Muralin CRO kertoo, missä tulovastaavat tekevät virheitä tekoälyn kanssa – ja miten ne korjataan

Bill Dwoinen on kasvuvaiheen B2B SaaS -yrityksen, Muralin, CRO. Hän on työskennellyt tulonhankinnan parissa 20 vuotta ja vastaa nyt myynnistä, asiakasmenestyksestä, tulonhankinnan operaatioista ja GTM-järjestelmistä — ja hän on täysin sitoutunut tekoälyyn.

Keskustelimme Billin kanssa siitä, miksi tulonhankinnasta vastaavien johtajien on lopetettava kitkakohtien korjaaminen tekoälyn avulla ja alettava suunnitella kokonaisia työnkulkuja uudelleen. Tässä hänen kertomansa.

Matka C-johtoryhmään ei koskaan kulje suoraa linjaa

Olen Bill Dwoinen, Muralin CRO. Olen työskennellyt myynnin ja myynnin johtamisen parissa noin 20 vuotta. Aloitin inhimillisen pääoman alalla CareerBuilderilla, siirryin sitten SaaS-alalle LinkedIniin ja johdin sen jälkeen lähes viiden vuoden ajan Slackin yritysliiketoimintaa Salesforcen strategisen teknologian toimialalla. Aloitin Muralin CRO:na vuoden 2025 alussa.

Urani ei koskaan kulkenut suoraa linjaa. Kerron tämän lukiolaisille, kun palaan puhumaan heille, ja tarkoitan sitä todella. Elämä ei etene suoraviivaisesti, eikä myöskään myyntiura. Aloitin henkilökohtaisena tuloksentekijänä, siirryin johtotehtäviin, koska välitin aidosti ympärilläni olevista ihmisistä enemmän kuin kunniasta, ja rakensin lopulta näyttöjä, jotka avaavat ovia C-johtoryhmään. Pieniä, johdonmukaisia valintoja 20 vuoden ajan — sitä se oli.

Tulonhankintaorganisaation johtaminen

Johdan Muralin koko tulonhankintaorganisaatiota. Mural on kasvuvaiheen B2B SaaS -yritys, jolla on toistuvaan tilausmalliin perustuva liiketoiminta ja LUMA-kumppanuuden kautta laajeneva palvelukerros. Organisaatio kattaa myynnin, asiakasmenestyksen, tulonhankinnan operaatiot ja GTM-järjestelmät. Toin GTM-järjestelmät tarkoituksellisesti tulonhankintaorganisaatioon, jotta järjestelmämme, datamme ja työnkulkumme vastaisivat sitä, miten asiakkaat ostavat, ottavat tuotteemme käyttöön ja kasvavat kanssamme, sen sijaan että niitä optimoitaisiin erillisissä siiloissa.

Palvelemme yritysasiakkaita maailmanlaajuisesti, ja vahvin keskittymisemme on AMER- ja EMEA-alueilla. Markkinoillemenostrategiamme keskittyy sekä uusien asiakkaiden hankintaan että nykyisen asiakaskannan laajentamiseen, ja laajennamme aktiivisesti uusiin käyttötapauksiin ja ostajapersooniin Muralin perinteisen jalanjäljen ulkopuolelle.

Minulle tärkeintä on, että tulonhankintaorganisaatio toimii yhtenä yhtenäisenä moottorina. Uuden liiketoiminnan, asiakaspysyvyyden ja laajentumisen ei pidä toimia erillisinä tavoitteina. Tehtäväni on varmistaa, että toimintamalli heijastaa tätä ja että organisaation jokainen osa ensimmäisestä myyntikeskustelusta pitkäaikaiseen asiakasarvoon vetää samaan suuntaan.

Miksi tekoäly on lahja CRO:ille

Olen aina uskonut prosesseihin: ennusteiden tarkkuuteen, myyntiputken kurinalaisuuteen ja johtavien mittareiden ymmärtämiseen. Tekoäly tehostaa nyt kaikkea sitä, minkä ympärille olen rakentanut johtamisfilosofiani.

Tiimit, jotka aiemmin tarkastelivat myyntiputkea manuaalisesti ja tekivät päätöksiä vaistonvaraisesti, voivat nyt saada signaaleja nopeammin, toimia varmemmin ja valmentaa täsmällisemmin. CRO:lle se ei ole uhka vaan lahja.

Tässä hetkessä menestyvät johtajat eivät pelkää tekoälyä. En ole koskaan pelännyt epäonnistumista, enkä pelkää tätä. Muralilla keskityn rakentamaan tulonhankintamoottoria, jossa tekoäly vahvistaa sitä, mitä erinomaiset ihmiset jo tekevät, eikä korvaa harkintakykyä, ihmissuhteita tai rakentamaamme kulttuuria. Tässä on nyt tehtävämme, enkä voisi olla siihen sitoutuneempi.

