CRO deelt zijn agentische workflows en vertelt ons waar AI tekortschiet in de omzetcyclus

André Magrini is CRO bij OGI. Met 20 jaar ervaring in omzetontwikkeling verdiept hij zich momenteel in agentische workflows die beslissingen met grote belangen ondersteunen.

We spraken met André om te horen waar hij zijn AI-agenten toepast — en waar AI voor verrassende problemen zorgt. Dit vertelde hij ons.

AI-systemen voor besluitvorming met grote belangen

Ik ben André Magrini, Chief Revenue Officer bij OGI, de internationale tak van de Objective Group. Mijn wereld draait om omzet, maar mijn obsessie is hoe we omzetbeslissingen nemen: het menselijke oordeel achter elke gekwalificeerde verkoopkans, elke prognosebespreking en elk gesprek met de vraag: "Is deze deal echt?"

Mijn pad hiernaartoe was geen rechte lijn. Ik heb jarenlang go-to-marketbewegingen opgebouwd en uitgevoerd die bewust netwerkgestuurd en gedisciplineerd waren in plaats van gebaseerd op brute kracht — kleine teams, vertrouwensrelaties en rigoureuze kwalificatie. Dat leerde me iets wat in de meeste AI-gesprekken wordt overgeslagen: de bottleneck in omzet is niet activiteit, maar de kwaliteit van beslissingen onder onzekerheid. Vertegenwoordigers en leiders verdrinken in signalen en blijven toch gissen.

Dat bracht me bij AI. Naast mijn rol als CRO ben ik me diepgaand gaan bezighouden met het bouwen van AI-systemen voor besluitvorming met grote belangen — situaties waarin de kosten van een zelfverzekerd maar fout antwoord reëel zijn.

Het moment waarin ik nu zit, draait dus minder om "AI-tools invoeren" en meer om "de omzetmotor opnieuw ontwerpen rond betere beslissingen". Geen AI die meer e-mails schrijft — maar AI die je vertelt welke deals je aandacht verdienen, waar de prognose kwetsbaar is en wanneer het eerlijke antwoord "dat weten we nog niet" is. Dat is de transformatie die mij interesseert.

Digitale transformatie stimuleren

Bij OGI adviseren we ondernemingen die digitale transformatie stimuleren en voeren we die transformatie ook uit — we bevelen niet alleen een strategie aan; we leveren resultaten. Onze GTM maakt gebruik van een binnenkomen-en-uitbreidenstrategie, gebaseerd op een duidelijke, directe ROI. We verdienen de eerste opdracht door meetbare waarde te bewijzen en breiden het account vervolgens verder uit.

We zijn een internationaal team met kantoren in Noord-Amerika, Zuid-Amerika en Europa. Dankzij onze aanwezigheid kunnen we grote multinationale ondernemingen in uiteenlopende sectoren bedienen — van voedingsmiddelen en consumentengoederen tot grote staatsbanken — en ons aanpassen aan zeer verschillende aankoopculturen en besluitvormingscycli.

Ons partner-ecosysteem vormt een belangrijk onderdeel van onze manier van werken. We werken nauw samen met platforms zoals Databricks, Snowflake en Liferay, en met grote cloudproviders waaronder Azure en AWS. Daardoor kunnen we zakelijke klanten bedienen met de technologiestack waarin zij al investeren.

Hoe AI-agenten kunnen helpen bij accountvoorbereiding

Onze bottleneck was nooit het aantal leads; het was de voorbereiding. Voordat een vertegenwoordiger een account benaderde, deed een senior teamlid het voorbereidende uitzoekwerk: het bedrijf grondig onderzoeken, nagaan wie het budget beheerde en wie alleen bij vergaderingen aanschoof, een geloofwaardige reden vinden om contact op te nemen en de lead langs BANT halen om te bepalen of die onze tijd waard was.

Met een klein, ervaren team verspreid over drie regio's kwam dat werk terecht bij dezelfde handvol mensen die eigenlijk bij klanten hadden moeten zijn. Het was traag en inconsistent. Twee van ons die hetzelfde type account onderzochten, kwamen terug met verschillende niveaus van diepgang en uiteenlopende conclusies.

