Salgsdirektøren deler hvordan inntektsteam kan bli blant de 6 % som har implementert KI med suksess

Byron Munson er visepresident for salg for JAPAC hos Supermetrics.

Vi satte oss ned med Byron for å finne ut hvorfor bare 6 % av teamene har implementert kunstig intelligens på en vellykket måte – og hvordan han får det til for teamet sitt. Dette er hva han fortalte oss.

Å bygge kommersielle motorer fra grunnen av

Jeg heter Byron Munson og er visepresident for salg for JAPAC hos Supermetrics, en global MarTech-virksomhet i vekstfasen. Kundegrunnlaget vårt spenner fra SMB-er til de største bedriftsmerkene. Go-to-market-strukturen vår er basert på en slank modell med kundeansvarlige og kommersielle kundeansvarlige, samt en partnerorganisasjon.

Jeg har tilbrakt over tjue år på tvers av APAC og EMEA, der jeg har bygget kommersielle motorer fra grunnen av og skalert dem regionalt. Jeg begynte innen reklame hos DDB og McCann i Sydney, gikk deretter over til annonseteknologi hos Adconion London og Videology SEA, og senere til MarTech hos Datorama. Jeg var med på å lede APAC for Datorama og gjennomførte Salesforce-oppkjøpet i regionen.

Å gå gjennom et oppkjøp fra innsiden, nå for andre gang, har lært meg mye jeg ikke ville ha lært fra et strategidokument: hva som overlever i en større organisasjon, hva som bygges opp på nytt, og hva som stille og rolig faller bort.

Jeg grunnla også mitt eget selskap, en klimateknologisk oppstartsbedrift kalt Climagap, noe som ga meg en sunn dose ydmykhet når det gjelder idéutvikling, finansiering og det å bringe en idé til markedet fra grunnen av. Til syvende og sist skalerte ikke virksomheten av ulike årsaker, så jeg bestemte meg for å avvikle driften.

Hos Supermetrics leder jeg et regionalt team på rundt 20 tverrfunksjonelle medarbeidere. Vi bygget opp JAPAC fra et utgangspunkt uten dedikert tilstedeværelse i markedet til en betydelig regional virksomhet. Dette omfatter et partnerøkosystem som gir tilgang til sterke lokale implementerings- og teknologiteam, noe som er avgjørende for bærekraftig skalering og kundenes langsiktige suksess.

En inntektsorganisasjon som påvirkes av kunstig intelligens på to fronter

Mer nylig har dette også omfattet kunstig intelligens på to fronter. Internt bygget vi vår egen AI-drevne inntektsinfrastruktur – som dekker pipelinehelse, kunderisiko og salgscoaching – basert på våre egne data. Dette lærte meg på nært hold at innføringen av kunstig intelligens først og fremst er et spørsmål om tillit og endringsledelse, ikke teknologi.

Eksternt har jeg sett det samme skiftet utspille seg hos kundene våre: merkevarer og byråer som drukner i dataoverbelastning. Den virkelige løsningen har ikke vært mer data, men å hjelpe dem med å ta beslutninger raskere.

LLM-partnerskapene våre, inkludert vår nyere rolle som Googles lanseringspartner for Gemini Enterprise i regionen, befinner seg i dette skjæringspunktet – og gir markedsførere direkte tilgang til markedsføringsinnsikt drevet av kunstig intelligens. For å være ærlig har jeg lært at det ikke handler om teknologien; folk handler bare på innsikt de stoler på, enten det er en salgsrepresentant som stoler på et coachingforslag, eller en kunde som stoler nok på en anbefaling til å endre planene sine for markedsføringsinvesteringer.

Der kunstig intelligens utmerker seg, og der nytten tar slutt

Kunstig intelligens styrker beslutninger ved å gi innsikt. Tilbøyelighet til oppgradering er det tydeligste eksempelet; i en selvbetjent modell kan bruks-, fakturerings- og engasjementssignaler ligge i frakoblede systemer uten noen naturlig forbindelse. Kunstig intelligens samler disse datakildene og avdekker et tydelig signal om hvem som er klar for å utvide.

