AI endrer hva kundene betaler for

Eliana Angelova er CRO hos Ison Xperiences, et selskap som arbeider med styring av kundeopplevelser, med 1 600 virtuelle agenter i produksjon.

Vi satte oss ned med henne for å lære hvordan AI endrer salg og prissetting. Her er det hun fortalte oss.

Fra salg av agentplasser til salg av resultater

Jeg heter Eliana Angelova og er inntektsdirektør hos Ison Xperiences, med base i Dubai.

Ison Xperiences er et selskap som arbeider med styring av kundeopplevelser og håndterer hele livssyklusen for kundeinteraksjoner. Med AI-verktøy som er tilgjengelige for alle, automatiserer vi omfattende internt. Vi har utviklet vår egen AI-teknologi. Det er ikke noe de fleste BPO-selskaper gjør; de fleste kjøper ferdige løsninger og setter sitt eget merkenavn på dem. Vi utviklet SenshAI, vår plattform for agentstøtte på tvers av kanaler. Vi utviklet også hAIve for forsikring, Three60 CRM for innfordring og iQumex for kvalitetssikring. Dette er ikke prototyper. De er i produksjon og kjører på 1 600 virtuelle agenter i dag. Dette danner grunnlaget for vårt hAI-rammeverk — menneske pluss AI.

Som CRO forteller de viktige tallene den virkelige historien om transformasjonen. For to år siden var inntektene fra virksomhet utenfor hjemmemarkedet ikke-eksisterende. I dag utgjør de omtrent 20 % av porteføljen vår. Vi gikk fra én leveringslokasjon utenfor hjemmemarkedet til sju. Vi håndterer over 50 millioner kundeinteraksjoner hver måned, i 25 land og på mer enn 60 språk. Dette handler ikke bare om skala; det er infrastrukturen som gjør oss relevante for globale bedriftskunder som trenger levering på flere språk, i flere tidssoner og knyttet til konkrete resultater.

Takket være AI kan vi konkurrere på den samme listen over aktuelle avtaler som selskaper som er ti ganger større enn oss.

Tre inntektssøyler

Inntektsorganisasjonen min har tre søyler: før-salg og løsningsutvikling, salg og implementering etter salget. Jeg strukturerte den bevisst på denne måten fordi komplekse B2B-utkontrakteringstjenester ikke avsluttes når avtalen er inngått—implementeringen bygger eller bryter ned tillit, og jeg ønsker at inntektsledelsen som ga løftet, skal være ansvarlig for å innfri det.

Salgsteamet vårt ledes geografisk. Vi dekker India og APAC, Kina, EMEA, Afrika og SA samt Tyskland, og vi utvider aktivt. For tiden har jeg fem ubesatte stillinger i markeder som er avgjørende for vekststrategien vår: to i USA, én i Kenya, én i Sør-Afrika og én i Midtøsten. Teamet er derfor under oppbygging.

Før-salg og løsningsutvikling ligger bevisst side om side med salg, i stedet for under salg. Avtalene vi går etter, er komplekse nok til at en løsningsarkitekt og en GTM-strateg må være med fra den første samtalen — ikke hentes inn først når tilbudet skal utarbeides. Denne funksjonen gjør det mulig for oss å selge resultater i stedet for agentplasser.

Fra et GTM-perspektiv går vi til markedet gjennom bransjevertikaler: telekom og teknologi, BFSI og fintech, netthandel og detaljhandel, medier, reiseliv og hotell- og restaurantvirksomhet. Dette er et bevisst valg fordi historien om AI-transformasjon er forskjellig i hver vertikal, og generiske presentasjoner vinner ikke bedriftsavtaler.

Vi er på vei fra å være en betydelig utfordrer til å bli en leder i Everest PEAK Matrix. Hver ansettelse, markedsinntreden og GTM-satsing vi gjør, har som mål å dokumentere denne utviklingen.

Hvordan AI kan endre den kommersielle modellen

AI endret hvordan vi priser. For tre år siden handlet den kommersielle standardsamtalen i BPO om agentplasser: Du trenger 200 agenter, her er prisliste og kostnaden for bemanningen. Kunden bar volumrisikoen, og leverandøren hadde ingen reell motivasjon til å redusere antall henvendelser. Flere henvendelser betydde flere agenter, og det betydde igjen høyere inntekter. Det er en ødelagt modell.

Da vi hadde nok AI i driften, kunne vi forutsi og styre resultater i stedet for bare å bemanne etter volum. I det øyeblikket du kan styre resultater, kan du prise basert på dem. Derfor gikk vi over til resultatbasert prising: knyttet til reduksjon i AHT, CSAT-poeng og løsning ved første kontakt. Kunden betaler nå for resultatet, ikke for antall ansatte.

Den kommersielle effekten av dette skiftet er betydelig i to retninger. For det første vinner vi nå flere avtaler, særlig med europeiske og amerikanske bedriftskunder som er sofistikerte nok til å forstå at en setebasert kontrakt bare er en administrert arbeidskostnad. Når vi kommer inn og sier «Vi priser etter resultater og tar ytelsesrisikoen», blir det en helt annen samtale. For det andre beholder vi kundene på en annen måte, fordi vi hele tiden forbedrer driften når vi er ansvarlige for resultatene, i stedet for bare å vedlikeholde den. Fornyelser blir langt mer robuste. Dette sikrer vedvarende inntekter på lang sikt.

