggede for at ændre den måde, ledere forbereder og afholder prognosesamtaler på. Den løser problemet med, at de fleste prognoseopkald udvikler sig til, at ledere læser data op for rummet i stedet for at drive strategien ud fra dem. Forecast Center tager data fra den daglige drift, pipeline-input og oplysninger om kundernes sundhed og hjælper ledere med at omsætte det til en klar fortælling og et velunderbygget synspunkt, før de overhovedet deltager i opkaldet.

Vores interne standard er enkel: Hvis det lyder, som om en GPT har opsummeret et regneark, er det ikke færdigt. Det skal lyde som en CRO, der har gjort sit hjemmearbejde og er klar til at drive forretningen.

Resultater

Det, der får begge dele til at fungere, er ikke modellen. Det er udformningen af arbejdsgangen, den indbyggede kontekst og den standard, vi stiller for, hvordan et godt resultat ser ud. Sælgeren og lederen har stadig ansvaret for vurderingen. AI fjerner friktionen fra forberedelsen, så de kan møde skarpere, hurtigere og mere konsekvent op end før.

Vi er stadig tidligt i processen, så jeg vil advare mod at overdrive den efterfølgende omsætningseffekt. Men på tværs af disse arbejdsgange og flere endnu har vi allerede forbedret hastigheden og reaktionsevnen i hele organisationen uden at gå på kompromis med kvaliteten. Teams kan komme hurtigere tættere på kunderne, fordi de ikke længere skal vente på et møde eller en lang manuel proces for at undersøge en konto, opbygge kontekst og danne sig et synspunkt. Det har forbedret forberedelsen, øget ensartetheden i det kundevendte arbejde og gjort salgsorganisationen mere effektiv til at engagere konti.

Hvorfor fornyelser har brug for en ny AI-udformning

Fornyelser har også brug for en ny udformning.

De fleste salgsorganisationer håndterer stadig fornyelser reaktivt. Teams nærmer sig datoen, tjekker sundhedsscoren og forsøger febrilsk at dække de rigtige relationer.

Men når teams udfører det arbejde, er de allerede bagefter. Jeg vil anbefale at gentænke intelligensen omkring fornyelser som en kontinuerlig arbejdsgang, ikke som en kvartalsvis brandslukningsøvelse. AI egner sig godt til dette, fordi det kan synliggøre risikosignaler, markere huller i dækningen og hjælpe ledere med at danne sig et synspunkt om, hvor der skal handles, før tidsvinduet lukker.

Hvorfor den største mulighed med AI ikke er, hvad du forventer

Men husk, den største mulighed med AI handler ikke om at løse individuelle friktionspunkter. Det handler om at gentænke selve arbejdsgangen.

I begyndelsen var jeg nok for fokuseret på at løse umiddelbare problemer, hvilket skabte værdi, men i nogle tilfælde var mere inkrementelt end transformativt.

Hvis jeg havde forstået det tidligere, ville jeg have brugt mindre tid på at optimere isolerede opgaver og mere tid på at redesigne de arbejdsgange med højeste værdi fra ende til anden, med en tydelig kobling til GTM-prioriteter og målbar forretningsmæssig effekt fra starten.

Det ville have hjulpet mig med at undgå fragmenterede eksperimenter. Det kan føre til nyttige værktøjer, som ikke tilsammen skaber reel strategisk løftestang.

Læringen er, at AI skaber størst værdi, når det kobles til den måde, virksomheden genererer omsætning på — ikke kun til de steder, hvor medarbejderne oplever problemer i øjeblikket.

Bill deler

Den største mulighed med AI handler ikke om at løse individuelle friktionspunkter. Det handler om at gentænke selve arbejdsgangen.

Hvor AI understøtter salgsopgaver

Jeg bruger primært AI på områder, hvor bedre syntese og hurtigere forberedelse skaber reel løftestang, såsom kontoundersøgelser, udvikling af synspunkter, budskaber, kommunikation og mønstergenkendelse på tværs af store informationsmængder. Det er fremragende til at behandle input, strukturere tænkning og forbedre kvaliteten og ensartetheden i udførelsen på tværs af organisationen.

Mennesker kommer ind, når der kræves reel dømmekraft og ansvarlighed: prognoser, prissætning, endelige beslutninger om salgspipelinen, territoriebeslutninger og større beslutninger vedrørende kunderisiko eller investeringer. AI kan informere disse samtaler, men den erstatter ikke ledelsens dømmekraft.

