Leder for inntekter sier at KI-adopsjon trenger et forretningsgrunnlag før den påvirker go-to-market

Alexey Navolokin leder AMDs virksomhet i APAC, der han driver strategi, partnerskap og markedsintroduksjon.

Vi tok en prat med Alexey for å finne ut hvordan kunstig intelligens endrer strategier for inntektsstyring. Her er det han sa.

Inntektsledelse i KI-æraen handler ikke om å forsvare et territorium.

Jeg leder AMDs virksomhet i APAC — innen bedriftsmarkedet, sky, kommersielt salg og forbrukermarkedet — og driver strategien, partnerskapene og markedsintroduksjonen for å bringe EPYC, Ryzen, Radeon og Instinct inn i datasentre, PC-er og KI-infrastruktur.

Men veien hit var ikke lineær, og det er den delen jeg ønsker å dele.

Jeg startet innen bedriftsteknologi i selskaper som Apple og Intel, der jeg lærte hvordan man bygger og skalerer globale GTM-maskiner. Deretter kastet jeg meg ut i noe mer risikabelt: å lede markeds- og programvareutvikling for en blokkjedestartup som leverte tjenester til teleoperatører. I disse årene konsulterte jeg oppstartsbedrifter og SMB-er i Singapore om digital transformasjon — og hjalp dem med å bruke distribuert hovedbokteknologi for å skape åpenhet i forsyningskjeder, matsikkerhet og global handel. Ingen oppskrift, ingen veikart. Bare en overbevisning om at fremvoksende teknologi til slutt ville endre hvordan virksomheter drives.

Den overbevisningen viste seg å stemme — bare tidligere enn jeg forventet, og for en annen teknologi enn den jeg først satset på.

Blokkjedeteknologi lærte meg hvordan man selger inn et paradigmeskifte før markedet er klart for det. Det viste seg å være nøyaktig den ferdigheten jeg trengte da KI sluttet å være et lysbilde i andres presentasjoner og ble selve produktet. I AMD har jeg sett hvordan selve inntektsledelsen har blitt omkoblet: GTM-strategien tar nå hensyn til økonomien i databehandling, GPU-veikart og økosystempartnerskap med myndigheter og hyperskalere — ikke bare kanalprogrammer og kvartalsmål.

Så i dag handler jobben min ikke bare om å selge prosessorer og akseleratorer. Den handler om å bygge AMDs KI-økosystem i APAC — involvere offentlige organer, etablere partnerskap med sky- og utviklerplattformer og forme hvordan virksomheter i regionen tar i bruk KI-infrastruktur i stor skala.

Denne reisen lærte meg én ting: Inntektsledelse i KI-æraen handler ikke om å forsvare et territorium. Det handler om å være tidlig ute med det neste infrastrukturskiftet, holde seg tett på mens markedet tar igjen forspranget, og ha en endringsklar innstilling slik at man kan bygge opp oppskriften på nytt når den gamle ikke lenger fungerer.

Salg av maskinvare og plattformer gjennom en hybridmodell

AMD er en moden, børsnotert leder innen halvledere som konkurrerer helt i front innen høyytelses- og adaptiv databehandling — CPU-, GPU-, FPGA-, DPU-, NPU- og KI-akseleratorteknologi (EPYC, Ryzen, Radeon, Instinct).

Vi selger maskinvare og plattformer gjennom en hybridmodell som omfatter direkte avtaler med bedriftskunder og hyperskalere, OEM- og kanalpartnerskap, samt tilbud i tilknytning til programvare og økosystemer, som ROCm og KI-infrastrukturløsninger.

En KI-drevet arbeidsflyt for forberedelse til kundemøter

Vi segmenterer GTM på tvers av bedriftsmarkedet, sky, kommersielt salg og forbrukermarkedet, og bygger tverrfunksjonell GTM rundt kanalpartnere, sam-salgsprosesser med hyperskalere, OEM-allianser og samarbeid med myndigheter og offentlig sektor (MSIT, EDB, NIPA) om strategiske KI-infrastrukturpartnerskap.

Vi betjener markeder i hele APAC, med særlig dybde i Korea, Australia, Singapore og andre sørøstasiatiske land, på tvers av kunder innen datasentre, PC-er, KI og kantinfrastruktur.

