Murals CRO forteller oss hvor inntektsledere gjør feil med AI – og hvordan det kan løses

Bill Dwoinen er CRO i vekstselskapet Mural, som leverer B2B SaaS. Han har jobbet med inntekter i 20 år og har nå ansvaret for salg, kundesuksess, inntektsoperasjoner og GTM-systemer – og han satser fullt på kunstig intelligens.

Vi snakket med Bill om hvorfor inntektsledere må slutte å bruke kunstig intelligens til å fikse friksjonspunkter og i stedet begynne å redesigne hele arbeidsflyter. Her er det han fortalte oss.

Aldri en rett linje til toppledelsen

Jeg heter Bill Dwoinen og er CRO i Mural. Jeg har jobbet med salg og salgsledelse i rundt 20 år. Jeg begynte innen humankapital hos CareerBuilder, gikk deretter over til SaaS hos LinkedIn, og tilbrakte så nesten fem år med å lede Slacks bedriftsvirksomhet i Salesforce innen det strategiske teknologisegmentet. Jeg tiltrådte som CRO i Mural tidlig i 2025.

Reisen min har aldri gått i en rett linje. Jeg sier dette til elever på videregående når jeg drar tilbake for å holde foredrag, og jeg mener det. Livet beveger seg ikke i en rett linje, og det gjør heller ikke en salgskarriere. Jeg startet som individuell bidragsyter, gikk inn i ledelse fordi jeg oppriktig brydde meg mer om menneskene rundt meg enn om å få æren selv, og bygde etter hvert merittene som åpnet dørene til toppledelsen. Små, konsekvente valg over 20 år – det var det som skulle til.

Å lede inntektsorganisasjonen

Jeg leder hele inntektsorganisasjonen i Mural, et vekstselskap som leverer B2B SaaS med en abonnementsmodell basert på gjentakende inntekter og et voksende tjenestelag gjennom LUMA-partnerskapet vårt. Organisasjonen omfatter salg, kundesuksess, inntektsoperasjoner og GTM-systemer. Jeg valgte bevisst å legge GTM-systemer inn under inntektsorganisasjonen for å samkjøre systemene, dataene og arbeidsflytene våre med hvordan kundene kjøper, tar i bruk og videreutvikler samarbeidet med oss, i stedet for å optimalisere dem i siloer.

Vi betjener bedriftskunder globalt, med den sterkeste konsentrasjonen i AMER og EMEA. Arbeidet med markedsføring og salg fokuserer både på å skaffe nye kunder og på utvidelse innenfor den eksisterende kundebasen, og vi utvider aktivt til nye bruksområder og kjøperpersonaer utenfor Murals tradisjonelle nedslagsfelt.

Det som betyr mest for meg, er at inntektsorganisasjonen fungerer som én sammenkoblet motor. Ny forretning, kundebevaring og utvidelse må ikke drives som separate agendaer. Jobben min er å sørge for at driftsmodellen gjenspeiler dette, og at alle deler av organisasjonen, fra den første salgssamtalen til langsiktig kundeverdi, trekker i samme retning.

Hvorfor kunstig intelligens er en gave til CRO-er

Jeg har alltid trodd på prosesser: prognosenøyaktighet, disiplin i salgspipelinen og forståelse av de ledende indikatorene. Kunstig intelligens gir nå full gass til alt jeg har bygget lederfilosofien min rundt.

Team som tidligere måtte gjennomgå salgspipelinen manuelt og ta beslutninger på magefølelsen, kan nå få signaler raskere, handle med større trygghet og gi mer presis coaching. For en CRO er ikke det en trussel, men en gave.

Ledere som vil lykkes i denne situasjonen, er ikke redde for den. Jeg har aldri vært redd for å mislykkes, og jeg er heller ikke redd for dette. I Mural fokuserer jeg på å bygge en inntektsmotor der kunstig intelligens forsterker det dyktige mennesker allerede gjør, i stedet for å erstatte dømmekraft, relasjoner eller kulturen vi bygger. Det er dette arbeidet handler om nå, og jeg kunne ikke vært mer fokusert på det.

Slik kan kunstig intelligens redesigne verdifullt inntektsarbeid

Jeg brukte kunstig intelligens til å redesigne hvordan verdifullt inntektsarbeid utføres, spesielt innen kontoundersøkelser, utvikling av POV-er og kommunikasjon.

Dette arbeidet er tettere knyttet til inntekter enn folk noen ganger innser. Det påvirker hvor godt teamet møter kundene, hvor relevant kontakten er, og hvor konsekvent organisasjonen formulerer verdien. Historisk sett har arbeidet også vært for manuelt, for ujevnt og for avhengig av individuell innsats. De beste selgerne gjør det godt. Andre gjør noe mer generisk. Dette skaper et kvalitetsproblem, ikke bare et produktivitetsproblem.

De nye arbeidsflytene mine er spesialtilpassede GPT-er utviklet for spesifikke kommersielle bruksområder. Dette er ikke generisk kunstig intelligens brukt bredt, men verktøy utformet rundt hvordan vi tenker på kontoer, hvordan vi formulerer verdi, og hvordan sterke kommersielle resultater ser ut i vår kontekst.

