Technisch CRO: AI maakt prognoses sterker — en CRO-verantwoordelijkheid moeilijker te ontlopen

George Storm werkt al 23 jaar in de verkoop. Momenteel is hij CRO bij een B2B ABM-platform genaamd N.Rich, waar hij leiding geeft aan verkoop, marketing, klantensucces, partners en productondersteuning.

We gingen met George in gesprek om te leren hoe hij prognoses en rapportage met AI opnieuw heeft opgebouwd. Dit vertelde hij ons.

Het volledige verkooptraject beheren

Ik ben George Storm, CRO bij N.Rich, een B2B ABM-platform. We veranderen van een ABM-bedrijf met één product in een platformbedrijf, dat we op de markt brengen als Composable GTM. Ons huidige omzetmodel bestaat uit een jaarlijks SaaS-abonnement met bijbehorende diensten. Bij de lancering van GTM OS introduceren we een modulaire aanpak, abonnementen per module en prijsstelling op basis van resultaten.

Ik houd toezicht op het volledige omzetgebied, van begin tot eind: verkoop, marketing, klantensucces, partners en productondersteuning. Ik ben verantwoordelijk voor het creëren van vraag tot en met netto-omzetretentie — het volledige verkooptraject, niet slechts een deel ervan. Onze GTM-structuur omvat een slank, op EMEA gericht verkoopteam; een marketingorganisatie die vraag en ABM stimuleert; een organisatie voor klantensucces die verlengingen en uitbreiding afhandelt; en daarnaast een partneraanpak.

We richten ons voornamelijk op Europese B2B-bedrijven in het middensegment tot ondernemingen: specifiek op leiders in omzet en marketing die strategieën voor marktbenadering per account uitvoeren.

Hoe AI de nauwkeurigheid van omzetprognoses heeft veranderd

Ik werk al 23 jaar in de verkoop, en de afgelopen periode was zwaarder dan de eerste twee decennia samen.

Ik ben niet uit nieuwsgierigheid met AI begonnen. Ik ben ermee begonnen nadat ik een prognose had gemist. Ik maakte prognoses zoals iedere CRO dat doet — op basis van historische conversie — en het model bleef me vertellen wat ik wilde horen, tot aan het kwartaal waarin dat niet meer het geval was. Het model zelf was het mechanisme van zelfmisleiding. En ik was degene die het had gebouwd.

Daarom heb ik onze manier van prognosticeren van begin tot eind opnieuw opgebouwd. We stapten af van een model met een puntschatting op basis van historische conversie. Het had een Monte Carlo-laag waardoor het rigoureus leek. Dat was het niet. Een puntschatting blijft een puntschatting, ook als je het gemiddelde van drie ervan neemt.

We stapten over op een regime-afhankelijk probabilistisch model met vier invoervariabelen. Winpercentage, acquisitiepercentage, NRR en cyclustijd, elk gekalibreerd aan de hand van externe uitgangspunten van het WEF, het IMF en McKinsey. AI voert de verdeling continu uit in plaats van dat ik één keer per kwartaal een spreadsheet opnieuw opbouw. Hiervoor gebruiken we Claude voor macro-economische signalen, plus Fathom, Hubspot en ons eigen platform.

Regimebewust. Probabilistisch. Continu. Die heropbouw heeft me echt bij AI gebracht, niet als een productiviteitslaag die aan de functie is toegevoegd, maar als het middel waarmee één persoon de berekeningen kan uitvoeren, de markt kan lezen en binnen dezelfde week kan handelen. Dat is nu het werk.

Dankzij deze verandering werd de prognose iets om te interpreteren, geen rapport. Het tekort ten opzichte van de toezegging werd zichtbaar voordat het kwartaal kantelde, niet erna. Het bestuur werd niet langer verrast. En dat is precies het doel.

Waarom AI leest, maar de verantwoordelijke moet handelen

Wat betreft wat AI moet afhandelen en wat mensen moeten afhandelen, ondersteunt AI de analyse:

• Verdeling van de regimeprognose
• Prioritering van de verkoopkansen
• Scoring van accountgezondheid
• Signalen voor churnrisico
• Wekelijkse analyse van Verkoop, Marketing, CS en Partners over alle functies heen

AI ondersteunt dit nu allemaal, omdat het gaat om patroonherkenning op basis van meer signalen dan een mens in zijn hoofd kan bevatten.

Activiteiten die expliciet door mensen worden uitgevoerd, hebben betrekking op de reactie:

• De beslissing over een specifieke deal
• Prijsstelling voor een strategisch account
• Wie op welke positie plaatsneemt
• Het verhaal aan het bestuur.

