La VP RevOps SaaS afferma che la dispersione degli strumenti AI è il costo nascosto che nessuno sta misurando

Mollie Bodensteiner è VP delle Revenue Operations presso ZoomInfo, un'azienda SaaS quotata che serve clienti enterprise a livello globale. È anche la creatrice di The RevTech Review.

Abbiamo incontrato Mollie per capire come sta rivoluzionando la valutazione delle trattative e i flussi di lavoro di previsione con l’AI. Ecco cosa ci ha raccontato.

L’AI mette alla prova se le fondamenta dei tuoi dati e processi possono reggere

Guido le Revenue Operations in un’azienda SaaS pubblica, di scala enterprise, che serve clienti mid-market ed enterprise in tutto il mondo. Il nostro modello federato copre pipeline ops, sales ops, CX ops, partnership ops e sistemi GTM, a supporto di un'organizzazione go-to-market complessa e multimodale.

Gestiamo un modello SaaS in abbonamento influenzato dall’utilizzo, con un go-to-market multimodale: nuovo business, espansione e rinnovi in segmenti self-service, mid-market ed enterprise. Il mio team RevOps è composto da circa 20 persone che supportano l’intera organizzazione GTM.

Ho un background di oltre 15 anni in ambito go-to-market: RevOps, sistemi, compensi, automazione, pianificazione di territori e quote, architettura dei dati e ingegneria. Ho costruito e scalato queste funzioni all’interno di diversi unicorni in iper-crescita, quelle aziende dove il business si muove più velocemente dei sistemi che dovrebbero sostenerlo.

Quella ricostruzione costante ha plasmato il mio modo di pensare. Ogni volta che un’azienda raddoppiava le dimensioni, i sistemi che funzionavano ieri smettevano di funzionare oggi. Ho imparato a progettare per la scala prima che fosse la scala a pretenderlo.

Questo è il percorso che mi ha portato a questo momento nella leadership dei ricavi: non inseguire l’AI come una moda, ma vederla come la prossima verifica della solidità delle proprie fondamenta.

Le riflessioni di Mollie

Quella ricostruzione costante è ciò che ha plasmato il mio modo di pensare… non inseguire l’AI come una moda, ma vederla come la prossima verifica della solidità delle proprie fondamenta.

Come i flussi di lavoro basati sull’AI migliorano la valutazione delle trattative e le previsioni

Il RevOps ha costruito intere carriere sull’assunto che il CRM sia il sistema di riferimento. Se non è su Salesforce, non è mai successo, e la previsione è valida solo quanto ciò che viene digitato dentro.

L’AI ha infranto tutto questo per me. Il CRM non è mai stato la fonte di verità. È sempre stato ciò che un commerciale aveva tempo di documentare, filtrato da ciò che ricordava, da ciò che considerava importante e da ciò che non voleva ammettere. Il vero segnale è sempre stato da un’altra parte: nella chiamata, nella mail, in come rispondeva il cliente rispetto a come lo scriveva il commerciale.

Così abbiamo cambiato ciò che chiediamo ai commerciali. Abbiamo smesso di chiedere loro di annotare manualmente note e aggiornare campi che un agente ora può dedurre dalla chiamata stessa. Il loro compito è passato dall’inserimento dati alla vendita, e dal difendere il proprio stage e data di chiusura all’interagire concretamente con ciò che i dati stavano mostrando loro.

È cambiato anche il processo di previsione. Invece di partire da ciò che un commerciale scrive e lavorare a ritroso per validarlo, partiamo dall’intero set di segnali e controlliamo il CRM come un input tra tutti gli altri.

Una volta che puoi riunire tutto questo in un unico livello contestuale, il CRM smette di essere il sistema di riferimento e diventa solo uno degli input. Il sistema di riferimento è ora la visione completa, non il campo che un commerciale ha compilato mentre correva verso la prossima chiamata.

Un agente reale di valutazione delle trattative

Abbiamo costruito un agente che esamina le opportunità mentre avanzano nella pipeline, raccogliendo sia segnali di prima parte — attività CRM, note delle chiamate, email — sia di terza parte — dati di intent, ricerche dei comitati d’acquisto e contesto di mercato.

Attribuisce un punteggio alla salute della trattativa basandosi su sentiment ed engagement effettivi, non solo sul completamento dei campi di metodologia. Una trattativa può soddisfare tutti i criteri MEDDPICC ed essere comunque in raffreddamento. Può mancare un campo e comunque essere calda.

Il modello guarda oltre i campi compilati per capire cosa succede nella conversazione. I decisori stanno partecipando alle chiamate o il commerciale parla ancora solo con un champion che non può firmare? Che tipo di obiezioni o domande emergono? Sono tattiche e previste, o segnali che il cliente sta ripensando la decisione? Il tono si scalda o si raffredda col tempo? La data di chiusura è realistica o è una data che il commerciale spera sia vera, contrapposta a una confermata dal cliente?

