Inntektsdirektøren deler sine agentiske arbeidsflyter og forteller oss hvor KI bryter sammen i inntektslivssyklusen

André Magrini er CRO i OGI. Med 20 års erfaring innen inntekter går han nå i dybden på agentbaserte arbeidsflyter som styrer beslutninger med høy risiko.

Vi tok en prat med André for å lære hvor han bruker agentene sine – og hvor AI skaper overraskende problemer. Dette fortalte han.

AI-systemer for beslutninger med høy risiko

Jeg heter André Magrini og er Chief Revenue Officer i OGI, den internasjonale delen av Objective Group. Min verden handler om inntekter, men jeg er opptatt av hvordan vi beslutter hvilke inntekter vi skal skape – den menneskelige vurderingen bak hver kvalifiserte salgsmulighet, hver prognosegjennomgang og hver samtale om «er denne avtalen reell?».

Veien hit har ikke vært rettlinjet. Jeg har brukt mange år på å bygge og drive markeds- og salgsprosesser som med hensikt var nettverksstyrte og disiplinerte, snarere enn basert på rå kraft – små team, relasjoner med høy tillit og grundig kvalifisering. Det lærte meg noe de fleste AI-samtaler hopper over: Flaskehalsen i inntektsarbeidet er ikke aktivitet, men kvaliteten på beslutningene under usikkerhet. Selgere og ledere drukner i signaler og gjetter likevel.

Det var dette som trakk meg mot AI. Parallelt med rollen som CRO har jeg gått i dybden på å bygge AI-systemer for beslutninger med høy risiko – der kostnaden ved et selvsikkert, men feilaktig svar er reell.

Derfor handler øyeblikket jeg er i nå mindre om «å ta i bruk AI-verktøy» og mer om «å redesigne inntektsmotoren rundt bedre beslutninger». Ikke AI som skriver flere e-poster – AI som forteller deg hvilke avtaler som fortjener oppmerksomheten din, hvor sårbar prognosen er, og når det ærlige svaret er «vi vet det ikke ennå». Det er denne transformasjonen jeg bryr meg om.

Å drive digital transformasjon

I OGI gir vi råd til og gjennomfører digital transformasjon for virksomheter – vi anbefaler ikke bare strategier; vi leverer resultater. Vår GTM-modell bruker en «etabler-og-utvid»-tilnærming forankret i tydelig og direkte avkastning på investeringen. Vi vinner det første oppdraget ved å bevise målbar verdi, og utvider deretter kundeforholdet.

Vi er et internasjonalt team med kontorer i Nord-Amerika, Sør-Amerika og Europa. Den geografiske tilstedeværelsen gjør at vi kan betjene store multinasjonale virksomheter på tvers av et bredt spekter av bransjer – fra mat og forbruksvarer til store statseide banker – og tilpasse oss svært ulike kjøpskulturer og beslutningssykluser.

Partnerekosystemet vårt er en viktig del av hvordan vi leverer. Vi samarbeider tett med plattformer som Databricks, Snowflake og Liferay, samt store skyleverandører som Azure og AWS. Dette gjør at vi kan møte bedriftskundene på teknologistakken de allerede satser på.

Slik kan agenter støtte kundeforberedelser

Flaskehalsen vår var aldri mengden potensielle kunder; den var forberedelsene. Før en selger tok kontakt med en kunde, utførte et seniormedlem av teamet skrivebordsarbeidet med å undersøke selskapet, finne ut hvem som eide budsjettet og hvem som bare dukket opp i møter, finne en troverdig grunn til å ta kontakt og vurdere muligheten etter BANT for å avgjøre om den var verdt tiden vår.

Med et lite seniorteam fordelt på tre regioner falt dette arbeidet på den samme lille gruppen mennesker som egentlig burde ha vært ute hos kundene. Det gikk sakte og var lite konsekvent. To av oss som undersøkte samme type kunde, kunne komme tilbake med ulik dybde og ulike konklusjoner.

