En KI-drevet inntektsdirektør bryter ned sin KI-arbeidsflyt med størst effekt (og hvor KI ikke er verdt innsatsen)

Dhiraj Khare er CRO med teknisk bakgrunn og tankesett. Han redesigner for tiden inntektsprosessene hos det AI-baserte cybersikkerhetsselskapet Matters.AI.

Vi satte oss ned med Dhiraj for å finne ut hvilke AI-arbeidsflyter som faktisk leverer, og hvilke som ikke gjør det. Dette er det han fortalte oss.

Inntekter fra en ingeniørs perspektiv

Jeg heter Dhiraj Khare og er CRO i Matters.AI, et AI-basert cybersikkerhetsselskap med fokus på bedriftsdata. Jeg begynte med programvareutvikling før jeg gikk over til salg til større virksomheter, og det formet måten jeg tenker på inntekter. Tekniske mennesker er opplært til å holde fast ved problemet til de faktisk forstår det; salgsteam er ofte opplært til å gå videre før de forstår det. Jeg passet aldri helt inn i den sistnevnte modellen. 

Karrieren min gikk gjennom selskaper som MongoDB, SentinelOne og PingSafe. Ulike selskaper, ulike faser, men det samme mønsteret under overflaten. Cybersikkerhetsteam opererte allerede i maskinhastighet, mens inntektsteamene ikke gjorde det.

Cybersikkerhet hadde sanntidsinformasjon, atferdsanalyse og automatiserte responssystemer. GTM-teamene var fortsatt begravd i regneark, frakoblede verktøy, manuell research og pipeline-gjennomganger basert på optimisme forkledd som prognoser. 

Denne frakoblingen ble værende hos meg. Mange fremstiller AI i inntektsarbeid som en produktivitetshistorie. Raskere e-poster. Mer utgående aktivitet. Flere sekvenser. Jeg mener det bommer fullstendig på poenget. 

Problemet i moderne GTM er ikke mangel på aktivitet, men for mye støy. Det meste av utgående aktivitet i dag er operasjonelt dyr søppelpost som utgir seg for å være personalisering. Kjøpere gjennomskuer det umiddelbart. Alle har den samme automatiseringen nå, så volum sluttet å være en reell fordel for lenge siden. 

Det som betyr noe, er kontekst. Hvorfor denne kontoen? Hvorfor nå? Hva har endret seg i virksomheten som gjør denne samtalen relevant i dag i stedet for for seks måneder siden?

Det var dette som trakk meg mot AI-drevet ledelse av inntektsarbeidet. Hos Matters.AI bygger vi en GTM-organisasjon med etterretning i første rekke der AI bidrar til å komprimere research, koble sammen fragmenterte signaler, avdekke tidsindikatorer og redusere operasjonell friksjon, slik at teamene kan bruke mer tid på å tenke klart og kommunisere intelligent.

Dhirajs tanker

Alle har den samme automatiseringen nå, så volum sluttet å være en reell fordel for lenge siden … Det som betyr noe, er kontekst. Hvorfor denne kontoen? Hvorfor nå? Hva har endret seg i virksomheten som gjør denne samtalen relevant i dag i stedet for for seks måneder siden?

En slank GTM-organisasjon

Matters.AI s GTM-organisasjon er bevisst slank. Vi arbeider med salg til større virksomheter, strategisk utgående aktivitet, partnerskap, løsningsutvikling og AI-støttede arbeidsflyter, men filosofien bak alt er enkel: Skaler etterretning før du skalerer bemanning. 

Mange selskaper forsøker fortsatt å tvinge frem vekst gjennom høyt aktivitetsvolum. Flere SDR-er, flere sekvenser og flere kontaktpunkter. Vi har valgt en tilnærming som nesten er det motsatte. 

Vi bryr oss mer om signaltetthet enn aktivitetstetthet. Fokuset er på å forstå hvor det faktisk finnes hastverk, hvor timingen er reell, og hvor sterk kundekonteksten er til å rettferdiggjøre kontakt. 

Det meste av arbeidet vårt i dag dreier seg om AI-styring, datasikkerhet, etterlevelsesberedskap og risikostyring i større virksomheter på tvers av sektorer som BFSI, SaaS, teknologi og regulerte bransjer. 

