CRO i en sterkt regulert bransje advarer: Dette bør du være oppmerksom på ved en AI-overhaling

John Stamatopoulos er CRO i et selskap innen fjernbehandling i serie B kalt Brook Health, hvor han bruker kunstig intelligens til å optimalisere nesten alle funksjoner i inntektsprosessen.

Vi satte oss ned med John for å lære hvordan han skapte en sanntidsmotor for signaler som snudde opp ned på hele arbeidsflyten hans. Han fortalte oss hvordan den fungerer, og delte problemene inntektsledere må være oppmerksomme på når de integrerer kunstig intelligens.

Inntektsorganisasjonen

Jeg heter John Stamatopoulos, og jeg er inntektsdirektør i Brook Health, hvor vi arbeider for å gjøre kontinuerlig fjernbehandling og behandling av kroniske sykdommer tilgjengelig, skalerbar og bærekraftig for helsesystemer over hele landet.

Brook Health er et selskap i vekstfase i serie B innen fjernbehandling, utviklet spesielt for helsesystemer og legegrupper som ønsker å sette behandling av kroniske sykdommer i system i stor skala. Inntektsmodellen vår er B2B for bedriftsmarkedet. Vi inngår avtaler direkte med helsesystemer, IDN-er og store legepraksiser. De gjentakende inntektene våre er hovedsakelig knyttet til betaling per tjeneste for leger. Vi arbeider på vegne av klinikere for å hjelpe dem med å øke inntektene, og vi har en tilhørende honorarplan for tjenestene vi leverer.

Inntektsorganisasjonen jeg leder, omfatter salg, partnerskap og kundeansvar, med teammedlemmer over hele USA. GTM-strukturen vår er sentrert rundt et salgsforløp mot helsesystemer. Salgssyklusene våre er blitt kortere, men vi må fortsatt navigere mellom flere interessenter og et verdiforslag som må treffe samtidig hos økonomidirektøren, den medisinske direktøren og driftslederen som implementerer programmet.

Modellen vår er interessant fordi vi ikke bare selger programvare eller enheter. Vi selger en klinisk og operasjonell kapasitet. Det betyr at kundesuksess ikke er en støttefunksjon etter salget; det er en partner for felles implementering som skaper resultatene kontraktene våre måler. Bevaring og utvidelse av inntekter skjer innenfor disse kliniske relasjonene, og det former grunnleggende hvordan jeg har bygget teamet, og hvordan vi tenker på salgsmuligheter, prognoser og vekst.

Vi har dokumentert at modellen fungerer, og skalerer nå. Dette er akkurat vendepunktet hvor GTM-disiplin, støtte fra kunstig intelligens og tverrfunksjonell samordning betyr mest.

Å bygge en sanntidsmotor for signaler

Veien min frem til dette øyeblikket har vært alt annet enn lineær, noe som gjør den relevant. Første halvdel av karrieren tilbrakte jeg innen legemidler og medisinsk utstyr, og den siste halvdelen med å lansere selskaper innen digital helse. Jeg har bygget og bygget opp markeds- og salgsteam på nytt på tvers av flere organisasjoner innen fjernbehandling, samtidig som jeg har håndtert endringer i CMS-refusjon, sykluser for verdibasert kontraktsinngåelse og den vedvarende kompleksiteten ved å selge til helsesystemer — samtidig som kundene, partnerne og konkurrentene er til stede.

Gjennom alt dette har jeg lært at inntektsledelse i helsesektoren i bunn og grunn er et dataproblem forkledd som et relasjonsproblem. Avtalene som stopper opp, stopper ikke opp fordi noen ikke likte deg; de stopper opp fordi du ikke klarte å knytte løsningen din til riktig klinisk resultat eller økonomisk utløsende faktor på riktig tidspunkt i den riktige samtalen. Det er her kunstig intelligens endrer alt.