Slik endrer KI strategier for inntektsstyring

I AMD tok selskapet i bruk KI-verktøy uformelt på tvers av virksomheten, uten en felles måte å måle forretningsverdien på — prosjekter gikk videre basert på entusiasme for teknologien, snarere enn en tydelig forståelse av kostnader, nytte og samsvar med forretningsmålene.

Deretter omstrukturerte AMDs IT-organisasjon, under CIO Hasmukh Ranjan, hvordan den introduserte KI i inntektsrettet og operativt arbeid. AMD kjører nå alle KI-forslag gjennom et filter for forretningsgrunnlag — kostnad, nytte og egnethet — før de går videre, med definerte KPI-er som følger opp verdiskapingen. Som en del av denne endringen kartla AMD «en dag i livet» til bestemte roller, inkludert salg, og bygget KI-verktøy tilpasset hver funksjon i stedet for å ta i bruk generiske verktøy i hele selskapet.

Med tydelige KPI-er på tvers av funksjoner kan AMD nå vise til målbare, funksjonsspesifikke gevinster — økonomifunksjonen ser en produktivitetsøkning på 15 % fra AI-drevet automatisering, og maskinlæringsinnsikt har ført til forbedringer i utbyttet fra halvlederproduksjonen verdt millioner av dollar. En intern katalog med mer enn 100 dokumenterte AI-bruksområder gjør det nå mulig for teamene å gjenskape det som fungerer, i stedet for å eksperimentere fra grunnen av.

Endringen er ikke at AMD har lagt til et AI-verktøy i salgsfunksjonen — det er at AMD nå krever en forretningsmessig begrunnelse og en målbar KPI før ethvert AI-initiativ berører inntektsrettet arbeid. Dette gjør at innføringen av AI i GTM-funksjoner går fra å være en rekke enkeltstående eksperimenter til å bli en repeterbar og sporbar kapasitet.

Alexeys råd

Jeg mener AI gir størst kommersiell effekt — ikke ved å erstatte selgere, men ved å hjelpe hver enkelt selger med å arbeide med forberedelsene og innsikten fra sin beste dag, hver dag.

En AI-drevet arbeidsflyt jeg bruker hver dag, er å forberede meg til et kundemøte med en leder — fra research til oppfølging.

Det begynner med at AI samler offentlig informasjon: kundens siste resultater, strategiske prioriteringer, teknologiinvesteringer, konkurransesituasjon og bransjetrender. I stedet for å bruke flere timer på å samle inn data får jeg en kortfattet ledelsesbrief på få minutter.

Deretter kobler AI denne eksterne innsikten med våre interne prioriteringer. Den identifiserer hvor AMDs portefølje best samsvarer med kundens forretningsmål, enten det gjelder AI-infrastruktur, suverene AI-initiativer, utvidelse av skyinfrastruktur eller modernisering av virksomheten.

Før møtet utarbeider AI en tilpasset presentasjon, foreslår diskusjonspunkter på ledernivå, fremhever konkurranseposisjoneringen og forutser til og med spørsmål basert på tidligere kundeinteraksjoner og markedsutvikling.

Etter møtet oppsummerer AI diskusjonen, registrerer oppgaver, utarbeider utkast til oppfølgings-e-poster, oppdaterer CRM-registreringer og anbefaler den neste beste kontakten. Det som tidligere tok flere timer, tar nå minutter, slik at jeg kan bruke mer tid med kundene og mindre tid på administrasjon.

Den største verdien her er at AI komprimerer tiden mellom innsikt, beslutning og kundeengasjement.

For en global organisasjon som AMD, der mulighetene spenner over skyleverandører, virksomheter, myndigheter og AI-innovatører i Asia og Stillehavsområdet, er hurtighet viktig. Raskere forberedelser fører til bedre samtaler. Bedre samtaler fører til sterkere kunderelasjoner. Og sterkere relasjoner driver til syvende og sist inntekter.

Det er her jeg mener AI gir størst kommersiell effekt — ikke ved å erstatte selgere, men ved å hjelpe hver enkelt selger med å arbeide med forberedelsene og innsikten fra sin beste dag, hver dag.