L’ultima di queste vale più di quanto si pensi. Esiste un vero divario tra ciò che si dice in una chiamata e ciò che il commerciale ascolta e annota, e rappresenta uno dei nostri segnali di rischio più potenti. Il modello coglie questo divario, confrontando i trascritti delle chiamate e le note con quello che è stato inserito nel CRM.

Il modello monitora anche la reattività nel tempo, non come istantanea. Un cliente che rispondeva velocemente un mese fa e ora tace da due settimane, viene interpretato in modo molto diverso rispetto a una trattativa che è stata costante per tutto il tempo.

Tutto ciò si traduce in una categoria di rischio che pesa l'affare nella previsione. Un affare con l’acquirente giusto coinvolto, vera urgenza e una data di chiusura difendibile ha un peso reale. Un affare in cui solo il commerciale è ottimista sui tempi viene scontato, a prescindere dalla fase.

Questa è la svolta: la ponderazione della pipeline rifletteva la fase di avanzamento di un affare. Ora, riflette ciò che realmente sta accadendo.

Come l'affidamento all'IA crea punti ciechi

Quando un agente attribuisce un punteggio a un affare, segnala un rischio o raccomanda il prossimo passo, i commerciali tendono a seguirlo facilmente senza chiedersi se sia la scelta giusta per quel particolare acquirente.

Il rischio non è che l’IA sbagli a volte. È che i commerciali smettono di verificare. Delegano il pensiero, non solo il compito, e non te ne accorgi finché un affare fidato da tutti per via del punteggio non crolla per una ragione che il modello non avrebbe mai individuato.

È questo l’aspetto che la maggior parte dei leader sottovaluta. L’IA dovrebbe affinare il giudizio, non sostituirlo. Se i tuoi commerciali non sanno spiegare perché un affare è sano oltre a “lo dice il modello”, hai semplicemente scambiato un punto cieco con un altro.

Come l’IA migliora i processi di ricavo

Ecco i risultati che sto vedendo in generale.

Il lato positivo: la varianza delle previsioni si è ridotta, il che ha migliorato la copertura della pipeline. Siamo andati oltre le analisi di base, arrivando a insight e intelligenza che indicano ai commerciali non solo cosa è successo ma anche cosa fare dopo. Abbiamo anche sviluppato messaggi e materiali di coinvolgimento più efficaci, supportati da un grafo contestuale che fornisce la giusta informazione al momento giusto per ogni interazione, invece di discorsi generici.

Il lato negativo: l’adozione dell’IA ha creato dispersione prima di generare veri vantaggi. Più strumenti significavano più posti dove i commerciali dovevano guardare e, per un periodo, questo ha diminuito la produttività invece di migliorarla. Abbiamo anche imparato che un agente costruito con dati sbagliati non fallisce silenziosamente. Fallisce con sicurezza, e sbagliare con sicurezza è peggio che non sapere.

Le conquiste sono state reali, ma si sono manifestate solo dopo aver sistemato le fondamenta. Ogni risultato che appariva come una vittoria dell’IA era in realtà un successo di dati e processi mascherato da IA.

Perché il costo della dispersione degli strumenti conta più degli strumenti stessi

Parliamo ancora di dispersione. Inizialmente, aggiungere più strumenti e funzionalità IA ha creato più complessità invece che ridurla. I commerciali avevano più ambienti da consultare, più sistemi che generavano segnali, più dashboard che pretendevano di indicare cosa fare dopo. Strumenti pensati per aumentare la leva hanno invece frammentato l'attenzione e rallentato l’esecuzione.

Così, abbiamo deliberatamente ristretto l’area in cui i commerciali lavorano. Invece di aggiungere un nuovo strumento ogni volta che risolvevamo un problema, ci siamo chiesti dove dovesse concentrarsi il commerciale ogni giorno, e abbiamo portato IA e insight su quella singola area anziché creare una nuova piattaforma.

Il risultato è stato che i commerciali hanno passato meno tempo a capire dove guardare e più tempo a eseguire. La produttività è aumentata non perché avessimo più IA, ma perché l’IA che avevamo era realmente usabile. La dispersione era il costo nascosto che nessuno misurava, e risolverlo è stato più importante di qualsiasi singolo strumento introdotto.

Perché l’IA dovrebbe solo fare raccomandazioni

L’IA può raccomandare cosa fare. Non può però essere responsabile dell’esito. Quando una decisione comporta conseguenze reali per una persona o una relazione, la responsabilità deve restare a un essere umano, non a un modello.

Così, l’IA informa le decisioni che traggono vantaggio dal riconoscimento di pattern su larga scala:

• Punteggio della pipeline
• Salute dell’affare
• Sintesi delle previsioni
• Segnali di rischio di abbandono

L’IA può elaborare più segnali di quanti un essere umano potrà mai tracciare, facendo emergere ciò che merita attenzione.