Ik bouwde wat ik ons "CRO Squad" noem. Ik ontwierp een reeks AI-agenten om eerst dat zware werk uit handen te nemen. Dit omvat diepgaand accountonderzoek, een organigram met de echte belanghebbenden, signalen en contactmogelijkheden die het waard zijn om op te volgen, en gestructureerde kwalificatie in een eerste ronde. Tegen de tijd dat een medewerker het account oppakt, ligt er al een verdedigbare doorgaan-of-stoppenbeslissing voor in plaats van een lege pagina.

Daardoor kostte de voorbereiding vroeger 5 uur en nu 15 minuten. Omdat elk account hetzelfde proces doorloopt, is waar we nee tegen zeggen net zo weloverwogen als wat we actief najagen.

In een klein team is onze schaarse hulpbron niet het aantal medewerkers of de verkoopkansen; het is de aandacht van mensen die een deal correct kunnen inschatten. Elk uur dat iemand besteedde aan het verzamelen van bedrijfsgegevens, was een uur dat niet werd besteed aan beslissen wat ermee moest gebeuren.

Een praktijkgerichte werkwijze voor accountvoorbereiding

Dit is de workflow die we gebruiken voor volledig nieuwe doelaccounts.

Het begint met een trigger. Triggers zijn onder meer marktsignalen, partneractiviteiten (bijvoorbeeld wanneer Databricks of Snowflake accountactiviteit signaleren), bestaande klanten die om uitbreiding vragen of een naam die een van mijn teamleden aandraagt. Ongeacht de bron komt het account in de workflow terecht en begint de CRO Squad met haar werk.

Agents stellen een dossier samen met details over de activiteiten van het bedrijf, de technologiestack, recente signalen (zoals benoemingen van leidinggevenden, transformatie-initiatieven, financiering en persaandacht) en een organisatieschema waarin besluitvormers worden onderscheiden van deelnemers aan vergaderingen. Elke bewering in het dossier bevat de bron ervan. Als een agent geen bron kan geven, mag die de bewering niet doen.

Vervolgens beoordeelt een gestructureerde eerste beoordeling in BANT-stijl het account aan de hand van onze kwalificatiecriteria. Het belangrijkste is dat de AI gebieden markeert waarover ze weinig zekerheid heeft. Als het budgetsigneel zwak is of de bevoegdheid een gok is, zegt ze dat expliciet in plaats van een zwakke gevolgtrekking als feit te presenteren. Ik zie liever tien eerlijke markeringen met "lage zekerheid" dan één overtuigende zin die ik niet kan vertrouwen.

Daarna volgt het menselijke controlepunt, een stap die vaak over het hoofd wordt gezien. Voordat de vertegenwoordiger de AI-output bekijkt, schrijft die eerst een eigen beoordeling van het account. Die legt zijn intuïtie, perspectief en gevoel voor doorgaan of stoppen vast. Pas daarna opent de vertegenwoordiger het dossier en vergelijkt die beide. Overeenstemming betekent dat we doorgaan; verschil leidt tot een gesprek dat zich direct richt op de punten die de AI als onzeker heeft gemarkeerd. De beslissing om door te gaan of te stoppen is volledig menselijk.

Veel accounts eindigen hier bewust. We diskwalificeren ze vroeg om te voorkomen dat we tijd van senior medewerkers verspillen aan onrealistische kansen.

Voor accounts die deze fase doorstaan, helpt de AI bij het bepalen van de aanpak: de waarde- en ROI-bewering voor dat specifieke account, het ingangspunt en welke partner en oplossing het beste passen. De vertegenwoordiger stelt echter zelf het bericht en het gesprek op, zodat het van persoon tot persoon verloopt en niet bestaat uit massaal gegenereerde benadering.

Vanaf daar verloopt het proces als een lus. Naarmate de deal vordert, scannen agents voortdurend op signalen — een afnemend momentum, churnrisico of triggers voor uitbreiding — en laten ze ons weten als de prognose zwak lijkt. Het prognosegesprek en de relatie blijven menselijk.

Hoe AI GTM-statistieken verandert

André deelt

Meer dekking is niet altijd beter. Toen AI de bottleneck van onderzoek en kwalificatie wegnam, verwachtte ik de voor de hand liggende winst: Het tegendeel gebeurde.

