Myyntijohtaja kertoo, miten tulotiimit voivat liittyä niiden 6 prosentin joukkoon, jotka ovat onnistuneesti ottaneet tekoälyn käyttöön
Byron Munson
Supermetricsin JAPAC-alueen myynnistä vastaava varatoimitusjohtaja
Byron Munson kertoo, miten tulotiimit voivat siirtyä tekoälypiloteista eteenpäin yhdistämällä tietoja, rakentamalla luottamusta ja mittaamalla onnistumista parempien päätösten eikä työkalujen käyttöönoton avulla.
Key Takeaways
Luottamuskuilu: Tekoälyn käyttöönotto riippuu kehittynyttä teknologiaa enemmän luotettavista tiedoista, selkeästä muutosjohtamisesta ja ihmisten harkintakyvystä.
Ihmisen rajat: Tekoäly parantaa priorisointia, mutta ihmisten on hoidettava hinnoittelu, neuvottelut, ihmissuhteet ja luottamusta edellyttävät päätökset.
Epäonnistuneet panostukset: Synteettinen ulospäin suuntautuva personointi ja automatisoitu kauppojen riskipisteytys voivat parantaa aktiivisuusmittareita mutta jättää huomiotta ne ihmissuhteet, jotka ratkaisevat voitot.
Käyttöönoton polku: Onnistunut tekoälyn käyttöönotto alkaa yhdestä paljon kitkaa aiheuttavasta työnkulusta, yhdistetyistä tiedoista, kirjallisista säännöistä ja päätöksiin perustuvista käyttöönottomittareista.
Yhteinen näkymä: Myynnin ja asiakaspalvelun kielen yhdistäminen suuren kielimallin avulla luo koko tulonhankintaorganisaatiolle yhden yhteisen näkymän asiakkaaseen.
Byron Munson on JAPAC-alueen myyntijohtaja Supermetricsillä.
Juttelimme Byronin kanssa selvittääksemme, miksi vain 6 % tiimeistä on onnistunut ottamaan tekoälyn käyttöön – ja miten hän saa sen toimimaan omassa tiimissään. Tässä hänen kertomansa.
Kaupallisten toimintojen rakentaminen tyhjästä
Olen Byron Munson, JAPAC-alueen myyntijohtaja Supermetricsillä, joka on maailmanlaajuisesti toimiva kasvuvaiheen MarTech-yritys. Asiakaskuntamme ulottuu pk-yrityksistä suurimpiin yritysbrändeihin. GTM-rakenteemme perustuu kevyeen avainasiakkuuspäällikön ja kaupallisen asiakkuusjohtajan malliin sekä kumppaniorganisaatioon.
Olen työskennellyt yli kaksikymmentä vuotta APAC- ja EMEA-alueilla ja rakentanut kaupallisia toimintoja tyhjästä alueelliselle tasolle. Aloitin mainonnan parissa DDB:llä ja McCannilla Sydneyssä, siirryin sitten mainosteknologian pariin Adconion Londonille ja Videology SEA:lle ja myöhemmin MarTechiin Datoramalle. Autoin johtamaan Datoraman APAC-toimintoja ja toteutin Salesforce-kaupan alueella.
Kokemus yritysostosta kahdesti ostetun yrityksen sisältä opetti minulle paljon sellaista, mitä en olisi oppinut strategiakalvoista: mikä säilyy suuremmassa organisaatiossa, mikä rakennetaan uudelleen ja mikä häviää hiljalleen.
Perustin myös oman yritykseni, Climagap-nimisen ilmastoteknologiastartupin, mikä antoi minulle terveen annoksen nöyryyttä ideoinnin, rahoituksen hankkimisen ja idean tuomisen markkinoille tyhjästä suhteen. Lopulta liiketoiminta ei eri syistä skaalautunut, joten päätin lopettaa toiminnan.
Supermetricsillä johdan noin 20 monialaista työntekijää käsittävää alueellista tiimiä. Rakensimme JAPAC-toiminnot tilanteesta, jossa alueella ei ollut lainkaan omaa läsnäoloa, merkittäväksi alueelliseksi kokonaisuudeksi. Tähän kuuluu kumppaniekosysteemi, joka tarjoaa pääsyn vahvoihin paikallisiin toteutus- ja teknologiatoimijoihin. Se on olennaista kestävän skaalautumisen ja asiakkaidemme pitkän aikavälin menestyksen kannalta.