Il giudizio umano resta fondamentale per le decisioni che coinvolgono compromessi che i dati non possono racchiudere completamente. Ciò include:

• Decisioni su come gestire un rappresentante in difficoltà rispetto a un territorio in difficoltà
• Eccezioni di prezzo che tengono conto delle relazioni, non solo della matematica
• Progettazione del piano POMP dove gli incentivi influenzano i comportamenti in modi che i modelli non prevedono
• Decisioni sulle persone: chi è pronto per maggiori responsabilità, chi ha bisogno di supporto e chi rischia di andarsene rispetto a chi sta solo vivendo un trimestre difficile

I pensieri di Mollie

L’IA può raccomandare cosa fare. Non può essere responsabile del risultato. Quando una decisione ha conseguenze reali per una persona o una relazione, la responsabilità deve rimanere a una persona, non a un modello.

Perché i responsabili delle entrate devono chiedersi se "di più" sia davvero necessario

L'attività outbound di massa generata dall'IA è stata una delusione. La promessa era la scala: più email, più personalizzazione su larga scala, più pipeline. Ha prodotto solo rumore. Gli acquirenti percepiscono quando un messaggio è stato generato per tutti e personalizzato per nessuno, e i tassi di risposta lo dimostrano.

La lezione più ampia è che l'IA eccelle nel potenziare ciò che già funziona. Fatica invece a generare rilevanza dal nulla. Il volume non è mai stato il vincolo nell’outbound. Lo era la rilevanza. La rilevanza richiede ancora una decisione umana su chi conta e perché, prima che l’IA tocchi il messaggio.

Questo è lo schema che ora cerco. Quando utilizziamo l'IA per fare di più, mi chiedo se "di più" fosse davvero il problema. Di solito non lo era.

Perché le basi dei dati sono fondamentali nelle trasformazioni IA

L'IA non risolve una base dati difettosa; la mette in evidenza. Ogni CRO con cui parlo vuole iniziare dalla parte entusiasmante: l’agente, il copilota, lo strumento che promette di cambiare il comportamento dei rappresentanti da un giorno all'altro. Ma se i dati sottostanti sono frammentati o inaffidabili, l'IA automatizza solo la disfunzione in modo ancora più rapido e sicuro.

Alla fine, i CRO che ci rimettono non sono quelli che si sono mossi troppo lentamente. Sono quelli che hanno acquistato lo strumento prima di sistemare le basi, perdendo poi credibilità col loro team quando i risultati erano sbagliati e nessuno si è più fidato.

Quella fiducia è difficile da riconquistare una volta persa.

Come evitare che il perfezionismo comprometta l’implementazione dell’IA

Cercare di essere perfetti era l’istinto sbagliato. Ho passato troppo tempo, all’inizio, tentando di mappare ogni caso limite prima che qualcosa andasse online. Abbiamo passato settimane a costruire cose di cui nessuno aveva bisogno, e molto più tempo prima che i rappresentanti ci credessero davvero.

Ora selezioniamo un unico problema specifico, lo proponiamo a un piccolo gruppo di rappresentanti, e lasciamo che l’utilizzo ci indichi cosa costruire dopo.

Monitoriamo l’utilizzo reale, non i sondaggi di soddisfazione. I rappresentanti lo aprono? Mettono in pratica ciò che suggerisce? Tornano a usarlo? Questo ci insegna più in una settimana di quanto potrebbe fare qualsiasi sessione di pianificazione.

Se i rappresentanti non usano qualcosa, la eliminiamo subito. Anche se l’abbiamo già costruita. Il costo sommerso non è una ragione per tenerla.

E ci espandiamo a piccoli passi. Una volta che la versione più piccola funziona e i rappresentanti si fidano, allarghiamo il rilascio e aggiungiamo la successiva funzionalità, invece di lanciare subito l’intera visione.

In breve: muoviti velocemente, impara velocemente e scala solo ciò che davvero funziona.

Consigli per i responsabili delle entrate

Ecco il mio consiglio ai responsabili delle entrate:

• Sistematizza i tuoi dati prima di acquistare un altro strumento.
• Resisti alla pressione di adottare tutto subito. L’IA giusta, nel posto giusto, che i commerciali utilizzano davvero — questo è l’obiettivo.
• Astieniti dal giudicare. Il compito non è quello di automatizzare le decisioni al posto delle persone. Si tratta di fornire alle persone informazioni migliori, più velocemente, così che le decisioni che devono ancora prendere siano più mirate. Questa differenza è il punto fondamentale del lavoro in questo momento.

Segui gli aggiornamenti

Puoi seguire Mollie Bodensteiner su LinkedIn. E dai un’occhiata a The RevTech Review.

Altre interviste a esperti in arrivo su The CRO Club!