Startup-yrityksen liikevaihdosta vastaava johtaja siitä, miten ketterät tiimit voivat luoda tekoälyn avulla suurta vipuvaikutusta

Waleed Shaarani on startup-yritys Spiky.ai:n liikevaihdon ja GTM:n johtaja. Hän on erikoistunut siemenvaiheen B2B SaaS -yrityksiin, mikä pakottaa hänet olemaan kekseliäs, keskittynyt ja nopea — siksi tekoäly on ollut hänelle todellinen pelin muuttaja.

Tapasimme Waleedin oppiaksemme, miten ketterät liikevaihtotiimit voivat luoda vipuvaikutusta tekoälyn avulla. Tässä hänen näkemyksensä.

Siemenvaiheen startupit tarvitsevat tekoälyä liikevaihdon kasvattamiseen

Matkani on liittynyt vähemmän valtavien yritystiimien johtamiseen ja enemmän etulinjassa työskentelyyn varhaisen vaiheen yrityksissä, asioiden selvittämiseen reaaliajassa, monien hattujen käyttämiseen ja kaiken tarvittavan tekemiseen vauhdin luomiseksi.

Olen työskennellyt tiiviisti perustajien kanssa, auttanut rakentamaan markkinoillemenotoimintaa alusta asti ja toiminut ympäristöissä, joissa ei ole suuria tiimejä, täydellisiä toimintamalleja tai mahdollisuutta piiloutua prosessien taakse. Keskityn kekseliäisyyteen, nopeaan etenemiseen ja epäselvyyksien muuttamiseen toimeenpanoksi.

Tällä hetkellä johdan liikevaihtotoimintaa siemenvaiheen B2B-tekoälystartupissa, jolla on tilauspohjainen SaaS-malli. Tiimi on pieni, ja liikevaihtotiimissä on yksi tai kaksi henkilöä, joten osallistun vahvasti GTM-strategiaan, ulospäin suuntautuvaan myyntiin, myyntiputken rakentamiseen, myynnin toteutukseen ja asiakaspalautteeseen. GTM-mallimme on tiiviisti perustajan ohjaama ja iteratiivinen: keskitymme ensimmäisten asiakkaiden hankkimiseen, nopeaan oppimiseen ja toistettavan vetovoiman rakentamiseen asiakasrajapinnassa ja liikevaihtotiimien markkinoilla.

Siemenvaiheessa suuri osa liikevaihdon menestyksestä perustuu perustajan vaistoon, hajanaisiin keskusteluihin, manuaaliseen seurantaan ja hiljaiseen tietoon. Siksi kiinnostuin suuresti siitä, miten tekoäly voi auttaa startup-yrityksiä havaitsemaan nämä signaalit aiemmin, tekemään huippusuoriutujien toimintatavoista järjestelmällisiä ja antamaan pienille tiimeille vipuvaikutusta ilman valtavaa organisaatiota.

Minulle tekoäly liikevaihtotoiminnassa ei korvaa ihmisiä eikä lisää monimutkaisuutta. Se auttaa pieniä ja ketteriä tiimejä suoriutumaan kokoaan paremmin. Sen avulla startupit voivat edetä nopeammin, oppia nopeammin ja rakentaa parempia järjestelmiä aiemmin kuin muuten olisi mahdollista. Rakastan tekoälyn hyödyntämistä siihen, että siemenvaiheen yritykset voivat luoda kaaoksesta rakennetta, muuttaa oivallukset toiminnaksi ja kasvattaa liikevaihtotoimintaa menettämättä nopeutta.

Miten tekoäly parantaa keskittymistä ja nopeutta liikevaihtotyönkuluissa

Minulle tekoäly luo keskittymistä, nopeutta ja vipuvaikutusta.

Rakentamani agentit ovat auttaneet meitä tarkentamaan kohdemarkkinan valintaa, tunnistamaan korkeamman ostoaikeen tilit aiemmin ja saamaan hyvin pienen liikevaihtotoiminnon toimimaan täsmällisemmin. Tämä tarkoitti vähemmän hukkaan heitettyä työtä heikosti sopivien tilien parissa, nopeampaa yhteydenottojen ja seurannan toteutusta sekä parempaa näkyvyyttä siihen, missä näimme ostosignaaleja. Se paransi myös sitä, kuinka nopeasti pystyimme testaamaan viestejä, tarkentamaan ICP-oletuksia ja siirtämään resursseja segmentteihin, joissa ostoaie oli vahvempi.