Jeg bygget det jeg kaller «CRO-teamet» vårt. Jeg utformet et sett med AI-agenter som skulle ta seg av det tunge arbeidet først. Dette omfatter grundig kundeundersøkelse, et organisasjonskart over de reelle interessentene, signaler og kontaktpunkter det er verdt å handle på, samt strukturert førstegangs­kvalifisering. Når et menneske tar over kunden, ligger det allerede en begrunnet beslutning om å gå videre eller ikke foran dem, i stedet for en tom side.

Resultatet er at forberedelser som tidligere tok 5 timer, nå tar 15 minutter. Fordi hver kunde går gjennom den samme prosessen, er det like bevisst hva vi sier nei til, som hva vi forfølger.

I et slankt team er den knappeste ressursen vår verken antall ansatte eller salgspipeline; det er oppmerksomheten til mennesker som kan lese en avtale riktig. Hver time noen brukte på å hente inn bedriftsdata, var en time som ikke ble brukt på å beslutte hva vi skulle gjøre med den.

En praktisk arbeidsflyt for kundeforberedelser

Her er arbeidsflyten vi bruker for helt nye målkontoer.

Det starter med en utløser. Utløsere omfatter markedssignaler, partneraktiviteter (f.eks. at Databricks eller Snowflake varsler om aktivitet på en konto), eksisterende kunder som ber om utvidelse, eller et navn som et av teammedlemmene mine foreslår. Uansett kilde går kontoen inn i arbeidsflyten, og CRO-teamet begynner arbeidet.

Agenter utarbeider en dokumentasjon som beskriver virksomhetens drift, teknologistakken, nylige signaler (som ansettelser i ledelsen, transformasjonsinitiativer, finansiering og presseomtale) og et organisasjonskart som skiller beslutningstakere fra møtedeltakere. Alle påstander i dokumentasjonen har en kilde. Hvis en agent ikke kan oppgi en kilde, kan den ikke fremsette påstanden.

Deretter vurderer en strukturert første gjennomgang i BANT-stil kontoen opp mot kvalifiseringskriteriene våre. Viktigst av alt markerer KI områder der den mangler sikkerhet. Hvis budsjettsignalet er svakt eller beslutningsmyndigheten bare er en antakelse, sier den uttrykkelig fra i stedet for å presentere en svak slutning som et faktum. Jeg vil heller se ti ærlige markeringer med «lav sikkerhet» enn én selvsikker setning jeg ikke kan stole på.

Neste steg er den menneskelige kontrollen, et trinn som ofte overses. Før representanten vurderer KI-resultatet, skriver vedkommende først sin egen vurdering av kontoen. De dokumenterer intuisjonen, perspektivet og magefølelsen for ja eller nei. Først deretter åpner de dokumentasjonen og sammenligner det med sin egen vurdering. Enighet betyr at vi går videre; avvik utløser en samtale som fokuserer direkte på punktene KI markerte som usikre. Beslutningen om å gå videre eller ikke er helt og holdent menneskelig.

Mange kontoer avsluttes med vilje her. Vi diskvalifiserer tidlig for å unngå å sløse bort tiden til seniorressurser på urealistiske muligheter.

For kontoer som går videre, bidrar KI til å utforme tilnærmingen: verdiforslaget og avhandlingen om avkastning på investeringen for den spesifikke kontoen, inngangspunktet og hvilken partner og løsning som passer best. Representanten utformer imidlertid budskapet og samtalen, slik at den blir mellom mennesker og ikke masseprodusert oppsøkende kontakt.

Derfra går prosessen i en løkke. Etter hvert som avtalen utvikler seg, skanner agenter kontinuerlig etter signaler – risiko for avkjøling, risiko for kundefrafall eller utløsere for utvidelse – og varsler oss hvis prognosen ser svak ut. Prognosesamtalen og relasjonen forblir menneskelige.