Så hva ble bedre? Treffprosenten på bedriftsavtaler, kontraktslengdene, kvaliteten på kunderelasjonene og den interne disiplinen. Når inntektene dine er knyttet til kundens KPI-er, er hele organisasjonen samkjørt rundt det samme tallet. AI endret ikke bare produktet vårt. Det endret den kommersielle modellen vår.

En reell arbeidsflyt for kundeanskaffelse

I dag skal jeg gå gjennom arbeidsflyten vår for å skaffe nye kunder, fordi dette er arbeidsflyten som er mest transformert.

1. Det starter med valg av kontoer. Vi begynner ikke lenger med en områdeliste og kald oppsøkende kontakt. AI identifiserer målkontoer basert på egnethet ut fra selskapsdata, kjøpssignaler og samsvar med bransjen. Modellen finner kontoer som viser intensjonssignaler: endringer i ledelsen, kunngjøringer om ekspansjon og aktivitet knyttet til teknologianskaffelser. Teamet starter med en prioritert kortliste, ikke et tomt ark.
2. Derfra personaliserer vi den oppsøkende kontakten i stor skala. Når vi tar den første kontakten, vet vi allerede hvilke utfordringer kontoen sannsynligvis har, hvilken teknologistakk den bruker, og hvem de relevante interessentene er.
3. Når en konto kommer inn i salgspipelinen, oppdaterer vi kontinuerlig poengsummen basert på engasjement. Hvis en avtale stopper opp, varsler modellen oss. Teamet oppdager ikke en død avtale på slutten av kvartalet. De ser signalet tidlig og kan handle.
4. På tilbudsstadiet bruker forhåndssalgsteamet denne innsikten til å bygge en resultatbasert kommersiell modell: KPI-ene som er viktige for denne kunden, forpliktelsene i leveranseplattformen vår og optimal prissetting. Og alt er forankret i data, ikke intuisjon. Løsningsteamet arbeider med AI som har tilgang til alle tidligere avtaler vi har vunnet eller tapt, alle leveransemodeller vi har kjørt, alle prisstrukturer vi har brukt, og alle kunderesultater vi har forpliktet oss til.
5. Etter at avtalen er inngått, følger vi opp implementeringen etter salget opp mot KPI-ene vi forpliktet oss til. Hvis vi er på vei ut av kurs, ser vi det før kunden gjør det. Det er dette som gjør fornyelsen til en annen type samtale.

AI er ikke magi. Magien oppstår når du slutter å la informasjon leve i siloer.

Hvorfor inntektsledere må lære forskjellen mellom AI-verktøy og AI-løsninger

Eliana deler

Tidlig forvekslet vi AI-verktøy med AI-løsninger…De fleste organisasjoner begynner med verktøy og kaller det transformasjon. Vi gjorde det samme. Folk brukte AI til å utføre de eksisterende jobbene sine litt raskere, og vi tok feil av dette og strategisk fremgang.

Tidlig forvekslet vi AI-verktøy med AI-løsninger.

MIT publiserte forskning i år som beskriver dette presist. Et generativt AI-verktøy hjelper enkeltpersoner med å arbeide raskere ved å oppsummere notater, utarbeide e-poster og forberede seg til samtaler. En generativ AI-løsning integreres i en prosess, endrer hvordan arbeidet utføres og måler effekten på virksomhetsnivå.

De fleste organisasjoner begynner med verktøy og kaller det transformasjon. Vi gjorde det samme. Folk brukte AI til å utføre de eksisterende jobbene sine litt raskere, og vi tok feil av dette og strategisk fremgang.

Spørsmålet som ville ha spart oss for den tiden, er enkelt: «Endrer dette resultatet, eller bare hastigheten på inputen?» Hvis svaret bare er hastighet, er det et produktivitetsverktøy, ikke et forretningsinitiativ.

Begynn med forretningsresultatet du trenger å påvirke, og jobb bakover til AI-funksjonen som kan påvirke det. Ikke omvendt.

Avgrensningen mellom menneskelig arbeid og AI-arbeid

AI driver fire ting for oss akkurat nå:

• Leadgenerering: Identifisere de riktige målkontoene, avdekke kjøpssignaler og fylle toppen av salgstrakten slik at teamet ikke prospekterer i blinde.
• Prioritering av salgstrakten: Vurdere hvor tiden bør brukes, basert på egnethet og engasjement.
• Prognoser: Jeg tar ikke et tall med til styret med mindre modellen validerer det, fordi salgsledere av natur er optimistiske.
• Risiko for kundefrafall: Følge signaler på tvers av den eksisterende kundeporteføljen slik at vi kan komme et problem i forkjøpet før det blir en samtale.

Hva forblir menneskelig?