Miten tekoäly voi suunnitella arvokkaan tulonhankintatyön uudelleen

Käytin tekoälyä suunnitellakseni uudelleen sen, miten arvokasta tulonhankintatyötä tehdään, erityisesti asiakastutkimuksen, näkökulmien luomisen ja viestinnän osalta.

Tämä työ liittyy tulonhankintaan läheisemmin kuin ihmiset joskus ymmärtävät. Se vaikuttaa siihen, miten hyvin tiimi kohtaa asiakkaat, miten relevanttia yhteydenotto on ja miten johdonmukaisesti organisaatio tuo arvon esiin. Historiallisesti työ on ollut myös liian manuaalista, liian epätasaista ja liian riippuvaista yksilön panoksesta. Parhaat myyjät tekevät sen hyvin. Muut tekevät jotain yleisluontoisempaa. Tämä aiheuttaa laatuongelman, ei vain tuottavuusongelmaa.

Uudet työnkulkuni ovat räätälöityjä GPT:itä, jotka on rakennettu tiettyihin kaupallisiin käyttötapauksiin. Ne eivät ole yleisiä tekoälysovelluksia, joita käytetään laajasti, vaan työkaluja, jotka on suunniteltu sen ympärille, miten ajattelemme asiakkuuksista, miten tuomme arvon esiin ja miltä vahva kaupallinen lopputulos näyttää meidän toimintaympäristössämme.

Täsmällisyys luo vipuvaikutusta. Yleiset työkalut tuottavat yleisluontoisia tuloksia.

Selkein esimerkki on asiakastutkimuksen ja yhteydenottojen valmistelun työnkulkumme. Myyjä syöttää asiakkuuden, olennaisen taustatiedon ja tavoitteen. Työnkulku tuottaa jäsennellyn näkymän asiakkuuteen: mitä liiketoiminnassa todennäköisesti tapahtuu, missä prioriteetit ja kipukohdat ovat, millä signaaleilla on merkitystä ja miten arvomme kannattaa asemoida juuri kyseisessä tilanteessa.

Tekoäly asiakastutkimuksessa ja yhteydenottojen valmistelussa

Myyjä saa mukaansa asiakkaan ympärille rakennetun aidon näkökulman kierrätetyn mallipohjan sijaan. Työ, joka aiemmin vei 10–30 minuuttia, vie nyt lähes kolme minuuttia laadun kärsimättä. Lisäksi laatu on koko tiimissä johdonmukaisempaa riippumatta siitä, kuka työnkulun suorittaa.

Tekoäly ennustamisen työnkuluissa

Toinen esimerkki on Ennustekeskus, mukautettu GPT, jonka rakensin muuttaakseni tapaa, jolla johtajat valmistautuvat ennustekeskusteluihin ja käyvät niitä. Se ratkaisee ongelman, jossa useimmat ennustepuhelut muuttuvat tilanteiksi, joissa johtajat lukevat datan huoneessa oleville sen sijaan, että ohjaisivat strategiaa sen avulla. Ennustekeskus ottaa käsiteltäväkseen liiketoiminnan päivittäiseen johtamiseen liittyvää dataa, myyntiputken tietoja ja asiakkuuksien terveystietoja sekä auttaa johtajia muuttamaan ne selkeäksi narratiiviksi ja perustelluksi näkemykseksi jo ennen puheluun liittymistä.

Sisäinen standardimme on yksinkertainen: jos teksti kuulostaa siltä, että GPT on tehnyt yhteenvedon laskentataulukosta, työ ei ole valmis. Sen pitäisi kuulostaa siltä, että kyseessä on kotiläksynsä tehnyt CRO, joka on valmis johtamaan liiketoimintaa.

Tulokset

Molemmissa töissä ratkaisevaa ei ole malli. Ratkaisevaa on työnkulun suunnittelu, sisäänrakennettu konteksti ja se taso, jota edellytämme hyvältä tuotokselta. Myyjä ja johtaja vastaavat edelleen harkinnasta. Tekoäly poistaa valmisteluun liittyvää kitkaa, jotta he voivat toimia aiempaa terävämmin, nopeammin ja johdonmukaisemmin.