Slik endrer KI GTM-måltallene

André deler

Mer dekning er ikke alltid bedre. Da KI fjernet flaskehalsen i research og kvalifisering, forventet jeg den åpenbare gevinsten: Det gjorde det motsatte.

Mer dekning er ikke alltid bedre. Da KI fjernet flaskehalsen i research og kvalifisering, forventet jeg den åpenbare gevinsten: Teamet mitt skulle dekke langt flere kontoer, og salgspipelinen skulle vokse kraftig.

Det gjorde det motsatte. Selv om vi plutselig kunne kvalifisere et enormt volum av kontoer, var det meste av det som kom tilbake, kvalifisert søppel. Mer dekning skapte bare mer støy. Utvelgelse og dybden i relasjonen var viktigere enn skala.

Derfor endret jeg hva jeg måler. Jeg sluttet å følge med på GTM-helsen gjennom volum og dekning; i stedet målte jeg kvaliteten på utvelgelsen og hvor seniorressursene mine brukte timene sine. Den virkelige spaken viste seg å være å trekke fra, ikke å legge til. Å si nei raskere, konsentrere seniorteamet om færre kontoer og gå dypere i stedet for bredere.

Det var vanskelig å innrømme, fordi det strider mot hvordan jeg hadde drevet team i tjue år.

Hva bør forbli menneskelig, og hva bør KI håndtere?

Når du slutter å tenke på KI som en produktivitetsmultiplikator og begynner å se på den som en måte å beskytte oppmerksomheten til et lite team på, blir fordelingen mellom KI og mennesker tydelig.

KI samler inn og rangerer – kontoundersøkelser, organisasjonskartet og den første BANT-gjennomgangen. I tillegg bidrar den til å prioritere salgspipelinen, utfører poengsetting og sortering av avtaler slik at vi ikke alle ser på de samme førti mulighetene med det samme uengasjerte blikket, og skanner etter signaler som at en konto er klar for utvidelse eller stille er i ferd med å kjølne. Når det gjelder prognoser, samler den dataene og, enda mer nyttig for meg, markerer hvor vurderingen er svak. Den forteller meg hvilke tall den ikke stoler på.

Mennesker tar beslutningene. Jeg eier det endelige prognosetallet. Mennesker håndterer prising og kommersiell strategi. Mennesker styrer relasjonen og forhandlingen, punktum. Vi overlater aldri en kundeavgjørelse med høy risiko – der vi forplikter oss til en avkastning på investeringen, eller der tillit står på spill – til en modell. Grunnen er ikke sentimental. Disse beslutningene tas under reell usikkerhet, med kontekst som finnes i et rom og i en historikk med kunden, ikke i dataene. Det er nettopp der en modell er svakest, og der det er dyrest å ta feil.

Et eksempel på hvorfor menneskelig skjønn er nødvendig i nye avtaler

I fjor hadde vi en avtale med en global produsent som systemet favoriserte. Alle måltallene var grønne: dusinvis av e-poster i uken, tilbakevendende samtaler og seks eller sju aktive interessenter i tråden. CRO-teamet rangerte den høyt i salgspipelinen og ba meg satse, ta den med i prognosen og presse på for å avslutte. På papiret var det den sunneste avtalen vår.

Den erfarne selgeren min på kontoen mente det motsatte, og hun hadde rett. All denne aktiviteten var ikke fremdrift, men friksjon. Sju personer var i rommet fordi ingen av dem kunne si ja. Møtene ble gjentatt fordi avtalen stadig kom tilbake til det samme ubesvarte spørsmålet. Den mest entusiastiske kontakten vår, som drev det meste av e-posttrafikken, hadde ikke myndighet over budsjettet. AI-en tolket volum som kjøpsintensjon. Intern politikk og en kjøpsgruppe som var for redd til å ta en beslutning, var den egentlige årsaken.