De beste områdene å bruke AI på — og resultatene

Områder som egner seg godt for AI-støtte i inntektsorganisasjoner, er:

• Prioritering av salgspipeline — avdekking av signaler fra kontoaktivitet og engasjementsdata
• Poengberegning av avtaler — mønstergjenkjenning mot historiske data om vunne og tapte avtaler
• Prognoser — sammenstilling av pipeline-data til fremskrivninger raskere enn ved manuell sammenstilling
• Dimensjonering av territorier og markeder

De positive resultatene vi har sett så langt, er:

• Raskere syklustid fra forslag til utkast for strategiske leveranser — finansielle modeller og presentasjoner som tidligere tok uker, tar nå dager
• Flere iterasjoner per avtale eller forslag innenfor samme tidsrom, noe som gir et skarpere sluttresultat
• Mulighet til selv å produsere tverrfunksjonelle leveranser (modell + fortelling + visualisering) som tidligere krevde involvering av andre team

• Forbedret prognosenøyaktighet
• Redusert kundefrafall

På den negative siden har jeg sett en overavhengighet av AI-generert poengberegning som overså relasjonelle og politiske forhold i avtaler med myndigheter. Tiden som kreves for å gjennomgå og korrigere AI-resultater, oppveier også av og til tiden som spares ved å generere dem. Og selv om AI har forbedret produktiviteten dramatisk, fører ikke det alltid til en tilsvarende inntektsvekst.

Hvorfor inntektsledere må balansere AI-effektivitet med menneskelig dømmekraft

Én ting som har blitt vanskeligere med AI, er å vite når man ikke skal stole på det.

AI oppsummerer effektivt informasjon, identifiserer mønstre og fremskynder daglige oppgaver. Men innen bedriftssalg kan hastighet skape en falsk følelse av sikkerhet.

En AI-generert kundeplan, prognose eller kundeorientering kan se gjennomarbeidet og komplett ut, men den kan overse de subtile dynamikkene som avgjør om en strategisk avtale lykkes eller mislykkes – endringer i støtte fra ledelsen, organisatorisk politikk, budsjettendringer eller styrken i en tillitsfull relasjon.

For inntektsledere skaper dette en ny utfordring: å balansere AI-drevet effektivitet med menneskelig dømmekraft.

I AMD har vi erfart at AI gir størst verdi når den forbereder teamene våre på bedre kundesamtaler – ikke når den erstatter kritiske kommersielle beslutninger. Kundeteamene våre validerer fortsatt AI-generert innsikt, utfordrer antakelser og bruker sin egen erfaring før de møter kunder eller inngår strategiske forpliktelser.

Hvorfor AI har problemer med nyansene i avtaler og tillit

AI har fortsatt problemer med å forstå den menneskelige konteksten bak bedriftsavtaler. I komplekst B2B-salg, særlig innen AI-infrastruktur, er de største hindringene sjelden tekniske. De er organisatoriske.

AI kan analysere CRM-data, oppsummere møter, identifisere kjøpssignaler og til og med forutsi sannsynligheten for at en avtale blir inngått. Men den overser ofte nyansene som erfarne salgsledere gjenkjenner umiddelbart.

En strategisk mulighet kan for eksempel se sunn ut fordi engasjementet fra ledelsen er høyt, den tekniske evalueringen går fremover og innkjøpsprosessen har begynt. På papiret kan AI vurdere den som en avtale med høy sannsynlighet for å bli inngått. Et erfarent kundeteam kan imidlertid vite at kundens budsjett i det stille har blitt endret, at en beslutning på styrenivå er forsinket eller at en viktig sponsor i ledelsen har gått over i en annen rolle. Disse faktorene vises kanskje aldri i strukturerte data, men de kan endre utfallet av muligheten fullstendig.

I AMD ser vi på AI som et beslutningsstøttesystem – ikke som en beslutningstaker. Det hjelper teamene våre med å forberede seg mer effektivt, identifisere mønstre på tvers av muligheter og redusere administrativt arbeid. Men når det gjelder å håndtere relasjoner til ledelsen, forhandle komplekse kommersielle avtaler eller forstå kundens langsiktige strategiske prioriteringer, er menneskelig dømmekraft fortsatt avgjørende.

Tillit er et annet område der AI har begrensninger.