More Articles
Tekoälyn kahdella rintamalla muovaama tulonhankintaorganisaatio
Viime aikoina tämä on laajentunut tekoälyyn kahdella rintamalla. Sisäisesti rakensimme oman tekoälypohjaisen tulonhankinnan infrastruktuurimme – joka kattaa myyntiputken terveyden, asiakasriskit ja kauppojen valmentamisen – oman datamme pohjalta. Tämä opetti minulle käytännössä, että tekoälyn käyttöönotto on ennen kaikkea luottamus- ja muutosjohtamisongelma, ei teknologiaongelma.
Ulkoisesti olen puolestaan seurannut saman muutoksen tapahtuvan asiakkaidemme parissa: brändit ja toimistot hukkuvat datan määrään. Todellinen läpimurto ei ole ollut datan lisääminen, vaan heidän auttamisensa tekemään päätöksiä nopeammin.
LLM-kumppanuutemme, mukaan lukien uudempi roolimme Googlen Gemini Enterprisen lanseerauskumppanina alueella, sijoittuvat tähän risteyskohtaan – tuomme tekoälypohjaisen markkinointitiedon suoraan markkinoijien käsiin. Olen rehellisesti sanottuna oppinut, ettei kyse ole teknologiasta; ihmiset toimivat vain sellaisen tiedon perusteella, johon he luottavat, olipa kyse sitten edustajasta, joka luottaa valmennusvinkkiin, tai asiakkaasta, joka luottaa suositukseen niin paljon, että muuttaa markkinointiin liittyviä investointisuunnitelmiaan.
Missä tekoäly loistaa ja mihin sen hyödyt loppuvat
Tekoäly auttaa tekemään päätöksiä tuottamalla oivalluksia. Laajentumisalttius on selkein esimerkki; itsepalvelumallissa käyttö-, laskutus- ja sitoutumissignaalit voivat sijaita erillisissä järjestelmissä ilman luontevaa yhteyttä toisiinsa. Tekoäly kokoaa nämä tietolähteet yhteen ja paljastaa selkeän signaalin siitä, kuka on valmis laajentamaan yhteistyötä.
Tekoäly ei kuitenkaan koskaan ole ainoa ajuri. Täysin ihmisten varaan jäävät esimerkiksi hinnoittelu, neuvottelut ja kaikki luottamukseen sekä ihmisten väliseen vuorovaikutukseen perustuva. Tekoäly voi kertoa minulle, että asiakkuus on valmis. Se ei pysty käymään keskustelua.
On myös syytä huomata, että kaikki tekoälyyn tehdyt panostukset eivät muutu tuloiksi yhtä nopeasti kuin tekoälyinnostus antaa ymmärtää. Jotkin niistä kuluttavat huomattavasti kapasiteettia ennen kuin tuottavat merkittäviä tuloksia.
Tekoäly ei koskaan ole ainoa ajuri. Täysin ihmisten varaan jäävät esimerkiksi hinnoittelu, neuvottelut ja kaikki luottamukseen sekä ihmisten väliseen vuorovaikutukseen perustuva. Tekoäly voi kertoa minulle, että asiakkuus on valmis. Se ei pysty käymään keskustelua.
Siksi suurin seuraamani riski on väärä itsevarmuus. Tekoälyn tuotos voi näyttää viimeistellyltä ja lopulliselta, vaikka se perustuisi hataraan dataan. Suhtaudun siihen kuin juniorianalyytikon ensimmäiseen luonnokseen: hyödyllinen, mutta en toimi sen perusteella tarkistamatta sitä.
Kaksi kohtaa, joissa tekoäly ei yllä tavoitteeseen tulosorganisaatioissa
Olen huomannut tekoälyn käytössä kaksi vaarallista puutetta tulonhankinnassa.
Selkein niistä on tekoälyn tuottama ulospäin suuntautuvan viestinnän personointi. Se on tehokasta kaikkien aktiivisuusmittareiden perusteella, mutta se ei parantanut voittosuhdetta, koska ostajat tunnistavat synteettisen personoinnin välittömästi.