Maskinen kunne ikke se tausheten fra den ene lederen som betydde noe, eller den flate tonen i rommet hver gang pris ble tatt opp. Engasjementsmetadata viser ikke denne underteksten. Selgeren vår visste det fordi hun kjente menneskene.

Vi stolte på henne, nedjusterte avtalens rangering og sluttet å bruke ledende medarbeideres tid på den. Vi hadde rett og sparte oss selv for et kvartal med bortkastet innsats. Dette befestet en regel vi fortsatt følger: AI-en bringer bevisene; mennesker leser mellom linjene.

Slik forbedrer AI effektivitet, disiplin og vinnerandel

Samlet sett er tidsbesparelsene den åpenbare gevinsten med AI. Agentene for kontoforberedelse alene gjør at vi kan kjøre den samme prosessen på omtrent tre ganger så mange kontoer med den eksisterende bemanningen. Vi ansatte ikke flere; vi ga det eksisterende teamet timene deres tilbake, og disse timene brukes nå foran kundene i stedet for i regneark.

En annen stille fordel er disiplin. Nå kvalifiserer vi bort tidligere. Vi sier raskere nei til feil avtaler, noe som høres negativt ut, men som er en av de sunneste utviklingene for salgspipelinen vår.

Jeg vil ikke oppgi en nøyaktig vinnerandel i prosent, fordi jeg ikke tror tallet ville vært ærlig ennå. Det jeg kan si, er at vi ser en målbar økning i konverteringen på avtalene vi velger å forfølge, og at prognosen har færre overraskelser. Noe av dette skyldes at vi jakter på bedre avtaler. Noe skyldes at AI-en peker ut hvor prognosen er tynn, og at bevisene egentlig ikke støtter vurderingen. En overraskelse du kan se komme tre uker i forveien, er egentlig ikke en overraskelse. Dette, mer enn noe enkelt måltall, endret måten vi driver kvartalet på.

Hvorfor AI-resultater bør behandles som et utkast

Tidlig stolte vi for mye på resultatene. Undersøkelsen så ryddig, velskrevet og selvsikker ut, og var formatert som en god analytikerrapport. I et par tilfeller var den feil på kritiske områder.

Ett kontokart identifiserte feil beslutningstaker. Et annet baserte seg på et signal som var flere måneder utdatert. Ett av dem holdt nesten på å bli brukt i en faktisk kundesamtale før et teammedlem oppdaget det. Det skremte oss mer enn ethvert uteblitt måltall, fordi selvsikker og feil er den dyreste feilmåten som finnes.

Intern friksjon oppsto også. Folkene mine er erfarne. Det siste en god selger ønsker, er en maskin som gir dem en poengsum og antyder at den kjenner kontoen bedre enn de gjør.

Vi sluttet å behandle AI-resultatet som sannheten og begynte å behandle det som et utkast. Systemet markerer nå når det er usikkert, og gir beslutningen tilbake til et menneske i stedet for å gjette. Da teamet forsto at AI-en var der for å gjøre grovarbeidet og beskytte vurderingsevnen deres, ikke erstatte den, falt motstanden raskt. De begynte å stole på den fordi den gjorde seg fortjent til tilliten og innrømmet når den ikke visste.

Tre steder der AI bommer i arbeidsflyter for inntektsarbeid

Den største bommerten med AI var sannsynligvis oppsøkende kontakt. Vi forventet at AI skulle bygge salgspipeline for oss ved å levere personlige meldinger i stor skala til hundrevis av kontoer på en måte som føltes individuell. Det fungerte ikke.

I komplekse bedriftsavtaler med betydelig verdi skaper ikke flere meldinger mer salgspipeline. Kjøperne jeg selger til, gjenkjenner AI-basert oppsøkende kontakt umiddelbart og sletter den like raskt. Vi økte derfor ikke svarprosenten; vi flatet den ut. AI er svært god til å gjøre et menneske klart for en samtale, men mislykkes med å erstatte selve samtalen.