Kunder som gjør infrastrukturinvesteringer på flere millioner dollar, velger ikke en partner utelukkende basert på kvaliteten på et AI-generert forslag. De velger basert på tillit til at teknologien vil fungere, at veikartet er troverdig og at menneskene bak den vil levere gjennom hele partnerskapets levetid.

Det bygges gjennom erfaring, åpenhet og relasjoner – ikke algoritmer.

Hvordan inntektsledere må forberede organisasjonen før AI integreres

Hvis jeg kunne gått tilbake, ville jeg brukt langt mindre tid på å evaluere AI-verktøy og langt mer tid på å forberede organisasjonen på å bruke dem.

Som mange andre selskaper var vårt første instinkt å spørre: «Hvilken AI-løsning bør vi ta i bruk?» Det bedre spørsmålet er: «Hvordan redesigner vi måten teamene våre arbeider på?» AI skaper ikke verdi bare ved å bli implementert. Den skaper verdi når den bygges inn i de daglige arbeidsflytene og får brukernes tillit.

Når jeg ser tilbake, er det tre lærdommer jeg skulle ønske jeg hadde kjent fra første dag.

1. Data er viktigere enn modellen. Selv den mest avanserte AI-en kan ikke overvinne fragmenterte CRM-data, uensartet kundeinformasjon eller frakoblede kunnskapskilder. Rene og pålitelige data er grunnlaget for ethvert vellykket AI-initiativ.
2. Bruk er den virkelige KPI-en. Det er enkelt å måle distribuerte lisenser eller fullførte pilotprosjekter. Den vanskeligere – og viktigere – målingen er om salgsteamene bruker AI daglig til å forberede kundemøter, forbedre prognoser, fremskynde tilbud og ta bedre beslutninger.
3. Ta utgangspunkt i forretningsresultater, ikke teknologi. AI bør løse en spesifikk kommersiell utfordring: forkorte salgssykluser, øke selgernes produktivitet, forbedre prognosenøyaktigheten eller identifisere nye muligheter. Teknologien skal muliggjøre strategien, ikke bli strategien.

Hvordan AI endrer forventningene til inntektsroller

AI har ikke endret hvem vi ansetter på et grunnleggende nivå, men den har endret hva vi forventer av hver rolle.

Tidligere så vi ofte på salg, tekniske spesialister, markedsføring og drift som separate funksjoner. I dag visker AI ut disse grensene.

Vi forventer for eksempel at kundeansvarlige bruker AI til å undersøke kunder, utvikle kundestrategier og tilpasse møter med ledere. Salgsledere blir datadrevne coacher som bruker innsikt fra AI til å forbedre kvaliteten på salgspipelinen og nøyaktigheten i prognosene. Salgsdriftsteam går fra å produsere rapporter til å utforme AI-aktiverte arbeidsflyter som hjelper virksomheten med å ta raskere og bedre beslutninger.

Hos AMD ser vi også økt etterspørsel etter personer som kan bygge bro mellom teknologi og virksomhet. Når kundene fremskynder innføringen av AI, ønsker de partnere som ikke bare forstår CPU-er, GPU-er og AI-infrastruktur, men også virksomhetstransformasjon, skyøkonomi, strategier for nasjonal AI-suverænitet og avkastning på investeringer.

Det betyr at den mest verdifulle kompetansen i økende grad kombinerer kommersielt lederskap med teknologisk forståelse.

AI-kompetanse er like viktig. Vi forventer ikke at alle skal bli dataforskere, men vi forventer at teamene forstår hvordan de kan arbeide effektivt med AI – hvordan de stiller bedre spørsmål, validerer AI-generert innsikt og anvender den på en ansvarlig måte i kundemøter.

Og kanskje er den største endringen at AI øker verdien av ferdigheter som er unikt menneskelige. Når AI automatiserer undersøkelsesarbeid, møteforberedelser og rutinemessig administrativt arbeid, blir relasjonsbygging, kommunikasjon med ledere, forhandling, strategisk tenkning og kundenes tillit enda viktigere.

På mange måter reduserer ikke AI betydningen av dyktige selgere – den øker den.

Alexeys råd

De beste selgerne er ikke lenger nødvendigvis de som har mest produktkunnskap – de knytter virksomhetens mål sammen med AI-transformasjon … Det er sannsynligvis den viktigste lærdommen jeg har fått.