I dag er prediktive prognoser ikke bare et CRM-dashbord; teknologistakken vår er en sanntidsmotor for signaler som forteller deg hvilket helsesystem som er ni måneder unna en kontraktsfornyelse, hvilken medisinsk direktør som nettopp har publisert et initiativ for befolkningshelse, og hvilken klinisk forkjemper som er i ferd med å miste støtte fra ledelsen. Når du legger denne innsikten inn i hvordan salgs-, markedsførings- og kundeansvarsteamene arbeider, slutter du å drive en inntektsfunksjon og begynner å drive en inntektsorganisme. Forhåpentligvis en som lærer, tilpasser seg og bygger videre på seg selv.

Jeg fulgte ikke en tradisjonell SaaS-oppskrift. Jeg utviklet meg gjennom kompleksiteten i legemidler, medisinsk utstyr og levering av digitale helsetjenester, hvor pasientresultater står på spill, og salgssyklusene strekker seg over kvartaler og år, ikke uker. Denne bakgrunnen forklarer hvorfor dette øyeblikket med kunstig intelligens betyr så mye for meg: Teamene som finner ut hvordan mennesker kan styrkes med teknisk avanserte løsninger i strengt regulerte miljøer, vil definere det neste tiåret for kommersialisering av helsetjenester.

Hvordan kunstig intelligens forbedrer hele inntektsprosessen

For ett år siden var gjennomgangene av salgsmulighetene våre drevet av intuisjon. Selgerne ga muntlige oppdateringer, og jeg sammenholdt e-poster i CRM-systemet, møtenotater, magefølelse og hvor lenge avtalene hadde vært aktive for å skille reelle muligheter fra ønsketenkning. I et komplekst salgsforløp mot helsesystemer med lange sykluser og flere interessenter er dette en farlig måte å drive en inntektsorganisasjon på.

Vi bygget en sammenkoblet salgs-teknologistakk for å støtte hvert lag av inntektsgenerering og -styring. Det starter med Definitive Healthcare, som sender markedsinnsikt og data om helsesystemer direkte inn i HubSpot via en spesialtilpasset integrasjon som fyller ut avtalespesifikke felt. Hver kontooppføring gjenspeiler kontekst fra virkeligheten, ikke bare det en selger skrev inn manuelt etter en samtale.

Derfra registrerer vi automatisk kontoen i en oppsøkende sekvens. Hvis vi har direkte kontaktinformasjon, kjører HubSpot sekvensen. Hvis ikke, fyller LinkedIn Sales Navigator tomrommet og gir selgerne våre en varm vei til riktig leder, selv når de starter kaldt. Uansett våkner selgeren med en prioritert liste over mål, forhåndsutfylt kontokontekst og en oppsøkende sekvens som allerede er satt i gang.

Det som tidligere tok en selger en halv arbeidsdag med research og manuell dataregistrering, skjer nå over natten. Selgerens jobb går fra å bygge grunnlaget til å ha bedre samtaler når døren åpnes. Denne arbeidsflyten har i sin enkleste form forbedret effektiviteten vår betydelig når det gjelder å gå fra markedsinnsikt til aktiv salgspipeline.

I tillegg koblet vi alt til Gmail og Zoom, og vi bruker funksjoner for samtaleinnsikt til å overvåke teamenes samtalestrukturer og måle kjøpersentiment i sanntid. Denne synligheten endret hvordan jeg veileder, og hvor raskt vi kan korrigere kursen i en avtale som er i ferd med å spore av.

I tillegg bruker vi Claude til å automatisere og effektivisere arbeid som tidligere bremset oss. Utarbeiding av ROI-modeller, skriving av kundehistorier, sammenstilling av tilpassede presentasjoner som vi raskt kan ta i bruk for et spesifikt helsesystem eller IDN, samt å sørge for at oppfølging aldri faller mellom stolene. Det som tidligere tok flere dager med forberedelser, tar nå timer.

Alt som skjer etter opprettelsen av salgspipelinen, ble bedre. Prognosesamtalene ble ærlige fordi dataene var ryddige. Treffprosenten ble bedre i avtaler som tidligere ville ha stilnet. Teamet vårt bruker betydelig mindre tid på administrativt arbeid og betydelig mer tid foran kjøperne.