Årsagen er enkel. Jeg ønsker, at AI hjælper os med at tænke bedre og bevæge os hurtigere, ikke at den træffer beslutninger, hvor nuancer, kontekst og ansvarlighed er vigtigst. I en omsætningsorganisation er hastighed vigtig, men dømmekraft er stadig det, der gør forskellen.

Omsætningsledere skal holde et vågent øje med AI-skrammel

Nogle gange skaber AI mere materiale i stedet for bedre resultater. Det tydeligste eksempel er AI-skrammel: generisk opsøgende kontakt, generiske budskaber, generiske synspunkter og en masse aktivitet, der ser produktiv ud, men ikke forbedrer den kommercielle kvalitet. I de tilfælde skaber AI støj, ikke løftestangseffekt.

Jeg har også set AI blive anvendt for bredt på områder, hvor dømmekraft, kontekst og nuancer betyder mere end hastighed. Hvis inputtene er svage eller standarderne lave, løser AI ikke problemet. Den forstærker det.

Problemet handler mindre om selve teknologien og mere om, hvor let folk kan forveksle volumen med værdi. Det er den fejlsituation, jeg holder mest øje med, fordi den fører til svækket tillid.

Jeg håndterer dette ved at fastsætte en tydelig standard i hele organisationen, gå foran med et godt eksempel og skalere den disciplin, jeg brugte til at opbygge mine egne arbejdsgange. Det betyder, at vi understreger, at AI skal skærpe tænkningen, ikke erstatte den, og at kontekst, iteration og dømmekraft stadig betyder noget.

Det er dette, der adskiller omsætningsteams, som opnår reel løftestangseffekt fra AI, fra dem, der blot skaber mere støj.

Hvorfor skalering ikke altid medfører et kvalitetskompromis

Jeg troede, at skalering altid medførte et kvalitetskompromis. Inden for arbejdet med markedsføring og salg har automatisering historisk betydet mere materiale, men som regel på bekostning af relevans, dømmekraft og kvalitet.

AI ændrede min antagelse om, at dette kompromis er fastlåst. Hvis AI bruges korrekt, med den rette kontekst, udformning af arbejdsgange og de rette standarder, kan den øge hastighed og skalering uden automatisk at sænke barren.

Det bedste eksempel er de arbejdsgange for kontoanalyse og -forberedelse, som jeg delte tidligere. Det sker ikke automatisk, men det er muligt. Og det markerer et betydningsfuldt skift fra den måde, de fleste af os har oplevet automatisering i omsætningsorganisationer.

Hvorfor gode data er afgørende for en vellykket implementering af AI

Gode data betyder mere end værktøjer. Hvis dataene er ufuldstændige, inkonsistente eller svære at have tillid til, løser AI ikke problemet. Den forstærker det.

Du får måske hurtigere resultater, men ikke bedre resultater. Det har været en af de største læringer for mig.

En vellykket implementering af AI handler ikke kun om adgang til den rette model. Det handler om at have et solidt datafundament, operationel disciplin og tillid til inputtene, så modellen kan bruges effektivt. Værktøjerne betyder noget, men gode data er det, der gør det hele virkeligt.

Hvordan CRO'er bør gribe AI-drevne ændringer an

Jeg råder CRO'er til at bruge AI til at skærpe tænkningen, forbedre eksekveringen og skalere dømmekraften – ikke til at oversvømme virksomheden med flere resultater.

Begynd på de områder, hvor hastighed og syntese skaber reel løftestangseffekt: kontoanalyse, udvikling af synspunkter, budskaber og mønstergenkendelse på tværs af omsætningsmotoren. Vær tydelig om, hvad AI skal informere, og hvad der fortsat bør være menneskeligt. Og sæt barren højt fra begyndelsen; ellers vil folk som standard ty til generiske resultater, der ser produktive ud, men ikke forbedrer den kommercielle kvalitet.

De ledere, der får mest ud af det, er ikke dem, der hævder at have regnet det hele ud. Det er dem, der engagerer sig seriøst i det, anvender det gennemtænkt og fortsætter med at hæve barren for, hvad det gør for virksomheden.

Følg med

Du kan følge Bill Dwoinens arbejde på LinkedIn.

Der kommer flere ekspertinterviews på The CRO Club!