Men kunstig intelligens er aldri den eneste drivkraften. Det som fortsatt er helt menneskelig, omfatter prissetting, forhandling og alt som bygger på tillit og mellommenneskelig samspill. Kunstig intelligens kan fortelle meg at en konto er klar. Den kan ikke ta samtalen.

Det er også verdt å merke seg at ikke alle satsinger på kunstig intelligens gir inntekter like raskt som entusiasmen rundt teknologien antyder. Noen krever betydelig kapasitet før de gir særlig mye tilbake.

Derfor er risikoen jeg følger aller tettest, falsk trygghet. Resultater fra kunstig intelligens kan se polerte og bastante ut selv når de bygger på et tynt datagrunnlag. Jeg behandler dem som det første utkastet fra en junioranalytiker: nyttige, men jeg handler ikke på dem uten å kontrollere dem.

To steder der AI bommer i inntektsorganisasjoner

Jeg ser to farlige feil når det gjelder AI innen inntekter.

Den tydeligste er AI-generert personalisering i utgående kommunikasjon. Den er effektiv på alle aktivitetsmålinger, men den økte ikke vinningsraten fordi kjøpere umiddelbart kan avsløre syntetisk personalisering.

Her er en mer subtil variant: å la en modell vurdere risikoen i avtaler automatisk. Den hadde rett ofte nok til å bli stolt på, og tok feil akkurat der det betydde noe – relasjoner som kjølner, noe som aldri vises i strukturerte data.

I begge tilfeller trengs et menneske i loopen.

Slik forbedrer bruk av AI i resultatstyring og markedsstrategi beslutningene

Jeg har nylig gjort to store endringer:

1. Resultatstyring: Nå synliggjør vi individuell risiko og teamrisiko før det blir en resultatutfordring, ikke etterpå. Proaktiv problemløsning i stedet for en etteranalytisk tilnærming. Dette gjør vi ved å hente inn samtaletranskripsjoner, historikk fra salgspipelinen, CRM-notater, inntekter per produktlinje og kundetilbakemeldinger – og AI synliggjør underliggende atferd.
2. Markedsstrategi: Da vi hentet inn fire års driftsdata på tvers av regionen, avdekket vi en trend i Thailand spesielt, noe som førte til at vi utvidet med en partner-først-strategi. Vi bygget opp et robust nettverk av løsningspartnere i markedet, i stedet for å etablere egen tilstedeværelse der.

Vi oppnådde dette ved å koble alle våre interne data og tredjepartsplattformer til Claude-miljøet vårt. Til syvende og sist gir dette grunnlaget for å ta repeterbare beslutninger med kommersiell effekt i stor skala. Ikke en enkeltstående fordypning, men en langsiktig og konsekvent tilnærming.

Byron deler

Vi bygget opp et robust nettverk av løsningspartnere i markedet, i stedet for å etablere egen tilstedeværelse der.

Slik blir kundesentrert samarbeid mulig med AI

Salg og kundesuksess har alltid gått parallelt: samme kunde, to funksjoner, to systemer som fungerer som kildesystemer, to versjoner av sannheten. Det er ikke et partnerskap. Det er parallell lek.

Bransjen innhentet denne erkjennelsen. Seriøse inntektsledere er nå enige om «ett tall, én bevegelse, én sannhetskilde». GTM som et sammenkoblet system, ikke en stafett av overleveringer.

Den ideen er ikke lenger kontroversiell. Men de fleste stopper ved strukturen: felles kvoter, samlede oversikter, konsolidering av CRM. Det er rørlegging. Det svarer ikke på spørsmålet: «Hvordan kan to funksjoner, som sitter i to forskjellige systemer, noensinne beskrive den samme kunden på samme måte?»