Slik endrer AI identifisering av mål og personalisering

Før AI var det manuelt og tidkrevende å identifisere de riktige målene. Selgerne brukte timevis på å sammenholde data for å finne helsesystemer som var klare til å gå videre. Gode mål ble oversett fordi selgerne ikke hadde tid til å finne dem alle.

Nå automatiserer AI i stor grad denne prosessen. Definitive Healthcare sender data om helsesystemer og legegrupper inn i CRM-systemet vårt, filtrert mot vår ideelle kundeprofil. Pasientpopulasjon, belastning av kronisk sykdom, teknologisk infrastruktur, geografi — alt blir vurdert og prioritert uten at en selger trenger å løfte en finger. Vi finner muligheter som ville ha vært usynlige for et år siden.

Personaliseringen har endret seg like dramatisk. Hvis et helsesystem nettopp har kunngjort et initiativ for befolkningshelse eller ansatt en ny CMO, henter AI automatisk denne konteksten inn i den oppsøkende kommunikasjonen. Meldingen viser til noe reelt og aktuelt i deres verden, i stedet for et generisk verdiforslag som kunne ha gjeldt hvem som helst.

Å vite nøyaktig hvem man skal rette seg mot, og å levere genuint relevante budskap, endrer fullstendig hvordan man går inn i en samtale.

Slik forbedrer AI-integrasjon inntektsresultatene

John deler

Den ærlige utfordringen er å ta det i bruk. Teknologistakken fungerer bare når teamet bruker den konsekvent.

Vi har sett reelle gevinster med AI. Gjennomløpstidene ble betydelig kortere. Når teamet har rene data, tydelige kontoplaner, signaler om kjøpsintensjon og AI-assistert oppfølging, beveger avtalene seg raskere. Vi venter ikke på at selgerne manuelt skal bygge en ROI-modell før et CFO-møte eller huske å sende en oppfølging. Dette arbeidet skjer automatisk og holder fremdriften oppe mellom kontaktpunktene.

Leadgenereringen gikk også raskere. Definitive Healthcare sender data inn i CRM-systemet vårt, og LinkedIn Sales Navigator fyller ut manglende kontaktinformasjon. Dermed kan vi identifisere, prioritere og nå de riktige målene raskere enn vi noen gang kunne manuelt. Toppen av salgstrakten er ryddigere, og konverteringen fra prospekt til aktiv mulighet har blitt bedre.

Prognosenøyaktigheten er bedre, og jeg vil understreke at standardisering, ikke bare AI, bidrar til dette. Vi bygget en prosess som krever datakvalitet og konsekvent fremdrift mellom stadiene. AI forsterker denne disiplinen i stedet for å kompensere for at den mangler.

Den ærlige utfordringen er å ta det i bruk. Teknologistakken fungerer bare når teamet bruker den konsekvent. For å oppnå dette krevdes veiledning, forsterkning og en direkte kobling mellom verktøybruk og resultatforventninger. Dette kulturelle skiftet tok lengre tid enn den tekniske implementeringen.

Hvorfor mennesker alltid er med i prosessen

AI informerer altså om eller standardiserer de fleste operative mekanismene i inntektsfunksjonen vår. Prioritering av salgspipeline, avtalevurdering, prognoser, territorieplanlegging, risiko for kundefrafall, aktivitetsoppfølging og sekvensering av oppfølging går alt gjennom teknologistakken vår. AI avdekker signaler, flagger avvik og holder teamet ansvarlig for prosessen.

Dette var et bevisst valg. I en organisasjon i vekst er den raskeste måten å miste inntekter på å la operasjonell disiplin avhenge av individuelle vaner. Standardisering og automatisering av mekanismene skaper et gulv der alle opererer på et grunnleggende høyt nivå, uavhengig av ansiennitet.