Hvorfor AI ikke kan erstatte vurderingsevnen i inntektsarbeidet

Jeg bruker AI til å informere om prioritering av kontoer, kartlegging av interessenter, vurdering av avtaler, analyse av engasjement, støtte til prognoser, oppdagelse av kundefrafall og analyse av risiko i pipelinen.

Maskiner er langt bedre enn mennesker til å behandle fragmenterte operasjonelle signaler i stor skala. Den delen er åpenbar nå.

Men beslutninger som omfatter lederforankring, forhandling og tillit, forblir menneskelige. Strategisk dømmekraft forblir definitivt menneskelig. 

Beslutninger om kjøp av cybersikkerhet i større virksomheter er emosjonelle under alle regnearkene og innkjøpsprosessene som folk liker å gjemme seg bak. En avtale kan se sunn ut operasjonelt, mens tilliten i det stille bryter sammen hos kunden.

AI har fortsatt problemer med dette laget. Derfor ser jeg ikke for meg at AI erstatter vurderingsevnen i inntektsarbeidet; det handler mer om å redusere operasjonell blindhet.

Slik legger kunstig intelligens til rette for innsiktsdrevet engasjement

Den største endringen jeg har gjort, var å gå bort fra aktivitetsdrevet utgående salg og over til innsiktsdrevet engasjement. 

Tidligere så utgående salg ut slik de fleste organisasjoner fortsatt gjør det i dag: en blanding av store kontolister, statiske sekvenser, manuell research, brede personaliseringsmaler og mye bortkastet innsats som ga seg ut for å være presisjon.

Vi bygget en KI-assistert arbeidsflyt for prioritering av kontoer som reduserte timevis med research til minutter. 

Nå samler KI kontinuerlig signaler fra ansettelsesaktivitet, endringer i sikkerhetsnivå, bruk av skyteknologi, etterlevelsespress, endringer i ledelsen, finansieringsmønstre, organisatoriske endringer og indikatorer på teknologiadopsjon. 

Deretter syntetiserer den disse signalene til kontekstuelle fortellinger om kontoene. Den delen er viktig, fordi råsignaler alene er ubrukelige. Selgere trenger ikke flere dashbord; de trenger en tydeligere forståelse. 

Når konteksten er synliggjort, validerer selgeren den manuelt, tester relevansen grundig, tilpasser engasjementet og avgjør om tidspunktet faktisk gjør det berettiget å ta kontakt. Etter møter bidrar KI med oppsummering, uttrekking av handlingspunkter, interessentanalyse, sporing av engasjement og overvåking av risiko gjennom hele salgsprosessen. 

Poenget er ikke å automatisere kontakt. Det handler om å forstå om kontoen faktisk fortjener oppmerksomhet i utgangspunktet. Det endret kvaliteten på salgstrakten umiddelbart.

Samtalene ble skarpere. Avklaringsprosessene ble kortere. Engasjementet fra ledere ble bedre fordi kontakten var forankret i kontekst i stedet for kunstig personalisering. 

Slik endrer KI kulturen

Fordelene med KI ble raskt åpenbare, og jeg har allerede nevnt mye av dette.

Den større endringen var imidlertid kulturell. Folk begynte å tenke mer analytisk rundt inntektsarbeidet. Samtalene ble mindre meningsdrevne og mer evidensbaserte. Dette skiftet er viktigere enn de fleste samtalene om verktøy som foregår i markedet akkurat nå. 

Ulempen er at KI svært enkelt kan skape falsk selvtillit. Det er den delen folk undervurderer. 

KI-resultater høres ofte så velpolerte ut at de virker pålitelige, selv når de underliggende antakelsene er svake eller ufullstendige. Ledere må huske at KI er probabilistisk, ikke allvitende. Skjønn er fortsatt viktig. Operatørerfaring er fortsatt viktig.

På mange måter blir kritisk tenkning enda viktigere i et KI-født miljø. 

