Inntektsansvarlig i en oppstartsbedrift om hvordan smidige team kan skape stor effekt med KI

Waleed Shaarani er inntekts- og GTM-sjef i en oppstartsbedrift som heter Spiky.ai. Han spesialiserer seg på B2B SaaS-selskaper i såkornfasen, noe som tvinger ham til å være ressurssterk, fokusert og rask – og det er derfor kunstig intelligens har vært en så stor fordel for ham.

Vi satte oss ned med Waleed for å lære hvordan ressursbegrensede inntektsteam kan skape større gjennomslagskraft med kunstig intelligens. Her er det han hadde å si.

Oppstartsbedrifter i såkornfasen trenger kunstig intelligens for å lykkes med inntekter

Reisen min har handlet mindre om å lede massive virksomhetsteam og mer om å være ute i felten i selskaper i tidlig fase, finne ut av ting i sanntid, ha flere roller og gjøre det som kreves for å skape fremdrift.

Jeg har jobbet tett med gründere, bidratt til å forme markedsinngangen fra grunnen av og operert i miljøer uten store team, perfekte arbeidsmetoder eller mulighet til å gjemme seg bak prosesser. Jeg fokuserer på å være ressurssterk, bevege meg raskt og omsette tvetydighet til gjennomføring.

For tiden leder jeg inntektsarbeidet i en B2B-oppstartsbedrift innen kunstig intelligens i såkornfasen, med en abonnementsbasert SaaS-modell. Teamet er lite, med én eller to personer på inntektsteamet, så jeg er svært operativ innen GTM-strategi, utgående salg, pipeline-generering, salgs gjennomføring og tilbakemeldinger fra kunder. GTM-arbeidet vårt er tett knyttet til gründeren og iterativt, med fokus på å lande de første kundene, lære raskt og bygge repeterbar fremdrift i kundevendte og inntektsorienterte markeder.

I såkornfasen er mye av inntektsuksessen avhengig av gründerens magefølelse, spredte samtaler, manuell oppfølging og erfaringsbasert kunnskap. Derfor ble jeg svært interessert i hvordan kunstig intelligens kan hjelpe oppstartsbedrifter med å fange opp disse signalene tidligere, sette det de beste utøverne gjør i system og gi små team større gjennomslagskraft uten en enorm organisasjon.

For meg erstatter ikke kunstig intelligens mennesker eller tilfører kompleksitet i inntektsarbeidet. Det hjelper små og ressursbegrensede team med å prestere over evne. Det gjør det mulig for oppstartsbedrifter å bevege seg raskere, lære raskere og bygge bedre systemer tidligere enn de ellers ville kunnet. Jeg liker å bruke kunstig intelligens til å hjelpe selskaper i såkornfasen med å skape struktur ut av kaos, omsette innsikt til handling og skalere inntektene uten å miste farten.

Hvordan kunstig intelligens forbedrer fokus og hastighet i inntektsarbeidsflyter

For meg skaper kunstig intelligens fokus, hastighet og gjennomslagskraft.

Agentene jeg har bygget, har hjulpet oss med å spisse målmarkedsutvelgelsen, identifisere kontoer med høyere kjøpsintensjon tidligere og få en svært slank inntektsfunksjon til å fungere mer presist. Det innebar mindre bortkastet innsats på kontoer med svak tilpasning, raskere gjennomføring av oppsøkende arbeid og oppfølging, samt bedre oversikt over hvor vi så kjøpssignaler. Det forbedret også hvor raskt vi kunne teste budskap, finjustere ICP-antakelser og flytte ressurser mot segmenter som viste sterkere intensjon.

Det tydeligste kvantitative resultatet var effektivitet. Kunstig intelligens reduserte tiden brukt på undersøkelser, konto­prioritering og GTM-forberedelser med over 50 %, og ga oss langt større salgskapasitet uten å øke bemanningen. Dette førte til bedre fokus i det oppsøkende arbeidet, høyere kvalitet på møtene og mindre bortkastet innsats gjennom hele salgstrakten.

I noen tilfeller var effekten mest synlig operativt, snarere enn direkte på topplinjen. Oppgaver som tidligere krevde flere timer med manuell research, kunne utføres langt raskere, noe som skapte mer rom for salg og beslutningstaking. Det gjorde også arbeidsflyten mindre reaktiv. I stedet for å jage alt kunne vi være mer bevisste på hvor vi skulle bruke tiden.

I en oppstartsbedrift betyr denne typen gjennomslagskraft mye, fordi den hjelper deg med å skalere smartere før du faktisk har oppnådd skala.