Selkein määrällinen tulos oli tehokkuus. Tekoäly lyhensi tutkimukseen, tilien priorisointiin ja GTM-valmisteluihin kuluvaa aikaa yli 50 %, mikä antoi meille huomattavasti enemmän myyntikapasiteettia ilman henkilöstön lisäämistä. Tämä johti parempaan keskittymiseen yhteydenotoissa, laadukkaampiin tapaamisiin ja vähäisempään hukkaan heitettyyn työhön koko myyntisuppilossa.

Joissakin tapauksissa vaikutus näkyi selvimmin operatiivisesti eikä pelkästään kokonaisliikevaihdossa. Tehtävät, jotka aiemmin vaativat tuntikausia manuaalista tutkimusta, voitiin tehdä paljon nopeammin, mikä loi enemmän tilaa myynnille ja päätöksenteolle. Se teki työnkulusta myös vähemmän reaktiivisen. Sen sijaan että olisimme jahdanneet kaikkea, pystyimme harkitsemaan tarkemmin, mihin käytämme aikamme.

Startupissa tällaisella vipuvaikutuksella on merkitystä, koska se auttaa kasvamaan fiksummin ennen varsinaisen mittakaavan saavuttamista.

Miten tekoäly voi kehittää myyntiputken rakentamista

Tässä on esimerkki työnkulusta. Käytin tekoälyä terävöittämään myyntiputken rakentamista tunnistamalla, mitkä verkkosivuston vierailijat ja tilit osoittivat ostoaikeita. Aiemmin työskentelimme laajempien ICP-oletusten, manuaalisen tutkimuksen ja rajallisen intentiodatan pohjalta. Tämä tarkoitti, että käytimme aikaa tileihin, jotka näyttivät paperilla sopivilta, mutta eivät välttämättä olleet aktiivisesti ostamassa.

Muutos syntyi hyödyntämällä tekoälyä yksittäisten vierailijoiden tunnistamiseen, sitoutumiskäyttäytymisen analysointiin ja tilien pisteyttämiseen niiden ostotodennäköisyyden perusteella. Näin pystyimme keskittymään vahvemmin kohdemarkkinan segmentteihin ja yrityksiin, jotka osoittivat todellista ostoaikoa.

Tuloksena priorisointi, osuvuus ja konversiotehokkuus paranivat. Käytimme vähemmän aikaa arvailuun ja enemmän aikaa signaalien perusteella toimimiseen, mikä teki GTM-mallistamme terävämmän ja keskittyneemmän.

Suuri muutos oli siirtyminen kysymyksestä ”kuka näyttää paperilla sopivalta” kysymykseen ”kenen kohdalla kannattaa toimia juuri nyt”. Tähän suuntaan useampien CRO-johtajien pitäisi edetä.

Miksi tekoäly voi olla tuhoisa varhaisen vaiheen yrityksille

Haittapuolena on, että tekoäly on vain niin hyvä kuin sen syötteet, logiikka ja suojakaiteet. Olen nähnyt tapauksia, joissa se on painottanut liikaa meluisia signaaleja, tuonut esiin vääriä positiivisia tuloksia tai antanut varmuuden tason, jota taustalla oleva data ei ansainnut. Varhaisen vaiheen ympäristössä tämä voi olla vaarallista, koska aineisto on pienempi, markkina kehittyy edelleen ja on helppo vakuuttaa itsensä siitä, että jokin kaava on vahvempi kuin se todellisuudessa on. Yksi huono lopputulos onkin hukkaan heitetty työ, kun tekoäly ohjaa kohti tilejä tai signaaleja, jotka vaikuttavat lupaavilta mutta joihin ei liity todellista varmuutta.

Olen myös huomannut, että tekoäly voi houkutella automatisoimaan liikaa ja liian aikaisin. Jos et ole varovainen, saatat päätyä lisäämään tekemistä ilman, että harkinta välttämättä paranee.

Olemme vielä kaukana strategisten tulopäätösten täydellisestä automatisoinnista. Tekoäly voi auttaa tutkimuksessa, tuoda esiin signaaleja ja nopeuttaa toteutusta, mutta se ei ole vielä ollut johdonmukaisen luotettava ennustamisessa, kauppastrategiassa tai sen varmassa ennustamisessa, mitkä mahdollisuudet toteutuvat. Se vie sinut 90 prosenttiin matkasta; ihmisen on täytettävä loput 10 prosenttia. Erityisesti alkuvaiheen ympäristöissä tekoälyltä yleensä puuttuu riittävästi puhdasta historiallista dataa, jotta se voisi tehdä nämä arviot toivotulla tasolla.