Tässä on hienovaraisempi esimerkki: mallin antaminen kauppojen riskien automaattiseen arviointiin. Se oli riittävän usein oikeassa, jotta siihen luotettiin, ja väärässä juuri siellä, missä sillä oli merkitystä — suhteiden viiletessä, mikä ei koskaan näy jäsennellyssä datassa.
Molemmissa tapauksissa ihminen tarvitaan osaksi prosessia.
Miten tekoälyn käyttö suorituskyvyn johtamisessa ja markkinastrategiassa parantaa päätöksiä
Olen tehnyt viime aikoina kaksi suurta muutosta:
- Suorituskyvyn johtaminen: Tuomme nyt yksilö- ja tiimiriskit esiin ennen kuin niistä tulee suorituskykyhaasteita, emme vasta niiden ilmettyä. Ennakoivaa ongelmanratkaisua jälkikäteisen tutkinnan sijaan. Teemme tämän yhdistämällä puheluiden tekstitykset, myyntiputken historian, CRM-muistiinpanot, tuotelinjojen tulot ja asiakaspalautteen — tekoäly tuo esiin taustalla olevan käyttäytymisen.
- Markkinastrategia: Neljän vuoden operatiivisten tietojen tarkastelu koko alueelta paljasti erityisesti Thaimaassa kehityssuunnan, joka johti meidät laajentumaan kumppanit ensin -strategialla. Rakensimme markkinoille vahvan ratkaisukumppaniverkoston sen sijaan, että olisimme perustaneet sinne oman toiminnan.
Saavutimme tämän yhdistämällä kaikki sisäiset tietomme ja kolmansien osapuolten alustat Claude-ympäristöömme. Viime kädessä tämä luo perustan toistettaville ja kaupallisesti vaikuttaville päätöksille suuressa mittakaavassa. Kyse ei ole yksittäisestä syväluotauksesta, vaan pitkäjänteisestä ja johdonmukaisesta lähestymistavasta.
Byron jakaa
Rakensimme markkinoille vahvan ratkaisukumppaniverkoston sen sijaan, että olisimme perustaneet sinne oman toiminnan.
Miten asiakaskeskeinen yhteistyö tulee mahdolliseksi tekoälyn avulla
Myynti ja asiakaskokemus ovat aina toimineet rinnakkain: sama asiakas, kaksi toimintoa, kaksi tietojärjestelmää, kaksi totuuden versiota. Se ei ole kumppanuutta. Se on rinnakkaista toimintaa.
Toimiala saavutti tämän diagnoosin. Vakavasti otettavat tulosjohtajat ovat nyt yhtä mieltä periaatteesta ”Yksi luku, yksi toimintatapa, yksi totuuden lähde.” Markkinoillemenotoiminta yhtenäisenä järjestelmänä, ei peräkkäisinä luovutuksina.
Tämä ajatus ei ole enää kiistanalainen. Useimmat kuitenkin pysähtyvät rakenteeseen: yhteiset kiintiöt, yhtenäiset koontinäytöt, CRM-järjestelmien yhdistäminen. Se on perusinfrastruktuuria. Se ei vastaa kysymykseen: ”Miten kaksi toimintoa, jotka käyttävät kahta eri järjestelmää, voivat koskaan kuvata saman asiakkaan samalla tavalla?”
Tässä on toimintamekanismi: Kun jokaisen asiakaskontaktin (myynnin, käyttöönoton ja uusimisen) kieli on dataasi hyödyntävässä LLM-mallissa, asiakkaasta ei enää ole erillistä myynnin versiota ja asiakaskokemuksen versiota.
Näin yhteistyö ja läpinäkyvyys näkyvät käytännössä. Kyse ei ole kalvolle kirjoitetusta arvosta, vaan rakenteesta, joka estää tiimejä kadottamasta asiakasta näkyvistään. Tältä asiakaskeskeinen yhteistyö näyttää.
Miten tekoäly otetaan onnistuneesti käyttöön tulosorganisaatioissa
89 % tiimeistä kokee paineita ottaa tekoäly käyttöön. Vain 6 % on todella tehnyt sen. Tämä ero on mahdollisuus (Supermetrics, markkinointidataraportti 2026).