Hvordan kunstig intelligens kan forbedre pipeline-genereringen

Her er et eksempel på en arbeidsflyt. Jeg brukte kunstig intelligens til å forbedre hvordan vi genererte pipeline, ved å identifisere hvilke besøkende på nettstedet og hvilke kontoer som viste kjøpsintensjon. Tidligere arbeidet vi ut fra bredere ICP-antakelser, manuell research og begrensede intensjonsdata. Det innebar at vi brukte tid på kontoer som så riktige ut på papiret, men som ikke nødvendigvis var ute i markedet.

Vi endret dette ved å bruke kunstig intelligens til å identifisere unike besøkende, analysere engasjementsatferd og gi kontoene poeng basert på sannsynligheten for at de ville kjøpe. Dette gjorde det mulig for oss å rette større oppmerksomhet mot målmarkedssegmenter og selskaper som viste reell intensjon.

Resultatet var bedre prioritering, relevans og konverteringseffektivitet. Vi brukte mindre tid på gjetting og mer tid på å handle ut fra signaler, noe som gjorde GTM-arbeidet vårt skarpere og mer fokusert.

Og det store skiftet var å gå fra «hvem ser riktig ut på papiret» til «hvem er det mest verdifullt å handle på akkurat nå». Det er dit flere CRO-er må bevege seg.

Hvorfor kunstig intelligens kan være katastrofalt for selskaper i tidlig fase

Ulempen er at kunstig intelligens bare er så god som inndataene, logikken og sikkerhetsmekanismene den bygger på. Jeg har sett tilfeller der den la for stor vekt på støyende signaler, fant falske positiver eller ga et nivå av sikkerhet som de underliggende dataene ikke fortjente. I et miljø i tidlig fase kan dette være farlig fordi datagrunnlaget er mindre, markedet fortsatt er i utvikling, og det er lett å overbevise seg selv om at et mønster er sterkere enn det faktisk er. Ett mulig negativt utfall er derfor bortkastet innsats når kunstig intelligens leder deg mot kontoer eller signaler som ser lovende ut, men som mangler reell overbevisningskraft.

Jeg har også sett at KI kan friste oss til å automatisere for mye, for tidlig. Hvis du ikke er forsiktig, kan du ende opp med mer aktivitet, men ikke nødvendigvis bedre dømmekraft.

Vi er langt unna å automatisere strategiske inntektsbeslutninger fullt ut. KI kan hjelpe med innhenting av informasjon, avdekke signaler og fremskynde gjennomføringen, men har ikke vært konsekvent pålitelig når det gjelder prognoser, salgsstrategi eller å forutsi med sikkerhet hvilke muligheter som vil bli avsluttet. Den tar deg 90 % av veien; et menneske må fylle ut de resterende 10 %. Særlig i miljøer i en tidlig fase mangler KI vanligvis nok rene historiske data til å ta slike beslutninger på det nivået man håper på.

KI er altså en kraftforsterker for innhenting av informasjon, prioritering og gjennomføring. Men den kan ikke erstatte operatørens instinkt eller nærhet til kunden. Strategi, dømmekraft og relasjonsbaserte beslutninger må fortsatt være menneskelige. Jeg tar fortsatt de endelige beslutningene om markedsfokus, budskap, prioritering, prissetting og håndtering av salgsprosesser.

Slik justerer du når KI ikke strekker til i budskapet

Her er et eksempel på et område der KI ikke strakk til for meg.

Vi brukte KI til å generere og forbedre utgående tekster raskere, men mye av innholdet ble for generisk eller for polert og traff ikke kjøperne. Det hørtes bra ut, men gjenspeilte ikke alltid den reelle markedsnyansen eller det kjøperne ville reagere på.

For å løse dette sluttet jeg å behandle KI-genererte budskap som det endelige resultatet og brukte dem heller som et førsteutkast. Den endelige posisjoneringen, tonen og presisjonen forble menneskelig. KI fremskyndet prosessen, men dømmekraften måtte fortsatt komme fra noen som stod kunden nær.

Hvorfor det er avgjørende å måle KIs innvirkning på inntektene

Ikke alle KI-implementeringer er faktisk nyttige. Jeg måler effekten av KI på samme måte som jeg ville målt enhver GTM-investering. Hver KI-arbeidsflyt jeg implementerer, må gjøre én av følgende ting:

• Øke produksjonen
• Forbedre kvaliteten på beslutningene
• Korte ned tiden frem til inntektsresultat

Hvis den ikke forbedrer én av disse tre tingene, tilfører den sannsynligvis bare støy.

På et overordnet nivå vurderer jeg om KI hjelper oss med å skape flere salgsmuligheter, prioritere bedre muligheter og gjøre teamet mer effektivt. Siden jeg bruker KI mye gjennom innhentings- og GTM-agenter, følger jeg med på måltall som spart tid på kontoanalyse, hastigheten på listebygging, tiden frem til første kontakt og hvor mye mer målrettet den utgående kontakten vår er. Hvis KI fungerer, bør teamet bruke mindre tid på å samle inn informasjon og mer tid på å handle på de riktige mulighetene.