Prognostiseringen bommet også, og det overrasket meg mer. Påstanden var at KI skulle forutsi inntekter bedre enn en seniorperson som analyserte de samme avtalene. Det viste seg ikke å stemme. Det som virkelig påvirker tallene i virksomhetsmarkedet, er informasjon som ikke finnes i dataene. En sponsor slutter. Et budsjett fryses to uker før avtaleinngåelse. En stille politisk endring internt hos kunden gjør plutselig at forkjemperen din står uten støtte. Modellen kan ikke se noe av dette. Den er virkelig god til å fange opp sårbarhet og fortelle meg hvilke avtaler som virker skjøre, men den kan ikke forutsi kvartalet. Der vinner fortsatt seniorvurderingen.

Det siste som ikke fungerte, var å forkorte salgssyklusen. Det påvirket den knapt. En salgssyklus i virksomhetsmarkedet følger kundens klokke, ikke vår: innkjøp, juridisk avdeling, komiteen, budsjettkalenderen. Vi kan gjøre selgerens del betydelig raskere — og det gjorde vi — men vi kan ikke fremskynde kjøperens del, som styrer tidslinjen.

Hvorfor inntektsledere må ta hensyn til den menneskelige siden av KI-adopsjon

André deler

Påtvunget adopsjon er stille sabotasje med bedre manerer.

Jeg bommet fullstendig på den menneskelige siden. Jeg behandlet det som en verktøylansering i stedet for en atferdsendring. Jeg bygde noe, overleverte det ferdig og forventet at adopsjonen skulle følge etter.

Jeg møtte motstand. Folk brukte det bare fordi de fikk beskjed om det. Andre ignorerte det stille. Påtvunget adopsjon er stille sabotasje med bedre manerer.

Hvis jeg kunne gjort det om igjen, ville jeg involvert teamet i samskapingen fra dag én i stedet for å presentere dem for et ferdig svar.

Det ville ha spart måneder med leting etter det perfekte verktøyet, mens det egentlige problemet lå i uskrevne kriterier og et team som ikke hadde sluttet opp om løsningen. Jeg ville ha begynt mindre, med én arbeidsflyt og teamet til stede, og jeg ville ha skrevet kriteriene først. Det ville ha spart meg for en kostbar feilstart og tilliten jeg måtte bruke tid på å bygge opp igjen etterpå.

Fire råd til inntektsledere

Her er mine råd:

1. Begynn med et spørsmål, ikke et verktøy. Spør deg selv hva den knappeste ressursen i teamet ditt er. For nesten alle som driver med komplekst salg, er det vurderingsevne og oppmerksomhet, ikke aktivitet. De beste folkene dine har et begrenset antall timer der de tenker klart om en avtale, og det er det du mangler. Rett derfor KI inn mot å beskytte dette.
2. Vær ærlig med deg selv om forfengelighetsmåltall. Flere e-poster, flere berøringspunkter, mer innhold, mer aktivitet i systemet. I et komplekst salg er dette stort sett støy forkledd som fremgang. KI er svært god til å produsere aktivitet som føles som arbeid, men som ikke fører til noe. Hvis det eneste beviset ditt på at KI hjelper, er at teamet ditt er travlere, har du kjøpt feil ting.
3. Krev at KI-systemene dine skal kunne si «Jeg vet ikke» og eskalere til et menneske. Behandle alle resultater som utkast som må kontrolleres, aldri som sannhet.
4. Begynn i det små og mål KI på en ærlig måte. Ikke sett bort inntektsdisiplinen din til en modell og kall det transformasjon. Fordelen i denne syklusen vil ikke tilfalle den som tar i bruk mest KI. Den vil tilfalle den som holder menneskelig dømmekraft fokusert på riktig sted og nekter å la verktøyet avgjøre det som bare et menneske bør avgjøre.

Følg med videre

Du kan følge arbeidet til André Magrini på LinkedIn eller besøke hans personlige nettsted.

Flere ekspertintervjuer kommer på The CRO Club!