Il CRO nativo dell’IA analizza il suo workflow AI più ad alto impatto (E dove l’IA non conviene)
Scopri come un CRO nativo dell’IA utilizza workflow guidati dall’intelligenza per migliorare la qualità della pipeline, ridurre i tempi di ricerca e aiutare i team di revenue a concentrarsi sul contesto invece che sull’attività.
Visione sulle Entrate: Dhiraj Khare sottolinea la necessità del giudizio umano nelle decisioni sui ricavi, anche con il supporto dell’IA.
Coinvolgimento AI: Passare a un coinvolgimento guidato dall’intelligenza migliora la qualità della pipeline e la comprensione del contesto degli account.
Efficienza Operativa: Matters.AI si concentra sulla riduzione degli ostacoli operativi e sull’aumento della densità di segnali per stimolare un coinvolgimento efficace.
Cambiamento Culturale: L’IA promuove il pensiero analitico nei team di revenue, spostando le conversazioni da opinioni a dati concreti.
Evoluzione delle Competenze: I professionisti moderni delle entrate devono sviluppare competenze analitiche, narrative e di alfabetizzazione all’IA per avere successo.
Dhiraj Khare è un CRO con un background e una mentalità tecnica. Attualmente sta riprogettando i processi di revenue presso l’azienda di cybersecurity AI-native, Matters.AI.
Abbiamo incontrato Dhiraj per scoprire quali workflow basati sull’AI stanno dando risultati e quali no. Ecco cosa ci ha raccontato.
Il revenue dal punto di vista di un ingegnere
Sono Dhiraj Khare, CRO di Matters.AI, un’azienda AI-native di cybersecurity focalizzata sui dati enterprise. Ho iniziato nello sviluppo software prima di entrare nelle vendite enterprise, e questo ha plasmato il mio modo di pensare al revenue. Le persone tecniche sono abituate a restare sul problema fino a comprenderlo davvero; i team di vendita spesso sono addestrati a procedere prima ancora di capire. Io non mi sono mai adattato del tutto a questo secondo modello.
Want more from The CRO Club?
Create a free account to continue reading and join modern revenue leaders using proven playbooks, peer insights, and AI-driven strategies to build predictable pipeline and scalable growth.
La mia carriera è passata per aziende come MongoDB, SentinelOne e PingSafe. Aziende diverse, fasi diverse, ma la stessa dinamica di fondo. I team di cybersecurity già lavoravano alla velocità delle macchine, i team di revenue no.
La cybersecurity disponeva di intelligence in tempo reale, analisi comportamentale e sistemi di risposta automatizzati. I team GTM erano ancora sommersi da fogli Excel, strumenti scollegati, ricerche manuali e revisioni di pipeline basate su ottimismo travestito da previsione.
Questa disconnessione mi è rimasta impressa. Molte persone inquadrano l’AI nel revenue come una questione di produttività. Email più veloci. Più outbound. Più sequenze. Secondo me, questo è un punto di vista fuorviante.
Il vero problema nel GTM moderno non è la mancanza di attività, ma troppa confusione. La maggior parte dell’outbound di oggi è spam costoso a livello operativo che si finge personalizzazione. Gli acquirenti lo capiscono subito. Ora tutti hanno la stessa automazione, quindi il volume ha smesso di essere da tempo un reale vantaggio.
Ciò che conta è il contesto. Perché questo account? Perché adesso? Cosa è cambiato all’interno dell’azienda che rende questa conversazione rilevante oggi invece che sei mesi fa?
Questo mi ha spinto verso una leadership del revenue guidata dall’AI. Da Matters.AI, stiamo costruendo un’organizzazione GTM guidata dall’intelligenza in cui l’AI aiuta a comprimere la ricerca, connettere segnali frammentati, individuare indicatori di tempismo e ridurre gli attriti operativi affinché i team possano dedicare più tempo a pensare con lucidità e interagire in modo intelligente.
I pensieri di Dhiraj
Ora tutti hanno la stessa automazione, quindi il volume ha smesso di essere da tempo un reale vantaggio…Ciò che conta è il contesto. Perché questo account? Perché adesso? Cosa è cambiato all’interno dell’azienda che rende questa conversazione rilevante oggi invece che sei mesi fa?
L’organizzazione GTM di Matters.AI è volutamente snella. Operiamo in ambito enterprise sales, outbound strategico, partnership, solution engineering e workflow assistiti dall’AI, ma la filosofia alla base di tutto è semplice: far crescere prima l’intelligenza e solo dopo il personale.