De reden is eenvoudig. AI verbreedt wat ik kan zien, maar we kunnen verantwoordelijkheid niet delegeren aan een model. Gebruik het model als input voor beïnvloeding, niet als besluitvormer. Het model leest. De verantwoordelijke handelt.

Hoe AI werkstromen verbetert, maar overmoed in de hand kan werken

Dit zijn de goede resultaten:

• Het wekelijkse CRO-rapport, dat vroeger het grootste deel van een dag in beslag nam, stelt zichzelf nu samen en ik besteed mijn tijd aan beslissingen nemen in plaats van aan verzamelen.
• Gezondheidsscores signaleren accounts met een risico één tot twee kwartalen voordat de achterlopende metriek verandert.
• De prognose houdt stand in de bestuurskamer, en dat is de enige nauwkeurigheidstest die ertoe doet.

Maar het is niet allemaal goed. De eerste modellen waren overmoedig. Eén model kwam terug met een waarschijnlijkheid van 97% en was structureel te optimistisch, omdat ik schone aannames had ingevoerd in vervuilde input.

Adversariële kalibratie bleek de taak zelf te zijn, niet slechts een stap daarin — mijn eigen model aan een stresstest onderwerpen met een prompt voor een senior-analist die als enige taak heeft het optimisme eruit te halen. Ik had een kwartaal kunnen besparen als ik dat eerder had geleerd.

AI heeft dat werk niet van me overgenomen. Het heeft het verplaatst.

Een rapportageworkflow uit de praktijk

Gedachten van George

De prognose is de lezing. Het plan is de reactie. De lus is het besturingssysteem.

Laten we de wekelijkse leesworkflow doornemen.

Op maandag haalt AI gegevens op uit HubSpot voor de verkooptrajecten en verlengingen, uit Amplitude voor productgebruik, uit Pylon voor ondersteuning, uit Fathom voor het sentiment tijdens gesprekken en uit Slack voor signalen van klanten en intern. Het creëert één beheerde gegevenslaag. Het beoordeelt de accountgezondheid, markeert accounts met een risico, stuurt Slack-meldingen rechtstreeks naar de verantwoordelijken en vernieuwt de prognoseverdeling die afhankelijk is van het regime.

Daarna lees ik het, bepaal ik de reactie en sluiten we de lus tegen vrijdag. Volgen, lezen, handelen — in een cyclus van één week met één verantwoordelijke die bewust niet de manager is. Het systeem verzamelt en beoordeelt. De verantwoordelijke neemt de beslissingen.

De prognose voedt de lus. De lus herijkt waar kapitaal en inspanning naartoe gaan. En de hele organisatie leest en reageert volgens een cyclus van één week in plaats van één van negentig dagen. De prognose is de lezing. Het plan is de reactie. De lus is het besturingssysteem.

Hoe AI leidinggeven aan omzet moeilijker maakt

AI heeft geen nieuwe vraag gecreëerd. Het comprimeert en versnelt je bestaande verkooptraject, maar het wekt geen koopintentie op bij een koper die niet actief op zoek is. Wie AI verkoopt als een wondermiddel voor de bovenkant van de funnel, verkoopt je het verkeerde.

Het heeft ook het beoordelingsvermogen bij deals met grote ondernemingen in een late fase niet vervangen en het heeft vervuilde data niet opgelost. Vervuilde data wordt niet beter met AI. Het wordt alleen luider.

AI heeft mijn leven ook moeilijker gemaakt door de samenvoeging van rollen aan de kant van de koper. Wanneer bedrijven drie banen in één functie samenvoegen, kan de voorvechter die vorig jaar bij ons kocht van rol zijn veranderd, het eigenaarschap zijn kwijtgeraakt of de organisatie hebben verlaten. AI heeft die dynamiek gecreëerd. Het lost die niet voor me op.

Waar CRO's moeten beginnen — en wat ze moeten vermijden

Dit is mijn advies: voeg AI niet aan de functie toe als productiviteitstool. Ontwerp de functie eromheen.

Begin met je voorspelling, want daar beoordeelt het bestuur je op, en de lat is in 2026 hoger gelegd. Je wordt niet meer ontslagen omdat je het getal niet haalt. Je wordt ontslagen vanwege de verrassing. Een model dat niet kan zien aankomen dat je de voorspelling niet haalt, vormt het risico, niet het missen zelf.

En zorg dat je zelf bij de berekeningen betrokken bent. De CRO's die dit aan een hulpmiddel overlaten en wegkijken, krijgen het antwoord waarvoor het hulpmiddel is gebouwd. Zorg ervoor dat je het zo instelt dat het je vertelt wanneer je ongelijk hebt.

Volg mee

Je kunt het werk van George Storm volgen op LinkedIn en georgestorm.io.

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