Olemme vielä alkuvaiheessa, joten varoitan tekemästä liian pitkälle meneviä johtopäätöksiä vaikutuksista myöhempään liikevaihtoon. Näissä työnkuluissa ja monissa muissa olemme kuitenkin jo parantaneet nopeutta ja reagointikykyä koko organisaatiossa tinkimättä laadusta. Tiimit pääsevät nopeammin lähemmäs asiakkaita, koska niiden ei enää tarvitse odottaa kokousta tai pitkää manuaalista prosessia tutkiakseen asiakkuutta, muodostaakseen kontekstin ja rakentaakseen näkemyksen. Tämä on parantanut valmistautumista, lisännyt asiakkaille suunnatun työn johdonmukaisuutta ja tehnyt tulosorganisaatiosta tehokkaamman asiakkuuksien kanssa toimimisessa.

Miksi uusinnat tarvitsevat tekoälyuudistuksen

Myös uusinnat tarvitsevat uudistamista.

Useimmat tulosorganisaatiot käsittelevät uusintoja edelleen reaktiivisesti. Tiimit havahtuvat asiaan päivämäärän lähestyessä, tarkistavat terveystiedon ja yrittävät kiireessä varmistaa, että oikeat suhteet on huomioitu.

Siinä vaiheessa, kun tiimit tekevät tämän työn, ne ovat kuitenkin jo jäljessä. Uusintojen analysointi pitäisi mielestäni suunnitella jatkuvaksi työnkuluksi neljännesvuosittaisen kriisiharjoituksen sijaan. Tekoäly sopii tähän hyvin, koska se voi tuoda esiin riskisignaaleja, ilmoittaa kattavuuspuutteista ja auttaa johtajia muodostamaan näkemyksen siitä, missä toimia ennen kuin aikaikkuna sulkeutuu.

Miksi tekoälyn suurin mahdollisuus ei ole sitä, mitä odottaisit

Muista kuitenkin, että tekoälyn suurin mahdollisuus ei ole yksittäisten kitkakohtien korjaaminen. Se on koko työnkulun uudelleenajattelu.

Alkuvaiheessa keskityin luultavasti liikaa välittömien ongelmien ratkaisemiseen. Se loi arvoa, mutta oli joissakin tapauksissa enemmän asteittaista kuin mullistavaa.

Jos olisin ymmärtänyt tämän aiemmin, olisin käyttänyt vähemmän aikaa yksittäisten tehtävien optimointiin ja enemmän aikaa arvokkaimpien työnkulkujen uudelleensuunnitteluun alusta loppuun yhdistäen ne selkeästi GTM-prioriteetteihin ja mitattaviin liiketoimintavaikutuksiin heti alusta lähtien.

Se olisi auttanut minua välttämään pirstaleista kokeilua. Se voi johtaa hyödyllisiin työkaluihin, jotka eivät kuitenkaan yhdessä muodosta todellista strategista vipuvaikutusta.

Opetus on, että tekoäly luo eniten arvoa silloin, kun se liittyy siihen, miten liiketoiminta tuottaa liikevaihtoa – ei vain siihen, missä ihmiset kokevat hetkellistä kipua.

Bill kertoo

Tekoälyn suurin mahdollisuus ei ole yksittäisten kitkakohtien korjaaminen. Se on koko työnkulun uudelleenajattelu.

Missä tekoäly auttaa tulotehtävissä

Hyödynnän tekoälyä eniten alueilla, joilla parempi synteesi ja nopeampi valmistautuminen luovat todellista vipuvaikutusta, kuten asiakkuuksien tutkimisessa, näkemyksen muodostamisessa, viestinnässä ja laajoista tietomääristä löytyvien mallien tunnistamisessa. Se on erinomainen syötteiden käsittelyssä, ajattelun jäsentämisessä ja toteutuksen laadun sekä johdonmukaisuuden parantamisessa koko organisaatiossa.

Ihmiset tulevat mukaan silloin, kun tarvitaan todellista harkintaa ja vastuunkantoa: ennustamisessa, hinnoittelussa, myyntiputken lopullisissa päätöksissä, aluepäätöksissä sekä merkittävissä asiakasriskiä tai investointeja koskevissa päätöksissä. Tekoäly voi tukea näitä keskusteluja, mutta se ei korvaa johtamisen harkintaa.

Syy on suoraviivainen. Haluan tekoälyn auttavan meitä ajattelemaan paremmin ja etenemään nopeammin, enkä halua sen tekevän päätöksiä tilanteissa, joissa vivahteilla, kontekstilla ja vastuunkannolla on suurin merkitys. Liikevaihto-organisaatiossa nopeus on tärkeää, mutta harkinta on edelleen erottava tekijä.

Tulojohtajien on pidettävä tekoälyhöttö tarkasti silmällä

Joskus tekoäly tuottaa enemmän sisältöä paremman sisällön sijaan. Selkein esimerkki tästä on tekoälyhöttö: geneerinen yhteydenotto, geneerinen viestintä, geneeriset näkemykset ja suuri määrä toimintaa, joka näyttää tuottavalta mutta ei paranna kaupallista laatua. Näissä tapauksissa tekoäly luo vipuvaikutuksen sijaan kohinaa.