Molte aziende cercano ancora di forzare la crescita aumentando il volume delle attività. Più SDR, più sequenze, più contatti. Noi abbiamo scelto quasi l’approccio opposto.
A noi interessa più la densità dei segnali che quella delle attività. Ci concentriamo sul comprendere dove esiste davvero urgenza, dove il tempismo è reale e dove il contesto del cliente giustifica l’ingaggio.
La maggior parte del nostro lavoro oggi si concentra attorno a governance dell’AI, sicurezza dei dati, preparazione alla compliance e gestione dei rischi enterprise in settori come BFSI, SaaS, tecnologia e industrie regolamentate.
Perché l’AI non può sostituire il giudizio sulle revenue
Uso l’AI per definire le priorità degli account, mappare gli stakeholder, valutare le trattative, analizzare gli ingaggi, supportare le previsioni, individuare segnali di abbandono e analizzare i rischi di pipeline.
Le macchine sono molto più efficienti degli umani nell’elaborare segnali operativi frammentati su larga scala. Questo è ormai evidente.
Ma le decisioni che coinvolgono l’allineamento con i dirigenti, la negoziazione e la fiducia rimangono umane. Il giudizio strategico resta decisamente umano.
Le scelte di acquisto di cybersecurity enterprise sono emotive, nonostante tutti i fogli Excel e i workflow di procurement dietro cui si cerca di nascondersi. Una trattativa può sembrare sana a livello operativo, mentre la fiducia si sta sgretolando silenziosamente dentro l’account.
L’AI fatica ancora su questo piano. Quindi non vedo l’AI come sostituto del giudizio sulle revenue, piuttosto uno strumento per ridurre la cecità operativa.
Come l'IA consente un coinvolgimento guidato dall'intelligenza
Il cambiamento più grande che ho apportato è stato abbandonare l'outbound guidato dall'attività a favore di un coinvolgimento guidato dall'intelligenza.
In precedenza, l'outbound era simile a quello che molte organizzazioni fanno ancora oggi: un mix di lunghe liste di account, sequenze statiche, ricerca manuale, modelli di personalizzazione generici e molto lavoro sprecato che fingeva precisione.
Abbiamo costruito un flusso di lavoro di prioritizzazione degli account assistito dall'IA che ha compresso ore di ricerca in pochi minuti.
Ora, l'IA aggrega continuamente segnali relativi ad attività di assunzione, cambiamenti nella postura della sicurezza, adozione del cloud, pressioni di conformità, movimenti esecutivi, modelli di finanziamento, cambiamenti organizzativi e indicatori di adozione tecnologica.
Poi sintetizza questi segnali in narrazioni contestuali sugli account. Questo passaggio è importante perché i segnali grezzi da soli non servono a nulla. I venditori non hanno bisogno di altre dashboard; hanno bisogno di una comprensione più chiara.
Una volta che il contesto emerge, il venditore lo valida manualmente, ne testa la rilevanza, personalizza il coinvolgimento e decide se il momento giustifica davvero l’attività. Dopo gli incontri, l'IA assiste con la sintesi, l’estrazione di azioni da intraprendere, l’analisi delle parti interessate, il tracciamento del coinvolgimento e il monitoraggio dei rischi durante il ciclo di trattativa.
Il punto non è automatizzare il contatto. È capire se l’account merita realmente attenzione in primo luogo. Questo ha cambiato immediatamente la qualità del pipeline.
Le conversazioni sono diventate più mirate. I cicli di scoperta si sono accorciati. Il coinvolgimento esecutivo è migliorato perché l’outreach era basato sul contesto invece che su una personalizzazione artificiale.
Come l'IA cambia la cultura
I vantaggi dell’IA sono stati chiari abbastanza rapidamente, e ne ho già menzionati molti.
Tuttavia, il cambiamento più profondo è stato culturale. Le persone hanno iniziato a ragionare in modo più analitico sull’esecuzione dei ricavi. Le conversazioni sono diventate meno guidate dalle opinioni e più guidate dalle prove. Questo cambiamento è più significativo della maggior parte delle discussioni sui tool che vediamo attualmente sul mercato.
Il rischio è che l’IA possa generare una falsa sicurezza molto facilmente. Questo aspetto viene spesso sottovalutato.
Spesso, i risultati prodotti dall’IA suonano abbastanza raffinati da sembrare affidabili anche quando le ipotesi di base sono deboli o incomplete. I leader devono ricordare che l’IA è probabilistica, non onnisciente. Il giudizio resta importante. L’esperienza degli operatori resta importante.