Men mennesker tar fortsatt beslutninger når tillit, dømmekraft og relasjonskontekst er selve produktet. Det handler om å navigere i en avtale der den kliniske forkjemperen og økonomidirektøren ikke er samkjørte. Å vite når man skal trekke seg, når man skal eskalere, og når man skal restrukturere en kontrakt for å beskytte en langsiktig kunde. Prissamtaler som er kontekstuelle, relasjonelle og politisk sensitive internt i et helseforetak.

AI kan modellere avkastningen på investeringen og bygge saken. Mennesker leser rommet. AI driver systemet, og mennesker driver relasjonene. I helsesektoren kan man ikke ha det ene uten det andre.

Hvorfor AI ikke innfrir forventningene i B2B-markedsføring

Det finnes også områder der AI ikke har levert som håpet.

Da vi satset tyngre på AI-generert innhold og automatisert oppsøkende virksomhet, gikk visningene våre ned. Ledere i helseforetak er sofistikerte kjøpere som har sett alle malbaserte sekvenser og AI-polerte e-poster. Når innhold føles generert i stedet for ekte, faller engasjementet. Og som om ikke det var nok, har AI ikke alltid konteksten og kan derfor generere teknisk korrekte meldinger som har feil tone for den spesifikke relasjonen. AI kan produsere innhold i stort volum, men volum er ikke det samme som gjenklang.

Det andre gapet gjelder utvikling av helt nye markeder. AI er svært god på å optimalisere det som allerede er i gang. Men å identifisere genuint nye markeder og utforme fortellingen som åpner en kald dør, krever fortsatt menneskelig kreativitet og markedsintuisjon som verktøyene våre ikke har klart å gjenskape.

Den bredere lærdommen er at AI forsterker det som allerede fungerer. Når den underliggende strategien eller budskapet er svakt, skalerer AI svakheten like effektivt som den skalerer styrken.

Hvorfor inntektsledere må gå gjennom hele AI-arbeidsflyten

Du må forstå konsekvensene av effektivitetsgevinster på ett område får lenger ned i prosessen. Når du automatiserer og fremskynder én del av inntektsprosessen, innser du ikke alltid at du skaper mer arbeid et annet sted før det blir et problem.

Da vi økte hastigheten på generering av potensielle kunder og aktiviteter øverst i salgstrakten, skapte det et volum som kunde- og implementeringsteamene våre ikke klarte å håndtere. Verktøyet fungerte nøyaktig som det skulle. Vi hadde bare ikke kartlagt hva denne suksessen ville kreve av de tilstøtende teamene før vi slo det på.

Før du tar det i bruk, bør du gå gjennom hele arbeidsflyten og spørre hvem andre som får mer å gjøre når dette fungerer.

Hva du bør følge med på når teamet ditt tar i bruk AI

Her er det du bør være oppmerksom på hos teamet ditt:

• De kan slutte å lese det de sender. Innholdet ser polert ut, så folk antar at det er korrekt. I salg til helseforetak, der én enkelt faktafeil eller en tonedøv setning i en melding til en medisinsk direktør kan skade en relasjon du har brukt måneder på å bygge, er denne antakelsen farlig. Vi bygde korrektur og gjennomgang inn igjen i arbeidsflytene som et ufravikelig trinn, ikke som noe man tar etterpå.

• De kan bli overveldet og i stillhet slutte å bruke systemet. Det begynner vanligvis med informasjonsoverbelastning. Verktøyene viser mer data, flere signaler og flere oppgaver enn teamet er vant til å håndtere, og uten tydelige instrukser om hvor de skal begynne, gir folk opp i stedet for å sette seg inn i det. Du kan se det ved at CRM-aktiviteten faller, sekvenser forblir ugjennomgått, og selgerne går tilbake til vanene de hadde før verktøyene fantes.
• De kan miste tilliten til prosessen. Noen mennesker har satt seg fast i gamle arbeidsmåter, og ingen mengde tilgang til dashbord endrer på det. De nikker under opplæringen og går deretter tilbake til å arbeide parallelt i sitt eget system. Løsningen er ikke bedre teknologi. Det er bedre innføring. Start teamet med én arbeidsflyt, gjør den enkel, sørg for tidlige resultater, og bygg selvtillit før du legger til kompleksitet.