Meer dekking is niet altijd beter. Toen AI de bottleneck van onderzoek en kwalificatie wegnam, verwachtte ik de voor de hand liggende winst: mijn team zou veel meer accounts kunnen bedienen en de pijplijn zou exploderen.

Het tegendeel gebeurde. Hoewel we plotseling een enorm aantal accounts konden kwalificeren, was het grootste deel van wat terugkwam gekwalificeerde rommel. Meer dekking leverde alleen meer ruis op. Selectie en diepgang van de relatie waren belangrijker dan schaal.

Daarom veranderde ik wat ik meet. Ik stopte met het meten van de GTM-gezondheid aan de hand van volume en dekking; in plaats daarvan keek ik naar de kwaliteit van de selectie en naar waar mijn senior medewerkers hun uren aan besteedden. De echte hefboom bleek aftrekken te zijn, niet optellen. Sneller nee zeggen, het senior team op minder accounts concentreren en dieper gaan in plaats van breder.

Dat was moeilijk toe te geven, omdat het indruist tegen de manier waarop ik twintig jaar lang teams had geleid.

Wat menselijk moet blijven en wat AI moet afhandelen

Zodra je AI niet langer ziet als een productiviteitsvermenigvuldiger, maar als een manier om de aandacht van een klein team te beschermen, wordt de verdeling tussen AI en mensen duidelijk.

AI verzamelt en rangschikt — accountonderzoek, het organisatieschema en de eerste BANT-beoordeling. Daarnaast helpt AI bij het prioriteren van de pijplijn, voert ze dealbeoordeling en triage uit zodat we niet allemaal naar dezelfde veertig kansen kijken met dezelfde vlakke blik, en scant ze op signalen zoals een account dat klaar is om uit te breiden of een account dat stilletjes afkoelt. Voor prognoses brengt ze gegevens samen en, wat voor mij nuttiger is, markeert ze waar de beoordeling onzeker is. Ze vertelt me welke cijfers ze niet vertrouwt.

Mensen nemen de beslissingen. Ik ben verantwoordelijk voor het uiteindelijke prognosecijfer. Mensen behandelen prijsstelling en commerciële strategie. Mensen beheren de relatie en de onderhandeling, zonder uitzondering. We vertrouwen een beslissing van een klant met grote gevolgen — waarbij we ons aan een ROI verbinden of waarbij vertrouwen op het spel staat — nooit toe aan een model. De reden is niet sentimenteel. Die beslissingen worden genomen onder echte onzekerheid, met context die in een kamer en in een geschiedenis met de klant leeft, niet in de gegevens. Precies daar is een model het zwakst en zijn fouten het duurst.

Een voorbeeld van waarom menselijk oordeel noodzakelijk is bij nieuwe deals

Vorig jaar hadden we een deal met een wereldwijde fabrikant die door het systeem werd bevoordeeld. Elke metriek stond op groen: tientallen e-mails per week, terugkerende gesprekken en zes of zeven actieve belanghebbenden in het e-mailgesprek. De CRO Squad plaatste de deal bijna bovenaan de pijplijn en zei dat ik erop moest inzetten, hem moest opnemen in de prognose en moest aansturen op afsluiting. Op papier was het onze gezondste deal.

Mijn senior vertegenwoordiger op het account dacht er precies tegenovergesteld over, en zij had gelijk. Al die activiteit was geen momentum; het was wrijving. Zeven mensen zaten aan tafel omdat niet één van hen ja kon zeggen. De vergaderingen werden herhaald omdat de deal steeds terugkwam bij dezelfde onbeantwoorde vraag. Ons meest enthousiaste contact, dat het grootste deel van het e-mailverkeer aanstuurde, had geen budgetbevoegdheid. De AI las volume als intentie. Interne politiek en een aankoopgroep die te bang was om een beslissing te nemen, waren de werkelijke oorzaak.

De machine kon de stilte van de ene leidinggevende die ertoe deed niet zien, of de vlakke toon in de ruimte telkens wanneer de prijs ter sprake kwam. Betrokkenheidsmetadata laat die onderliggende betekenis niet zien. Onze vertegenwoordiger wist het omdat zij de mensen kende.