Spesifisitet skaper gjennomslagskraft. Generiske verktøy gir generiske resultater.

Det tydeligste eksempelet er arbeidsflyten vår for kontoundersøkelser og forberedelse av kontakt. En selger legger inn kontoen, den relevante konteksten og målet. Arbeidsflyten produserer en strukturert kontooversikt: hva som sannsynligvis skjer i virksomheten, hvor prioriteringene og utfordringene ligger, hvilke signaler som er viktige, og hvordan vi skal formulere verdien vår i møte med akkurat denne situasjonen.

Kunstig intelligens i kontoundersøkelser og forberedelse av kontakt

Selgeren sitter igjen med et reelt standpunkt bygget rundt kunden, ikke en gjenbrukt mal. Arbeid som tidligere tok 10 til 30 minutter, tar nå nærmere tre minutter uten at kvaliteten reduseres. Og kvaliteten er mer konsistent på tvers av teamet, uavhengig av hvem som bruker den.

AI i prognosearbeidsflyter

Et annet eksempel er Forecast Center, en tilpasset GPT jeg bygde for å endre hvordan ledere forbereder seg til og gjennomfører prognosesamtaler. Den løser problemet med at de fleste prognosemøter ender med at ledere leser opp data for rommet, i stedet for å bruke dataene til å drive strategien. Forecast Center tar driftsdata, innspill fra salgspipelinen og informasjon om kunders helsetilstand, og hjelper ledere med å omforme dette til en tydelig fortelling og et velbegrunnet synspunkt før de i det hele tatt går inn i møtet.

Vår interne standard er enkel: Hvis det høres ut som om en GPT har oppsummert et regneark, er det ikke ferdig. Det skal høres ut som en CRO som har gjort hjemmeleksen sin og er klar til å drive virksomheten fremover.

Resultater

Det som gjør begge deler effektive, er ikke modellen. Det er utformingen av arbeidsflyten, den innebygde konteksten og standarden vi holder for hva gode resultater innebærer. Selgeren og lederen har fortsatt ansvaret for vurderingene. AI fjerner friksjonen fra forberedelsene, slik at de kan møte skarpere, raskere og mer konsistent enn før.

Vi er fortsatt tidlig i prosessen, så jeg advarer mot å overdrive den langsiktige innvirkningen på inntektene. Men på tvers av disse arbeidsflytene og flere andre har vi allerede forbedret hastigheten og reaksjonsevnen i hele organisasjonen uten å ofre kvalitet. Teamene kan komme raskere nærmere kundene fordi de ikke lenger må vente på et møte eller en langvarig manuell prosess for å undersøke en konto, bygge kontekst og danne seg et synspunkt. Dette har forbedret forberedelsene, økt konsistensen i det kundevendte arbeidet og gjort inntektsorganisasjonen mer effektiv i arbeidet med å engasjere kontoer.

Hvorfor fornyelser trenger en redesign med AI

Fornyelser trenger også en redesign.

De fleste inntektsorganisasjoner behandler fortsatt fornyelser reaktivt. Teamene nærmer seg datoen, sjekker helsescoren og prøver febrilsk å følge opp de riktige relasjonene.

Men når teamene gjør dette arbeidet, ligger de allerede etter. Jeg vil anbefale å utforme fornyelsesinnsikt som en kontinuerlig arbeidsflyt, ikke som en kvartalsvis brannslukningsøvelse. AI egner seg godt til dette fordi teknologien kan avdekke risikosignaler, varsle om manglende dekning og hjelpe ledere med å danne seg et synspunkt på hvor de bør sette inn tiltak før tidsvinduet lukkes.

Hvorfor den største muligheten med AI ikke er det du forventer

Men husk at den største muligheten med AI ikke ligger i å løse individuelle friksjonspunkter. Den ligger i å tenke nytt om selve arbeidsflyten.

Tidlig i prosessen var jeg sannsynligvis for fokusert på å løse umiddelbare problemer. Det skapte verdi, men var i noen tilfeller mer trinnvis enn transformativt.

Hvis jeg hadde forstått dette tidligere, ville jeg brukt mindre tid på å optimalisere isolerte oppgaver og mer tid på å redesigne arbeidsflytene med høyest verdi fra ende til annen, med tydelige koblinger til GTM-prioriteringer og målbar forretningspåvirkning fra starten av.

Det ville ha hjulpet meg med å unngå fragmentert eksperimentering. Dette kan føre til nyttige verktøy som ikke summerer seg til reell strategisk innflytelse.

Lærdommen er at AI skaper mest verdi når teknologien kobles til hvordan virksomheten skaper inntekter – ikke bare til områdene der folk opplever problemer i øyeblikket.

Bill deler

Den største muligheten med AI ligger ikke i å løse individuelle friksjonspunkter. Den ligger i å tenke nytt om selve arbeidsflyten.