Jeg følger også med på inntektsmåltall med fokus på kvalitet, ikke bare aktivitet. Disse omfatter konverteringsrater fra målkonto til møte, fra møte til mulighet og fra mulighet til avslutning, svarfrekvenser på KI-informert utgående kontakt og salgsmuligheter fra kontoer med høyere kjøpsintensjon. Hvis KI hjelper oss med å identifisere kontoer som passer bedre, eller forbedre budskapet, forventer jeg å se dette gjenspeilet i samtaler av høyere kvalitet og sterkere konverteringer videre i prosessen.

Operasjonelt vurderer jeg presisjon og nytte. For eksempel: Identifiserte agenten de riktige kontoene, avdekket den relevant kontekst eller hjalp den oss med å fokusere på riktig del av markedet? Hvis resultatene er raske, men ikke nyttige, hjelper det ikke. Derfor er en del av evalueringen fortsatt kvalitativ: Er innsikten tilstrekkelig nøyaktig til at vi kan stole på den, og endrer den faktisk måten vi arbeider på?

Hvorfor KI ikke er strategi

KI er ikke strategi; det er en kraftforsterker.

Alle CRO-er bør forstå dette før de setter i gang, for hvis ICP-en, budskapet, salgsprosessen og kjerneprosessene dine er svake, vil KI ikke løse dem. Den vil bare hjelpe deg med å gjøre de gale tingene raskere.

Selskaper som får mest ut av KI, bruker den til å skjerpe dømmekraften, fremskynde læring og fjerne manuelt arbeid — ikke til å erstatte tenkning. Hvis du behandler KI som en kraftforsterker i stedet for en magisk løsning, vil du implementere den langt mer effektivt.

Hva du bør vite før du lanserer KI i inntektsteam

Rene inndata og tydelige rammer er viktig. Jeg har allerede vært inne på dette, men det tåler å gjentas fordi jeg skulle ønske at jeg hadde innsett det tidligere.

I starten er det lett å bli begeistret over hva KI kan produsere, men hvis dataene er rotete, ledeteksten er vag eller arbeidsflyten ikke er tydelig definert, ser resultatet bedre ut enn det faktisk er. Dette kan skape falsk trygghet og bortkastet innsats.

Hvis jeg hadde visst dette tidligere, ville jeg ha brukt mindre tid på å jage etter iøynefallende resultater og mer tid på å definere det nøyaktige bruksområdet, suksessmålet og laget for menneskelig gjennomgang fra første dag. Dette ville ha bidratt til å unngå støy, falske positiver og mye omarbeid.

Jeg lærte av feilen min og ble mye mer disiplinert når det gjaldt omfang, inndata og gjennomgang.

Først begrenset jeg hvert AI-initiativ til én spesifikk oppgave i stedet for å be det om å gjøre for mye på én gang. Deretter standardiserte jeg inndataene — ensartede datafelt, tydeligere ledetekster, strammere definisjoner av hva «godt» innebar, og mindre avhengighet av rotete eller ufullstendig informasjon. Jeg la også til tydelige retningslinjer som definerte hvor AI kunne støtte, og hvor et menneske måtte ta den endelige avgjørelsen.

I tillegg bygde jeg inn en gjennomgangssløyfe. Jeg testet resultatene mot virkelige utfall, identifiserte hvor AI skapte støy eller falsk trygghet, og videreutviklet løsningen derfra. Den største endringen var å se på AI mindre som magi og mer som et operativsystem som trenger struktur, kvalitetssikring og begrensninger for å være nyttig.

Hvorfor CRO-er bør ta AI i bruk som et skifte i driftsmåten

Alt i alt er dette rådet mitt.

Ikke gå frem med AI som om det bare handler om å rulle ut et verktøy. Se på det som et skifte i driftsmåten.

Begynn med ett tydelig inntektsproblem der hastighet, signalbehandling eller manuelt arbeid holder teamet tilbake. Bruk AI til å skape større effekt der først. Hold omfanget stramt, mål effekten, og bygg videre på reelle arbeidsflyter i stedet for opphaussing.

Viktigst av alt: Ikke sett bort dømmekraften. De beste CRO-ene vil bruke AI til å bevege seg raskere, se klarere og ta bedre beslutninger — ikke til å erstatte den menneskelige konteksten som fortsatt driver frem godt lederskap innen markedslansering.

Følg med

Du kan følge Waleed Shaaranis reise på LinkedIn mens han fortsetter å lede inntektsorganisasjoner i oppstartsverdenen.

Flere ekspertintervjuer kommer på The CRO Club!