Hvorfor avtalerommet må utvikle seg

Avtalerommet må fortsatt redesignes. Mer spesifikt gjelder det hva som skjer med en avtale etter grundig kvalifisering. De fleste inntektsorganisasjoner behandler fortsatt dette stadiet som svært manuelt. Selgerne koordinerer oppfølging, utarbeider materiell, setter opp møter med interessenter og håndterer interne godkjenninger i stor grad på egen hånd. AI kan ta over her, og det er her de fleste CRO-er lar effektivitetsgevinster ligge ubrukt.

Vi arbeider mot et virtuelt avtalerom uten bemanning. Når en avtale når et definert stadium, tar systemet over de operative prosessene. AI bygger og oppdaterer ROI-modellen, genererer tilpasset materiell for hver interessent, håndterer oppfølgingssekvenser, overvåker engasjementssignaler og varsler når menneskelig inngripen er nødvendig.

Jeg har sagt gjennom hele denne samtalen at mennesker må være involvert, og det står jeg ved. Jeg ønsker imidlertid å nyansere dette. En godt produsert video eller en manusbasert gjennomgang, bygget rundt hvordan en bestemt person tenker og kommuniserer, kan fungere som en troverdig stedfortreder for denne personen på viktige stadier i avtalen. Du trenger ikke alltid et levende menneske i rommet, men du trenger at personens perspektiv, vurderingsevne og stemme er til stede. AI og video kan videreføre dette på måter som ikke var mulig for bare to år siden.

Organisasjonene som redesigner avtalerommene sine rundt denne tankegangen, vil ikke bare bli mer effektive. De vil strukturelt sett bli vanskeligere å konkurrere mot.

Hvorfor Claude Cowork er uunnværlig

Claude Cowork er verktøyet jeg ikke kan klare meg uten.

Det brede bruksområdet gjør det uerstattelig for meg. Det fungerer på tvers av alle funksjoner og dekker operative, kreative, strategiske og taktiske behov. I én enkelt økt kan jeg bygge en ROI-modell, utarbeide en presentasjon, finpusse en kontraktsfortelling og lage en plan for en markedsstrategi. Ingenting annet i verktøystakken vår gjør alt dette.

Alle andre verktøy vi bruker, er spesialutviklet for én oppgave. Claude knytter alle oppgavene sammen. Denne fleksibiliteten gjør det til det ene verktøyet jeg aldri ville gitt fra meg. Det innfrir ikke alltid forventningene mine, men det ser likevel ut til å gjøre mest.

Slik budsjetterer du for AI og tar tverrfunksjonelle beslutninger

Ingen snakker åpent om hvordan man skal budsjettere for AI og ta beslutninger om verktøy som fungerer på tvers av funksjoner, men dette er noe alle CRO-er må håndtere.

Noen få målrettede investeringer i verktøy ble raskt kostbare. Når hvert teammedlem finner et produkt de liker og fører kostnaden på egen hånd, ender du opp med en fragmentert, kostbar og ofte inkompatibel verktøystakk før noen innser hva som har skjedd.

Vi bestemte oss for å standardisere, og det var riktig beslutning. Men selv med standardisering lærer vi fortsatt hvordan vi skal forutsi kostnadene nøyaktig. Tokenbruk, brukerlisenser, integrasjonsgebyrer – faktureringsmodellene for AI-verktøy er ikke intuitive, og kostnadene skalerer på måter som er vanskelige å forutse før du allerede har overskredet budsjettet.

Det tverrfunksjonelle aspektet legger til et nytt lag. Noen ganger kan du ikke koble ett teams verktøy til den bredere AI-infrastrukturen fordi det skaper en risiko for etterlevelse eller sikkerhet for et annet team. Dermed ender du opp med automatiseringsøyer som ikke kan kommunisere med hverandre, noe som undergraver den sammenkoblede inntektsmotoren du forsøkte å bygge fra første stund.