Tekoäly on siis tutkimuksen, priorisoinnin ja toteutuksen tehostaja. Se ei kuitenkaan korvaa operatiivista vaistoa tai läheistä asiakastuntemusta. Strategian, harkinnan ja suhteisiin perustuvan päätöksenteon on säilyttävä ihmisten vastuulla. Teen edelleen lopulliset päätökset markkinakeskittymisestä, viestinnästä, priorisoinnista, hinnoittelusta ja kauppojen edistämisestä.

Miten toimia, kun tekoäly ei yllä viestinnässä tavoitteeseen

Tässä on esimerkki tilanteesta, jossa tekoäly ei vastannut tarpeitani.

Käytimme tekoälyä ulospäin suuntautuvan viestinnän tekstien tuottamiseen ja hiomiseen nopeammin, mutta suuri osa teksteistä oli liian yleisluontoista tai liian viimeisteltyä eikä puhutellut ostajia. Teksti kuulosti hyvältä, mutta se ei aina heijastanut markkinoiden todellisia vivahteita tai sitä, mihin ostajat reagoisivat.

Korjatakseni tämän lopetin tekoälyn tuottaman viestinnän käsittelemisen lopullisena tuotoksena ja aloin käyttää sitä enemmän luonnosvaiheena. Lopullinen asemointi, sävy ja terävyys säilyivät ihmisten vastuulla. Tekoäly nopeutti prosessia, mutta harkinnan oli edelleen tultava henkilöltä, joka tuntee asiakkaan läheisesti.

Miksi tekoälyn vaikutusten mittaaminen on ratkaisevan tärkeää tulojen kannalta

Kaikki tekoälyn käyttöönotot eivät todellisuudessa ole hyödyllisiä. Mittaan tekoälyn vaikutusta samalla tavalla kuin mittaisin mitä tahansa GTM-investointia. Jokaisen käyttöön ottamani tekoälytyönkulun on tehtävä jokin seuraavista:

• Lisättävä tuotosta
• Parannettava päätösten laatua
• Lyhennettävä aikaa tulokseen

Jos se ei paranna jotakin näistä kolmesta, se todennäköisesti vain lisää hälyä.

Yleisellä tasolla arvioin, auttaako tekoäly meitä luomaan enemmän myyntiputkea, priorisoimaan parempia mahdollisuuksia ja tekemään tiimistä tehokkaamman. Koska käytän tekoälyä laajasti tutkimuksessa ja GTM-agenteissa, seuraan esimerkiksi asiakastilien tutkimiseen säästettyä aikaa, listojen rakentamisen nopeutta, ensimmäiseen yhteydenottoon kuluvaa aikaa ja sitä, kuinka paljon kohdennetumpaa ulospäin suuntautuva viestintämme on. Jos tekoäly toimii, tiimin pitäisi käyttää vähemmän aikaa tietojen keräämiseen ja enemmän aikaa oikeiden mahdollisuuksien hyödyntämiseen.

Seuraan myös laatuun, en pelkästään aktiivisuuteen, keskittyviä tulomittareita. Näihin kuuluvat kohdetilistä tapaamiseen, tapaamisesta mahdollisuuteen ja mahdollisuudesta kaupan syntymiseen johtavat konversioasteet, tekoälyyn perustuvassa yhteydenotossa saadut vastausprosentit sekä korkeamman ostoaikomuksen asiakastileistä syntyvä myyntiputki. Jos tekoäly auttaa meitä tunnistamaan paremmin sopivia asiakastilejä tai parantamaan viestintää, odotan tämän näkyvän laadukkaampina keskusteluina ja parempina myöhempinä konversioina.

Operatiivisesti arvioin tarkkuutta ja hyödyllisyyttä. Tunnistiko agentti esimerkiksi oikeat asiakastilit, toiko se esiin olennaista kontekstia tai auttoiko se meitä keskittymään oikeaan markkinasegmenttiin? Jos tuotokset ovat nopeita mutta eivät hyödyllisiä, niistä ei ole apua. Siksi osa arvioinnista on edelleen laadullista: ovatko oivallukset riittävän tarkkoja, jotta niihin voi luottaa, ja muuttavatko ne merkityksellisellä tavalla työskentelytapojamme?