Her er mekanismen: Når språk fra hvert kundekontaktpunkt (salg, onboarding og fornyelse) befinner seg i en LLM som peker mot dataene dine, finnes det ikke lenger én salgsversjon av kunden og én kundesuksessversjon.

Det er slik samarbeid og åpenhet viser seg i praksis. Ikke som en verdi på et lysbilde, men som strukturen som gjør det umulig for team å miste kunden av syne. Og det er slik kundesentrert samarbeid ser ut.

Slik tar du i bruk AI på en vellykket måte i inntektsorganisasjoner

89 % av teamene føler press for å ta i bruk AI. Bare 6 % har faktisk implementert det. Dette gapet er muligheten (Supermetrics, Markedsdatarapporten 2026).

Slik bygger du bro over gapet:

1. Revider mangler og behov. Fastsett målene dine, og knytt A/B-tester til dem for å avdekke den reelle langsiktige retningen. Kartlegg deretter dataene dine. Hvis du ikke kobler dem sammen, har LLM-en ingen kontekst. De fleste stagnerte «AI-initiativer» skyldes problemer med datahygiene. Hvis du ikke stoler på inndataene, kan du heller ikke stole på resultatene.
2. Ikke rull ut AI i hele organisasjonen fra dag én. Finn teamets oppgave som skaper mest friksjon: oppsummering av avtaler, forberedelser til QBR eller kvalitetssikring av salgspipelinen. Bygg om akkurat denne arbeidsflyten med all konteksten den trenger. Dokumenter effektivitetsgevinstene før du skalerer.
3. Skriv ned reglene. Salgsrepresentantene dine bruker udokumenterte vurderinger – hva en sunn avtale ser ut som, hva «stagnert» betyr i måned ni, og hvordan de skiller fornyelser fra mersalg. Hvis du ikke skriver det ned, kan ikke LLM-en bruke det, og det kan heller ikke nyansatte.
4. Mål adopsjon ut fra hvilke beslutninger som endres, ikke hvor mange lisenser som aktiveres. Antall lisenser og innloggingsstatistikk forteller deg ingenting. Følg med på om innsikt fra AI endrer prognosevurderinger, avtalestrategier eller coachingssamtaler. Det er det eneste signalet som skiller reell implementering fra dem som aldri kommer lenger enn et pilotprosjekt.

Byron deler

Slik bygger du bro over gapet: Revider mangler og behov. Ikke rull ut AI i hele organisasjonen fra dag én. Skriv ned reglene. Mål adopsjon ut fra hvilke beslutninger som endres, ikke hvor mange lisenser som aktiveres.

Hvorfor LLM-er må læres opp som nyansatte

Og én ting til: Lær opp LLM-en slik du ville lært opp en nyansatt. Hopper du over denne opplæringen, får du selvtillit uten kompetanse.

En nyansatt får ikke tilgang til CRM-systemet eller håndboken din uten å kjenne roller og ansvarsområder og forstå hva som kjennetegner «godt» arbeid. En LLM trenger de samme fire nøkkelelementene før den får tilgang til aktive data:

• Målene dine: Hva «sunn» betyr for denne salgspipelinen, dette kvartalet og denne regionen
• Definisjonene dine: Hva «i faresonen» betyr, og hvordan en sunn salgspipeline ser ut
• Rammene dine: Hva den aldri må avgjøre alene – for eksempel å omklassifisere et avtale­stadium eller fastslå en årsak til kundefrafall uten at et menneske er involvert.
• Historikken din: Konteksten som endrer hva et tall betyr – for eksempel at «pipeline-dekningen er lav» får en helt annen betydning når du vet at vi nettopp fremskyndet en større fornyelse med et kvartal.

Hopper du over opplæringen, feiler ikke modellen stille – den feiler på en overbevisende måte.

Følg med

Du kan følge arbeidet til Byron Munson på LinkedIn.

Flere ekspertintervjuer kommer på The CRO Club!