Sotto molti aspetti, il pensiero critico diventa ancora più importante in un ambiente nativo IA.
Le risposte dell’IA spesso suonano abbastanza raffinate da sembrare affidabili anche quando le ipotesi di base sono deboli o incomplete. I leader devono ricordare che l’IA è probabilistica, non onnisciente. Il giudizio resta importante. L’esperienza degli operatori resta importante.
Perché la personalizzazione tramite IA non raggiunge i risultati attesi
La personalizzazione generata dall'IA ha avuto risultati pessimi all’inizio. Non perché la tecnologia fosse debole, ma perché gli acquirenti sono diventati incredibilmente abili a riconoscere una pertinenza finta. Oggi la maggior parte delle attività outbound generate da IA suonano raffinate ma emotivamente vuote. Imitano la struttura della personalizzazione senza comprendere abbastanza profondamente il cliente per dire qualcosa di utile.
C’è differenza tra inserire un contesto e dimostrare comprensione. E la maggior parte dei sistemi di IA lotta ancora con questa distinzione. Abbiamo imparato rapidamente che la personalizzazione sintetica non è la stessa cosa dell’insight reale.
La cosa ironica è che, man mano che l’outreach generato da IA aumenta di scala, l’autenticità diventa ancora più preziosa, non meno.
Perché l'IA non può eliminare l'ambiguità dalle previsioni
Con l'IA, le nostre previsioni sono diventate più rigorose. Ma voglio essere prudente e non esagerare su questo punto, perché le previsioni aziendali sono per natura ancora complesse e poco lineari.
Le trattative aziendali si muovono per ragioni che raramente vengono catturate in modo ordinato nei sistemi strutturati. I tempi di budget cambiano. I referenti interni perdono influenza. Le priorità dell’esecutivo si spostano in silenzio. Gli ostacoli negli acquisti emergono tardi. Gli allineamenti politici si rompono sotto la superficie.
L'IA fatica con quegli strati invisibili. Puoi avere metriche di engagement forti, riunioni attive, tassi di risposta sani e una partecipazione degli stakeholder positiva, mentre l'accordo sta già andando alla deriva internamente.
L'IA migliora la visibilità. Non elimina magicamente l'incertezza.
Pensieri di Dhiraj
L’ironia è che mentre la comunicazione generata dall’IA scala, l’autenticità diventa più preziosa, non meno…L’IA migliora la visibilità. Non elimina magicamente l’incertezza.
Come stanno cambiando le competenze nel settore del revenue
L'IA automatizza sempre più il lavoro operativo ripetitivo, quindi un professionista moderno del settore sales ha bisogno di un profilo di competenze molto diverso. Ora diamo grande priorità al pensiero analitico, al racconto contestuale, al pensiero sistemico, alla comunicazione a livello executive, all'adattabilità e alla padronanza nell'uso dell'IA molto più di prima.
I migliori venditori oggi diventano orchestratori di intelligenza. Sanno come validare segnali, sintetizzare il contesto, fare domande migliori e costruire velocemente fiducia strategica.
La vendita basata solo sulle attività sta diventando una commodity. La vera differenziazione umana si sposta verso il giudizio, la creatività e la chiarezza narrativa.
Perché l'IA deve essere vista come un cambiamento di modello operativo
Il mio consiglio è di trattare l'IA come uno shift del modello operativo, non solo come un aggiornamento degli strumenti.
Questo è l'errore che molte organizzazioni stanno facendo in questo momento. Stanno stratificando l'IA su workflow già difettosi e chiamano tutto ciò trasformazione. Di solito, questo genera solo confusione più rapida.
Se il tuo posizionamento è debole, la disciplina nel CRM è inconsistente, i workflow sono frammentati, o la conoscenza del cliente è superficiale, l'IA amplifica il caos. Non ti salva da esso.
Le aziende che traggono più vantaggi dall'IA sono generalmente quelle che già operano con fondamenta solide.
Dove dovrebbero partire i team revenue con l'IA
Inizia dagli attriti operativi e dai colli di bottiglia: sovraccarico di ricerca. Ispezione del pipeline. Recupero delle conoscenze. Visibilità delle previsioni. Prioritizzazione degli account. Frammentazione del CRM.
Questi sono veri problemi operativi che vale la pena risolvere. Dedicherei anche molto più tempo all'alfabetizzazione sull'IA di quanto facciano attualmente la maggior parte delle aziende. La parte tecnica di solito è la più semplice. Quella più difficile è aiutare i team a ripensare al loro modo di lavorare senza farli sentire rimpiazzati.