Miksi tekoäly ei ole strategia

Tekoäly ei ole strategia; se on vipuvaikutus.

Jokaisen CRO:n pitäisi ymmärtää tämä ennen aloittamista, sillä jos ihanneasiakasprofiilisi, viestintäsi, myyntiprosessisi ja ydinprosessisi ovat heikkoja, tekoäly ei korjaa niitä. Se auttaa sinua vain tekemään väärät asiat nopeammin.

Tekoälystä eniten hyötyvät yritykset käyttävät sitä harkinnan terävöittämiseen, oppimisen nopeuttamiseen ja manuaalisen työn poistamiseen – eivät ajattelun korvaamiseen. Jos kohtelet tekoälyä vipuvaikutuksen lähteenä etkä taikaratkaisuna, otat sen käyttöön paljon tehokkaammin.

Mitä on tiedettävä ennen tekoälyn käyttöönottoa tulotiimeissä

Puhtaat syötteet ja selkeät suojakaiteet ovat tärkeitä. Olen jo sivunnut tätä, mutta asia kannattaa toistaa, koska toivon, että olisin ymmärtänyt sen aiemmin.

Alussa on helppo innostua siitä, mitä tekoäly voi tuottaa, mutta jos data on epäsiistiä, kehote epämääräinen tai työnkulku puutteellisesti määritelty, tuotokset näyttävät paremmilta kuin ne todellisuudessa ovat. Tämä voi synnyttää väärää luottamusta ja hukkaan valuvia työpanoksia.

Jos olisin tiennyt tämän aiemmin, olisin käyttänyt vähemmän aikaa näyttävien tuotosten tavoitteluun ja enemmän aikaa täsmällisen käyttötapauksen, onnistumismittarin ja ihmisen tekemän tarkistusvaiheen määrittelyyn heti alusta alkaen. Tämä olisi auttanut välttämään hälyä, vääriä positiivisia tuloksia ja paljon uudelleentyötä.

Opin virheestäni ja aloin suhtautua paljon kurinalaisemmin laajuuteen, syötteisiin ja tarkistamiseen.

Ensinnäkin rajasin jokaisen AI-hankkeen yhteen tiettyyn tehtävään sen sijaan, että olisin pyytänyt sitä tekemään kerralla liikaa. Sen jälkeen yhdenmukaistin syötteet — johdonmukaiset tietokentät, selkeämmät kehotteet, tarkemmat määritelmät sille, miltä “hyvä” näytti, ja vähemmän riippuvuutta epäselvästä tai puutteellisesta tiedosta. Lisäsin myös selkeät suojarajat määrittämään, missä AI saattoi auttaa ja missä ihmisen oli tehtävä lopullinen päätös.

Lisäksi rakensin mukaan tarkistuskierroksen. Testasin tuloksia todellisia tuloksia vasten, tunnistin tilanteet, joissa AI loi kohinaa tai perusteetonta varmuutta, ja kehitin toimintaa niiden pohjalta. Suurin muutos oli se, että aloin suhtautua AI:hin vähemmän taikuutena ja enemmän käyttöjärjestelmänä, joka tarvitsee rakennetta, laadunvarmistusta ja rajoitteita ollakseen hyödyllinen.

Miksi CRO:iden kannattaa omaksua AI toimintatapojen muutoksena

Kaiken kaikkiaan tässä on neuvoni.

Älä lähesty AI:ta työkalun käyttöönottoprojektina. Lähesty sitä toimintatapojen muutoksena.

Aloita yhdestä selkeästä liikevaihto-ongelmasta, jossa nopeus, signaalien käsittely tai manuaalinen työkuorma jarruttaa tiimiä. Hyödynnä AI:ta ensin vipuvaikutuksen luomiseksi siinä. Pidä laajuus tiukkana, mittaa vaikutus ja rakenna todellisten työnkulkujen pohjalta hypen sijaan.

Mikä tärkeintä, älä ulkoista harkintakykyä. Parhaat CRO:t käyttävät AI:ta edetäkseen nopeammin, nähdäkseen tilanteet selkeämmin ja tehdäkseen parempia päätöksiä — eivät korvaamaan inhimillistä kontekstia, joka ohjaa edelleen erinomaista GTM-johtamista.

Seuraa matkaa

Voit seurata Waleed Shaaranin matkaa LinkedInissä, kun hän jatkaa startup-alan liikevaihto-organisaatioiden johtamista.

Lisää asiantuntijahaastatteluja on tulossa The CRO Clubiin!