Näin kuromme umpeen tämän eron:
- Arvioi puutteesi ja tarpeesi. Määritä tavoitteesi ja kartoita A/B-testit todellisen pitkän aikavälin suunnan selvittämiseksi. Kartoita sitten datasi. Jos et yhdistä sitä, LLM:llä ei ole kontekstia. Useimmat jumiutuneet ”tekoälyaloitteet” johtuvat datan laadunhallinnan ongelmista. Jos et luota syötteisiin, et voi luottaa tuloksiinkaan.
- Älä ota tekoälyä käyttöön koko organisaatiossa heti ensimmäisenä päivänä. Etsi tiimisi yksi eniten kitkaa aiheuttava tehtävä: kauppojen yhteenvedot, QBR-valmistelut tai myyntiputken tietojen ylläpito. Rakenna juuri tämä työnkulku uudelleen koko konteksti huomioiden. Osoita tehokkuushyödyt ennen laajentamista.
- Kirjaa säännöt ylös. Myyntiedustajasi käyttävät dokumentoimatonta harkintaa — miltä terve kauppa näyttää, mitä ”jumiutunut” tarkoittaa yhdeksännen kuukauden kohdalla ja miten he erottavat uusinnat lisämyynnistä. Jos et kirjaa tätä ylös, LLM ei voi hyödyntää sitä, eivätkä uudet työntekijätkään.
- Mittaa käyttöönottoa muuttuneilla päätöksillä, älä aktivoiduilla käyttöoikeuksilla. Lisenssimäärät ja kirjautumistilastot eivät kerro sinulle mitään. Seuraa, muuttavatko tekoälyn esiin nostamat näkemykset ennusteita, kauppastrategioita tai valmennuskeskusteluja. Se on ainoa signaali, joka erottaa todellisen käyttöönoton niistä, jotka eivät koskaan pääse pilottia pidemmälle.
Byron jakaa
Näin kurotat umpeen tämän kuilun: arvioi puutteesi ja tarpeesi. Älä ota tekoälyä käyttöön koko organisaatiossa heti ensimmäisenä päivänä. Kirjaa säännöt ylös. Mittaa käyttöönottoa muuttuneilla päätöksillä, älä aktivoiduilla käyttöoikeuksilla.
Miksi LLM:t on perehdytettävä kuten uudet työntekijät
Ja vielä yksi asia: Perehdytä LLM:si samalla tavalla kuin perehdyttäisit uuden työntekijän. Jos ohitat tämän perehdytyksen, saat itsevarmuutta ilman osaamista.
Uusi työntekijä ei saa käyttöoikeutta CRM-järjestelmään tai toimintakäsikirjaasi ennen kuin hän tuntee roolit ja vastuut sekä ymmärtää, miltä ”hyvä” näyttää. LLM tarvitsee samat neljä keskeistä elementtiä ennen kuin se käsittelee tuotantodataa:
Ja vielä yksi asia: Perehdytä LLM:si samalla tavalla kuin perehdyttäisit uuden työntekijän. Jos ohitat tämän perehdytyksen, saat itsevarmuutta ilman osaamista. Jos ohitat tämän perehdytyksen, malli ei epäonnistu hiljaa — se epäonnistuu vakuuttavasti.
- Tavoitteesi: Mitä ”terve” tarkoittaa tässä myyntiputkessa, tällä vuosineljänneksellä ja tällä alueella
- Määritelmäsi: Mitä ”riskialtis” tarkoittaa ja miltä terve myyntiputki näyttää
- Suojakaiteesi: Mitä se ei saa koskaan päättää yksin — esimerkiksi kaupan vaihetta ei saa luokitella uudelleen eikä asiakaspoistuman syytä nimetä ilman ihmistä päätöksenteossa.
- Historiasi: Konteksti, joka muuttaa luvun merkitystä — esimerkiksi ”myyntiputken kattavuus on heikko” kuulostaa hyvin erilaiselta, kun tiedät, että aikaistimme juuri merkittävää uusintaa vuosineljänneksellä.
Jos ohitat tämän perehdytyksen, malli ei epäonnistu hiljaa — se epäonnistuu vakuuttavasti.
Pysy mukana
Voit seurata Byron Munsonin työtä LinkedInissä.
Lisää asiantuntijahaastatteluja on tulossa CRO-klubiin!