• Prissetting av komplekse avtaler: Den endelige avgjørelsen innebærer relasjonsdynamikk og strategisk skjønn som en modell ikke har.
• Forhandlinger: Alltid.
• Territorieplanlegging: Vi utvider i USA akkurat nå, og det var en strategisk beslutning, ikke en algoritme.
• Beslutninger om mennesker og ansettelser: Det er alltid menneskelig.

Det enkle prinsippet er dette: AI håndterer det som er repeterbart og datarikt. Mennesker håndterer det som er komplekst, kontekstavhengig eller innebærer høy risiko.

Hvordan AI skaper nye utfordringer for inntektene

De gode resultatene av AI er mange. Kvaliteten på leadgenereringen ble betydelig bedre fordi vi retter oss mot bedre kontoer tidligere. Prognosenøyaktigheten økte fordi vi bruker modellvaliderte tall i stedet for salgsteamets magefølelse. Overgangen til resultatbasert prising gjorde kunderelasjonene våre mer lojale fordi fornyelse blir en helt annen samtale når vi er ansvarlige for kundens KPI-er.

Utfordringen er at AI skaper et selvtillitsgap i teamet. Når en modell ber en selger om å nedprioritere en avtale de tror på, skaper det friksjon. Det tar tid å bygge tillit til resultatet, og teamet ignorerer noen ganger signalet og tar feil. Det koster oss.

Jeg undervurderte også hvor mye opplæring av kundene som kreves. Resultatbasert prising høres overbevisende ut i en presentasjon, men å endre kundens tankesett etter at de har kjøpt lisenser i ti år, krever en reell kommersiell samtale. AI endrer modellen vår raskere enn markedet er klart til å ta den inn over seg.

Hvorfor AI ikke strekker til når det gjelder konto- og kundeutvidelse

Og jeg vil også si dette: AI har ikke innfridd forventningene våre. Vi forventet at AI skulle hjelpe oss med å identifisere muligheter for mersalg og kryssalg blant den eksisterende kundeporteføljen mer systematisk. Avdekke signalene, prioritere samtalene, bevege oss raskere. Og signalene er der. Dataene forteller oss når en kunde vokser, når volumene deres endrer seg, og når det finnes en logisk neste tjeneste å introdusere.

Men vi ser at data ikke utløser samtaler om utvidelse i BPO for store virksomheter. Det er tillit som utløser dem. Og tillit lever i relasjonen, ikke i modellen. Kundene som utvider samarbeidet med oss, gjør det fordi en senior person tok opp telefonen, satte seg i et rom sammen med dem og hadde en samtale som ikke sto i noe salgsskript. AI kan ikke gjenskape dette, og den kan heller ikke fremskynde det.

Hvordan profilen til en dyktig selger endres med AI

Den beste selgeren er ikke lenger den som har det største nettverket.

I BPO for store virksomheter har den rådende oppfatningen alltid vært at man bør ansette erfarne veteraner med omfattende kontaktnettverk, fordi relasjoner avslutter avtaler. Og relasjoner er fortsatt viktige. Men AI har vist meg at en datakompetent, AI-støttet selger som går inn i en samtale etter allerede å ha kartlagt kundens utfordringer, forstått kjøpssignalene deres og utarbeidet et kommersielt presist forslag, konsekvent vil prestere bedre enn veteranen som kun baserer seg på god kjemi.

Profilen til en dyktig inntektsfagperson er i endring, og å holde fast ved den gamle definisjonen betyr at man ansetter for fortiden, ikke fremtiden.

Hvorfor data og samarbeid er de viktigste indikatorene på AI-suksess

Eliana deler

Jeg har to råd: Det første er å sette seg inn i dataene før du setter deg inn i verktøyene … Det andre er å samkjøre deg med teknologiledelsen din.

Jeg har to råd:

Det første er å sette seg inn i dataene før du setter deg inn i verktøyene. MIT-forskning fra i fjor viste at 95 % av AI-pilotprosjektene i virksomheter ikke klarte å levere målbar forretningsmessig effekt. Årsaken er nesten alltid den samme: Dataene under verktøyet er inkonsistente, ufullstendige eller ikke til å stole på. Clari fant at 67 % av inntektslederne ikke stoler på sine egne data. Hvis det gjelder deg, vil ikke noe AI-verktøy redde deg. Fiks grunnlaget først.

Det andre er å samkjøre deg med teknologiledelsen din. Clar­is forskning viser at samkjøringen mellom CRO og CIO er den klart største indikatoren på AIs inntektsmessige effekt. CRO-ene som lykkes, kjøper ikke verktøy uavhengig av resten av organisasjonen. De bygger en felles datastrategi sammen med teknologikollegaene sine og gjør AI til en kapasitet for hele selskapet, ikke et eksperiment i salgsavdelingen.

Bruk overordnet sett AI til å skjerpe tankegangen din, ikke til å erstatte den. Vær nysgjerrig, hold deg nær dataene, og slutt aldri å gjøre egne vurderinger.

Følg med

Du kan følge arbeidet til Eliana Angelova på LinkedIn.

Flere ekspertintervjuer kommer snart på CRO-klubben!