Hvorfor KI-personalisering gir svake resultater

KI-generert personalisering ga svært svake resultater i begynnelsen. Ikke fordi teknologien var svak, men fordi kjøpere har blitt utrolig flinke til å oppdage falsk relevans. Det meste av det KI-genererte utgående salget i dag høres velpolert, men følelsesmessig tomt ut. Det etterligner strukturen til personalisering uten faktisk å forstå kunden godt nok til å si noe nyttig. 

Det er forskjell på å sette inn kontekst og å demonstrere forståelse. Og de fleste KI-systemer sliter fortsatt med dette skillet. Vi lærte ganske raskt at syntetisk personalisering ikke er det samme som innsikt. 

Ironisk nok blir autentisitet mer verdifull, ikke mindre, etter hvert som KI-generert kontakt skaleres. 

Hvorfor KI ikke kan fjerne tvetydigheten fra prognosearbeidet

Med KI ble prognosearbeidet vårt mer disiplinert. Men jeg vil være forsiktig med å overselge den delen, fordi prognoser for bedriftsmarkedet fortsatt er rotete av natur.

Avtaler i bedriftsmarkedet utvikler seg av grunner som sjelden fanges opp på en ryddig måte i strukturerte systemer. Tidspunktet for budsjetter endres. Interne pådrivere mister innflytelse. Ledelsens prioriteringer endres i det stille. Friksjon i innkjøpsprosessen oppstår sent. Den politiske samordningen bryter sammen under overflaten.

AI har problemer med disse usynlige lagene. Du kan ha sterke engasjementstall, aktive møter, gode svarfrekvenser og positiv deltakelse fra interessenter, samtidig som avtalen allerede er i ferd med å spore av internt.

AI gir bedre oversikt. Det fjerner ikke usikkerhet på magisk vis.

Dhirajs tanker

Ironisk nok blir autentisitet mer verdifull, ikke mindre, etter hvert som AI-generert oppsøkende kommunikasjon skaleres … AI gir bedre oversikt. Det fjerner ikke usikkerhet på magisk vis.

Slik endrer ferdighetene innen inntektsarbeid seg

AI automatiserer stadig mer repetitivt operativt arbeid, så en moderne fagperson innen inntektsarbeid trenger en helt annen ferdighetsprofil. Nå legger vi langt større vekt på analytisk tenkning, kontekstuell historiefortelling, systemtenkning, kommunikasjon med ledelsen, tilpasningsevne og AI-kompetanse enn tidligere. 

De beste selgerne blir i dag orkestratorer for innsikt. De vet hvordan de skal validere signaler, sammenfatte kontekst, stille bedre spørsmål og bygge strategisk tillit raskere. 

Rendyrket aktivitetsbasert salg blir stadig mer standardisert. Menneskelig differensiering beveger seg mot dømmekraft, kreativitet og tydelighet i fortellingen. 

Hvorfor AI må behandles som en endring av driftsmodellen

Mitt råd er å behandle AI som en endring av driftsmodellen, ikke som en oppgradering av verktøy.

Det er feilen de fleste organisasjoner gjør akkurat nå. De legger AI oppå ødelagte arbeidsflyter og kaller det transformasjon. Vanligvis skaper det bare raskere forvirring. 

Hvis posisjoneringen din er svak, CRM-disiplinen din ujevn, arbeidsflytene dine fragmenterte eller kundeinnsikten din overfladisk, forsterker AI rotet. Den redder deg ikke fra det. 

Bedriftene som får størst utbytte av AI, er vanligvis de som allerede har et solid fundament i driften.

Hvor inntektsteam bør begynne med AI

Begynn med operativ friksjon og flaskehalser: Overbelastning av researcharbeid. Pipeline-gjennomgang. Gjenfinning av kunnskap. Innsyn i prognoser. Prioritering av kontoer. CRM-fragmentering.

Dette er reelle operative problemer det er verdt å løse. Jeg ville også brukt langt mer tid på AI-kompetanse enn de fleste selskaper gjør i dag. Den tekniske implementeringen er vanligvis den enkleste delen. Den vanskeligste delen er å hjelpe teamene med å tenke nytt om hvordan de arbeider, uten at de føler seg erstattet.

Følg med videre

Du kan følge Dhiraj Khare på LinkedIn. Sjekk også ut Matters.AI.

Det kommer flere ekspertintervjuer på The CRO Club!