Hvordan AI endrer GTM, prissetting og salg

I mange år var produktdifferensiering, relasjoner og pris de viktigste drivkreftene bak salg av teknologi til virksomheter. Disse faktorene er fortsatt viktige, men AI har endret samtalen grunnleggende.

I dag kjøper kundene ikke lenger individuelle produkter. De investerer i komplette AI-resultater.

Det betyr at samtalene har gått fra «Hvilken prosessor er raskest?» til «Hvor raskt kan vi ta i bruk AI? Hvor mye vil det koste å trene og kjøre modellene våre? Kan denne infrastrukturen skaleres? Og blir vi bundet til ett økosystem?»

Som et resultat har markedsstrategien vår utviklet seg.

Vi fokuserer nå på hvordan hele porteføljen fungerer sammen for å hjelpe kundene med å bygge skalerbar AI-infrastruktur.

AI har også endret diskusjonene om prissetting.

Kundene vurderer i økende grad totale eierkostnader, ytelse per watt, utnyttelse av infrastrukturen, programvarens åpenhet og langsiktig fleksibilitet, i stedet for å bare sammenligne anskaffelseskostnader for maskinvare. Samtalen ble langt mer strategisk.

Til slutt har AI endret hvordan vi selger.

De beste selgerne er ikke lenger nødvendigvis de som har mest produktkunnskap – de knytter virksomhetens mål sammen med AI-transformasjon. De må forstå bransjeutfordringer, datastrategi, initiativer for nasjonal AI-suverænitet, skyøkonomi og organisatoriske endringer like godt som tekniske spesifikasjoner.

Det er sannsynligvis den viktigste lærdommen jeg har fått. AI har ikke endret hva kundene verdsetter – den har endret hvordan de definerer verdi.

Fem prioriteringer for CRO-er som tar i bruk AI i organisasjonene sine

For CRO-er er AI ikke bare et nytt programvarekjøp – det blir en konkurransefordel. Men suksess kommer ikke av å ta i bruk flest mulig AI-applikasjoner. Den kommer av å bygge riktig infrastruktur, et godt datafundament og organisatorisk kapasitet.

Her er fem prioriteringer jeg vil anbefale:

• Invester i AI-infrastruktur som kan skaleres. Den største verdikilden er ikke selve modellen – det er evnen til å trene, finjustere og distribuere modeller effektivt. Åpen infrastruktur med høy ytelse gir organisasjoner fleksibiliteten til å innovere uten å låse seg til ett enkelt økosystem.
• Gjør AI til kundeverdi, ikke bare intern produktivitet. Raskere utarbeidelse av tilbud og automatiserte CRM-oppdateringer er nyttig, men den virkelige muligheten ligger i å levere bedre kundeopplevelser, personlig tilpasset kundedialog og raskere forretningsresultater.
• Gjør dataene dine klare for AI. AI er bare så god som de underliggende dataene. Rene, sikre og styrte data er nå en strategisk inntektsressurs.
• Gi selgerne bedre muligheter med AI i stedet for å erstatte dem. De mest velfungerende salgsteamene vil kombinere AI-drevet innsikt med menneskelig ekspertise, tillit og relasjonsbygging. AI bør eliminere administrativt arbeid, slik at selgerne kan bruke mer tid med kundene.
• Tenk langsiktig. Etterspørselen etter AI øker raskt, men dagens infrastrukturvalg vil avgjøre konkurranseposisjonen din det neste tiåret. Velg plattformer som leverer ytelse, åpenhet og fleksibilitet etter hvert som arbeidsbelastningene utvikler seg.

Selskapene som kommer til å lede AI-æraen, vil ikke nødvendigvis være de med de største budsjettene. Det vil være de som bygger den mest tilpasningsdyktige AI-infrastrukturen og gjør alle ansatte i stand til å bruke den effektivt.

Og AI vil ikke erstatte gode ledere med inntektsansvar. Men ledere med inntektsansvar som tar i bruk AI – og infrastrukturen som driver den – vil gjøre det bedre enn de som ikke gjør det.

Følg med

Følg med på arbeidet til Alexey Navolokin på LinkedIn.

Flere ekspertintervjuer kommer snart i CRO-klubben!