Olen myös nähnyt tekoälyä käytettävän liikaa alueilla, joilla harkinta, konteksti ja vivahteet ovat nopeutta tärkeämpiä. Jos lähtötiedot ovat heikot tai vaatimustaso matala, tekoäly ei korjaa sitä. Se voimistaa ongelmaa.

Ongelma ei niinkään ole itse teknologiassa, vaan siinä, kuinka helposti ihmiset voivat sekoittaa määrän arvoon. Se on toimintamalli, jota seuraan tarkimmin, koska se johtaa luottamuksen rapautumiseen.

Käsittelen tätä asettamalla koko organisaatiolle selkeän standardin, näyttämällä esimerkkiä ja laajentamalla käyttöön kurinalaisuuden, jota käytin omien työnkulkujeni rakentamiseen. Tämä tarkoittaa sen vahvistamista, että tekoälyn tulee terävöittää ajattelua, ei korvata sitä, ja että kontekstilla, iteroinnilla ja harkinnalla on edelleen merkitystä.

Tämä erottaa liikevaihtotiimit, jotka saavat tekoälystä todellista vipuvaikutusta, niistä, jotka vain luovat lisää kohinaa.

Miksi skaalaus ei aina tarkoita laadusta tinkimistä

Ajattelin, että skaalaukseen liittyi aina laadusta tinkiminen. Markkinoilletulotoiminnassa automaatio on perinteisesti tarkoittanut suurempaa tuotosta, mutta yleensä relevanssin, harkinnan ja laadun kustannuksella.

Tekoäly muutti oletukseni siitä, että tämä kompromissi on väistämätön. Oikein käytettynä ja oikean kontekstin, työnkulun suunnittelun sekä standardien tukemana tekoäly voi lisätä nopeutta ja skaalautuvuutta ilman, että vaatimustasoa täytyy automaattisesti laskea.

Paras esimerkki tästä ovat aiemmin jakamani asiakastilien tutkimiseen ja valmistautumiseen liittyvät työnkulut. Se ei tapahdu oletusarvoisesti, mutta se on mahdollista. Tämä merkitsee huomattavaa muutosta verrattuna siihen, miten useimmat meistä ovat kokeneet automaation liikevaihto-organisaatioissa.

Miksi laadukas data on avain onnistuneeseen tekoälyn käyttöönottoon

Laadukas data on tärkeämpää kuin työkalut. Jos data on puutteellista, epäjohdonmukaista tai vaikeasti luotettavaa, tekoäly ei ratkaise ongelmaa. Se voimistaa sitä.

Saatat saada nopeampia tuloksia, mutta et parempia tuloksia. Tämä on ollut yksi suurimmista opetuksista minulle.

Onnistunut tekoälyn käyttöönotto ei tarkoita vain oikean mallin saatavuutta. Kyse on dataperustasta, toimintakurista ja luottamuksesta lähtötietoihin, jotta mallia voidaan käyttää tehokkaasti. Työkalut ovat tärkeitä, mutta laadukas data tekee kaikesta tästä todellista.

Miten CRO:iden tulisi suhtautua tekoälypohjaisiin muutoksiin

Neuvon CRO:ita käyttämään tekoälyä ajattelun terävöittämiseen, toteutuksen parantamiseen ja harkinnan skaalaamiseen, ei liiketoiminnan hukuttamiseen yhä suurempaan tuotokseen.

Aloita alueilta, joilla nopeus ja tiedon yhdistäminen luovat todellista vipuvaikutusta: asiakastilien tutkimuksesta, näkemysten luomisesta, viestinnästä ja mallien tunnistamisesta koko liikevaihtokoneistossa. Määrittele selkeästi, mihin tekoälyn tulisi vaikuttaa ja minkä tulisi säilyä ihmisten vastuulla. Aseta myös korkea vaatimustaso heti alussa; muuten ihmiset tyytyvät oletusarvoisesti geneeriseen tuotokseen, joka näyttää tuottavalta mutta ei paranna kaupallista laatua.

Eniten hyötyvät johtajat eivät ole niitä, jotka väittävät ratkaisseensa kaiken. He ovat niitä, jotka suhtautuvat asiaan vakavasti, soveltavat sitä harkiten ja nostavat jatkuvasti rimaa sen suhteen, mitä tekoäly saa aikaan liiketoiminnassa.

Seuraa mukana

Voit seurata Bill Dwoinenin työtä LinkedInissä.

Lisää asiantuntijahaastatteluja on tulossa The CRO Clubissa!