We vertrouwden op haar oordeel, verlaagden de beoordeling van de deal en stopten met het eraan besteden van uren van senior medewerkers. We hadden gelijk en bespaarden onszelf een kwartaal aan verspilde inspanning. Dit bevestigde een regel die we nog steeds volgen: AI brengt het bewijs; mensen lezen tussen de regels door.

Hoe AI efficiëntie, discipline en winstpercentages verbetert

Over het algemeen zijn tijdsbesparingen de meest voor de hand liggende winst met AI. Alleen al met de agents voor accountvoorbereiding kunnen we hetzelfde proces uitvoeren voor ongeveer drie keer zoveel accounts met ons bestaande personeelsbestand. We hebben geen mensen toegevoegd; we hebben ons bestaande team hun uren teruggegeven, en die uren worden nu bij klanten besteed in plaats van aan rekenbladen.

Een ander stil voordeel is discipline. We diskwalificeren nu eerder. We zeggen sneller nee tegen de verkeerde deals, wat negatief klinkt maar een van de gezondste ontwikkelingen voor onze pijplijn is.

Ik zal geen keurig winstpercentage geven, omdat ik niet denk dat dat cijfer nu al eerlijk zou zijn. Wat ik wel kan zeggen, is dat we een meetbare stijging zien in de conversie van de deals die we kiezen om na te streven, en dat de prognose minder verrassingen bevat. Een deel daarvan komt doordat we betere deals najagen. Een ander deel komt doordat de AI aanwijst waar de prognose mager is en het bewijs de inschatting niet echt ondersteunt. Een verrassing die je drie weken van tevoren ziet aankomen, is eigenlijk geen verrassing. Dat is, meer dan welke afzonderlijke metriek ook, wat heeft veranderd hoe we het kwartaal aansturen.

Waarom AI-output als concept moet worden beschouwd

In het begin vertrouwden we te veel op de output. Het onderzoek zag er verzorgd, goed geschreven en zelfverzekerd uit, en was opgemaakt als een rapport van een goede analist. In een paar gevallen was het op kritieke punten onjuist.

Een accountoverzicht identificeerde de verkeerde beslisser. Een ander was gebaseerd op een signaal dat maanden verouderd was. Eén ervan belandde bijna in een echt klantgesprek voordat een teamlid het opmerkte. Dat maakte ons banger dan welk gemist cijfer ook, omdat zelfverzekerd en fout de duurste foutmodus is die er bestaat.

Er ontstond ook interne wrijving. Mijn mensen zijn senior. Het laatste wat een goede verkoper wil, is dat een machine hem een score overhandigt en suggereert dat de machine het account beter kent dan hijzelf.

We stopten met het behandelen van de AI-output als waarheid en begonnen die als een concept te beschouwen. Het systeem geeft nu aan wanneer het onzeker is en legt de beslissing terug bij een mens in plaats van te gokken. Toen het team begreep dat de AI er was om het routinewerk te doen en hun oordeel te beschermen, niet om het te vervangen, nam de weerstand snel af. Ze begonnen de AI te vertrouwen omdat die dat vertrouwen verdiende en toegaf wanneer hij iets niet wist.

Drie plekken waar AI tekortschiet in omzetprocessen

De grootste misser van AI was waarschijnlijk klantenbenadering. We verwachtten dat AI voor ons een pijplijn zou opbouwen door op schaal gepersonaliseerde berichten naar honderden accounts te sturen, op een manier die één-op-één aanvoelde. Het werkte niet.

Bij complexe zakelijke deals met een aanzienlijke waarde leveren meer berichten niet meer pijplijn op. De kopers aan wie ik verkoop herkennen geautomatiseerde AI-benadering onmiddellijk en verwijderen die net zo snel. We verhoogden dus niet de respons; we vlakten die af. AI blinkt uit in het voorbereiden van een mens op een gesprek, maar faalt erin het gesprek zelf te vervangen.