Mitt råd er å etablere en tverrfunksjonell styringsgruppe for AI tidlig, fastsette et sentralisert budsjett før de enkelte teamene begynner å bruke penger, og behandle valg av verktøy som en virksomhetsbeslutning i stedet for en avdelingsbeslutning. Vi lærte det meste av dette på den harde måten.

Hva CRO-er må vite før de setter i gang AI-initiativer for inntekter

Jeg skulle ønske jeg hadde visst hvor mange interne hindringer jeg måtte gjennom før ett eneste verktøy kunne tas i bruk.

Vi hadde en tydelig visjon for det vi bygget. Forretningsgrunnlaget var sterkt. Jeg hadde ikke fullt ut forutsett hvor mange godkjenninger jeg trengte fra IT, utvikling, etterlevelse og cybersikkerhet før utrulling. I helsesektoren er dette ikke byråkratiske formaliteter. De er legitime kontrollinstanser som beskytter pasientdata, økonomiske systemer og virksomhetens juridiske ansvar. Men tiden disse gjennomgangene legger til, kan stille og rolig drepe fremdriften og frustrere et team som er ivrig etter å komme videre.

Hvis jeg hadde visst det, ville jeg ha startet disse samtalene minst to kvartaler tidligere. Jeg ville ha involvert etterlevelses- og IT-funksjonene i planleggingsprosessen før jeg valgte leverandører, ikke etterpå. Og jeg ville ha avklart forventningene med teamet på forhånd om at implementeringstidslinjen ville bli lengre enn salgssyklusen for selve verktøyene.

Vi kunne ha unngått hastverket. Det var både reelt og nødvendig å revidere systemene for å avdekke eksponering av PHI, etablere datagrenser og klargjøre separate miljøer for verktøy som ikke kunne berøre sensitive økonomiske data. Alt dette arbeidet ville ha vært langt mindre forstyrrende hvis vi hadde planlagt det i stedet for å reagere.

I en regulert bransje er de interne interessentene dine en del av markedsplanen. Behandle dem slik fra dag én.

Slik bør inntektsledere forholde seg til AI

Mitt råd? Begynn i det små. Velg én ting og bli virkelig god på den før du legger til neste lag. Vi tok på oss for mye for raskt, og noe av det var ikke klart for den store scenen. Løftet om en fullt sammenkoblet, AI-drevet inntektsmotor er reelt, men veien dit er sekvensiell, ikke samtidig.

Forbered deg på at AI skaper mer arbeid før den fjerner det. Vi måtte revidere og beskytte systemer som inneholdt PHI, etablere tydelige datagrenser og i noen tilfeller gi teammedlemmer separate datamaskiner for å holde sensitive økonomiske data isolert. Vi vil aldri ta noen sjanser med partneres eller pasienters data. Dette operasjonelle merarbeidet er reelt, og de fleste leverandører vil ikke nevne det i demonstrasjonen.

Når du finner ut hva som fungerer, bør du satse tungt på det. Bygg vanen, få folk til å ta det i bruk, og la effekten bygge seg opp før du legger til enda et verktøy. Teamene som vinner, er ikke de som har flest verktøy. Det er de som har den dypeste disiplinen rundt de færreste – og riktige – verktøyene.

Til slutt må du ha realistiske forventninger. AI mangedobler kraften i en inntektsstrategi som allerede har et solid fundament. Hvis salgspipelinen din er svak eller budskapet ditt ikke treffer, vil AI synliggjøre problemene raskere, men den vil ikke løse dem. CRO-ene som lykkes, er de som bruker AI til å skjerpe tenkningen sin, ikke erstatte den.

Følg med

Du kan følge arbeidet til John Stamatopoulos på LinkedIn.

Flere ekspertintervjuer kommer i CRO-klubben!