Der AI påvirker inntektsoppgaver

Jeg bruker AI mest på områder der bedre sammenstilling og raskere forberedelser skaper reell innflytelse, som kontoundersøkelser, utarbeidelse av synspunkter, budskap, kommunikasjon og mønstergjenkjenning på tvers av store informasjonsmengder. AI er svært god til å behandle innspill, strukturere tanker og forbedre kvaliteten og konsistensen i gjennomføringen på tvers av organisasjonen.

Mennesker kommer inn når det kreves reell dømmekraft og ansvarlighet: prognoser, prissetting, endelige beslutninger om salgspipelinen, territoriebeslutninger og viktige beslutninger knyttet til kunderisiko eller investeringer. AI kan informere disse samtalene, men erstatter ikke ledernes dømmekraft.

Grunnen er enkel. Jeg vil at AI skal hjelpe oss med å tenke bedre og bevege oss raskere, ikke eie beslutninger der nyanser, kontekst og ansvarlighet betyr mest. I en inntektsorganisasjon er tempo viktig, men dømmekraft er fortsatt det som skiller oss ut.

Inntektsledere må følge nøye med på AI-skrot

Noen ganger skaper AI mer innhold i stedet for bedre innhold. Det tydeligste eksempelet er AI-skrot: generisk oppsøkende arbeid, generiske budskap, generiske synspunkter og mye aktivitet som ser produktiv ut, men som ikke forbedrer den kommersielle kvaliteten. I slike tilfeller skaper AI støy, ikke større gjennomslagskraft.

Jeg har også sett at AI brukes for mye på områder der dømmekraft, kontekst og nyanser betyr mer enn hastighet. Hvis inndataene er svake eller standardene lave, løser ikke AI dette. Det forsterker problemet.

Problemet handler mindre om selve teknologien og mer om hvor lett det er å forveksle volum med verdi. Det er denne feilen jeg følger tettest med på, fordi den fører til svekket tillit.

Jeg håndterer dette ved å etablere en tydelig standard i hele organisasjonen, gå foran som et godt eksempel og skalere disiplinen jeg brukte til å bygge mine egne arbeidsflyter. Det innebærer å understreke at AI skal skjerpe tenkningen, ikke erstatte den, og at kontekst, iterasjon og dømmekraft fortsatt betyr noe.

Det er dette som skiller inntektsteam som får reell gjennomslagskraft fra AI, fra dem som bare skaper mer støy.

Hvorfor skalering ikke alltid innebærer et kompromiss med kvaliteten

Jeg trodde at skalering alltid innebar et kompromiss med kvaliteten. I arbeidet med å føre et produkt til markedet har automatisering historisk sett betydd større produksjon, men vanligvis på bekostning av relevans, dømmekraft og kvalitet.

AI endret antakelsen min om at dette kompromisset er uunngåelig. Når AI brukes riktig, med riktig kontekst, utforming av arbeidsflyter og riktige standarder, kan det øke hastigheten og skalaen uten automatisk å senke kravene.

Det beste eksempelet er arbeidsflytene for kontoundersøkelser og forberedelser som jeg delte tidligere. Dette skjer ikke automatisk, men det er mulig. Og det markerer et betydelig skifte fra hvordan de fleste av oss har opplevd automatisering i inntektsorganisasjoner.

Hvorfor gode data er avgjørende for vellykket innføring av AI

Gode data er viktigere enn verktøyene. Hvis dataene er ufullstendige, inkonsekvente eller vanskelige å stole på, løser ikke AI dette problemet. Det forsterker det.

Du kan få raskere resultater, men ikke bedre resultater. Dette har vært en av de viktigste lærdommene for meg.

Vellykket innføring av AI handler ikke bare om tilgang til riktig modell. Det handler om å ha et godt datafundament, operasjonell disiplin og tillit til inndataene for å kunne bruke modellen effektivt. Verktøyene betyr noe, men gode data er det som gjør det hele virkelig.

Hvordan CRO-er bør møte AI-drevne endringer

Jeg råder CRO-er til å bruke AI til å skjerpe tenkningen, forbedre gjennomføringen og skalere dømmekraften, ikke til å oversvømme virksomheten med mer innhold.

Begynn på områdene der hastighet og sammenstilling skaper reell gjennomslagskraft: kontoundersøkelser, utarbeidelse av synspunkter, budskap og mønstergjenkjenning på tvers av inntektsmotoren. Vær tydelig på hva AI skal informere om, og hva som fortsatt bør være menneskelig. Og sett listen høyt fra starten; ellers vil folk falle tilbake på generisk innhold som ser produktivt ut, men som ikke forbedrer den kommersielle kvaliteten.

Lederne som vil få størst utbytte, er ikke de som påstår at de har funnet ut av alt. Det er de som engasjerer seg seriøst i dette, bruker det gjennomtenkt og fortsetter å heve listen for hva det gjør for virksomheten.

Følg med videre

Du kan følge arbeidet til Bill Dwoinen på LinkedIn.

Flere ekspertintervjuer kommer på The CRO Club!