Voorspellen was opnieuw een misser, en dat verbaasde me nog meer. De belofte was dat AI de omzet beter zou voorspellen dan een senior die dezelfde deals analyseert. Dat bleek niet waar. Wat bedrijfsomzetten werkelijk beïnvloedt, is informatie die niet in de gegevens staat. Een sponsor vertrekt. Een budget wordt twee weken voor de afsluiting bevroren. Een stille politieke verschuiving binnen de klant laat je voorvechter plotseling zonder rugdekking achter. Het model kan daar niets van zien. Het signaleert kwetsbaarheid wel degelijk goed en laat me zien welke deals broos aanvoelen, maar het kan het kwartaal niet voorspellen. Daar wint senior beoordelingsvermogen nog steeds.

En de laatste misser was het verkorten van de verkoopcyclus. Dat had nauwelijks effect. Een bedrijfsmatige verkoopcyclus draait op de klok van de klant, niet op die van ons: inkoop, juridische zaken, de commissie, de budgetkalender. We kunnen de kant van de verkoper met ruime marge versnellen — en dat deden we — maar we kunnen de kant van de koper niet versnellen, terwijl die de planning bepaalt.

Waarom omzetverantwoordelijken aandacht moeten besteden aan de menselijke kant van AI-adoptie

André deelt

Gedwongen adoptie is stille sabotage met betere manieren.

Ik heb de menselijke kant volledig verkeerd ingeschat. Ik behandelde het als de uitrol van een hulpmiddel in plaats van als een gedragsverandering. Ik bouwde iets, droeg het afgewerkt over en verwachtte dat de adoptie vanzelf zou volgen.

Ik stuitte op weerstand. Mensen gebruikten het alleen omdat hun dat werd opgedragen. Anderen negeerden het stilletjes. Gedwongen adoptie is stille sabotage met betere manieren.

Als ik het opnieuw kon doen, zou ik het team vanaf dag één betrekken bij het gezamenlijk ontwerpen, in plaats van het een afgewerkt antwoord voor te leggen.

Dat zou maanden hebben bespaard die ik besteedde aan het najagen van het perfecte hulpmiddel, terwijl het echte probleem lag in ongeschreven criteria en een team dat niet had ingestemd. Ik zou kleiner zijn begonnen, met één workflow en het team in de ruimte, en ik zou eerst de criteria hebben opgesteld. Dat zou me een dure valse start hebben bespaard, evenals het vertrouwen dat ik daarna opnieuw moest opbouwen.

Vier adviezen voor omzetverantwoordelijken

Dit is mijn advies:

1. Begin met een vraag, niet met een hulpmiddel. Vraag jezelf af wat de schaarsste hulpbron in je team is. Voor vrijwel iedereen die een complexe verkoop aanstuurt, zijn dat beoordelingsvermogen en aandacht, niet activiteit. Je beste mensen hebben een beperkt aantal uren waarin ze helder over een deal nadenken, en daaraan ontbreekt het je. Richt AI er dus op om die uren te beschermen.
2. Wees eerlijk tegen jezelf over ijdelheidsstatistieken. Meer e-mails, meer contactmomenten, meer content, meer activiteit in het systeem. In een complexe verkoop is dat grotendeels ruis die als vooruitgang wordt vermomd. AI is er erg goed in om activiteit te produceren die aanvoelt als werk maar niets oplevert. Als je enige bewijs dat AI helpt is dat je team het drukker heeft, heb je het verkeerde aangeschaft.
3. Eis dat je AI-systemen kunnen zeggen: "Ik weet het niet" en kunnen escaleren naar een mens. Behandel elke uitvoer als een concept dat moet worden gecontroleerd, nooit als de waarheid.
4. Begin klein en meet AI eerlijk. Besteed je omzetdiscipline niet uit aan een model om het vervolgens transformatie te noemen. Het voordeel in deze cyclus gaat niet naar degene die de meeste AI adopteert. Het gaat naar degene die het menselijk beoordelingsvermogen gericht houdt op de juiste plek en weigert het hulpmiddel te laten beslissen over wat alleen een persoon zou moeten beslissen.

Volg hem

Je kunt het werk van André Magrini volgen op LinkedIn of een kijkje nemen op zijn persoonlijke website.

Er komen nog meer interviews met experts op The CRO Club!