VP Sales deelt hoe omzetteams zich kunnen aansluiten bij de 6% die AI succesvol hebben geïmplementeerd

Byron Munson is de Vice President of Sales voor JAPAC bij Supermetrics.

We gingen met Byron om de tafel om te ontdekken waarom slechts 6% van de teams AI succesvol heeft geïmplementeerd — en hoe hij dit voor zijn team voor elkaar krijgt. Dit is wat hij ons vertelde.

Commerciële motoren vanaf de grond opbouwen

Ik ben Byron Munson, Vice President of Sales voor JAPAC bij Supermetrics, een wereldwijd MarTech-bedrijf in de groeifase. Ons klantenbestand loopt uiteen van mkb-bedrijven tot de grootste ondernemingsmerken. Onze GTM-structuur draait om een slank model met Key Account Managers en Commercial Account Executives, plus een partnerorganisatie.

Ik werk al ruim twintig jaar in APAC en EMEA en bouw commerciële motoren op, vanaf de grond tot regionale schaal. Ik begon in de reclame bij DDB en McCann in Sydney, stapte vervolgens over naar advertentietechnologie bij Adconion London en Videology SEA, en maakte later de overstap naar MarTech bij Datorama. Ik hielp APAC aansturen voor Datorama en realiseerde de overname door Salesforce in de regio.

Een overname van binnenuit meemaken, inmiddels twee keer, heeft me veel geleerd wat ik niet uit een strategiedeck zou hebben gehaald: wat standhoudt in een grotere organisatie, wat opnieuw wordt opgebouwd en wat stilletjes verdwijnt.

Ik heb ook mijn eigen bedrijf opgericht, een klimaattechnologische startup genaamd Climagap. Dat gaf me een gezonde dosis nederigheid bij het bedenken van ideeën, het veiligstellen van financiering en het vanaf nul naar de markt brengen van een idee. Uiteindelijk groeide het bedrijf om verschillende redenen niet op schaal, dus besloot ik de activiteiten te beëindigen.

Bij Supermetrics geef ik leiding aan een regionaal team van ongeveer 20 multifunctionele medewerkers. We hebben JAPAC opgebouwd van helemaal geen toegewijde aanwezigheid in de markt tot een aanzienlijke regionale operatie. Dit omvat een partner-ecosysteem dat toegang biedt tot sterke lokale implementatie- en technologie-experts, wat essentieel is voor duurzame groei en het langetermijnsucces van onze klanten.

Een omzetorganisatie die op twee fronten door AI wordt beïnvloed

Meer recentelijk breidde dit zich op twee fronten uit naar AI. Intern hebben we onze eigen AI-gestuurde omzetinfrastructuur gebouwd — voor inzicht in de gezondheid van de pijplijn, klantrisico's en dealcoaching — gebaseerd op onze eigen data. Hierdoor heb ik uit eerste hand geleerd dat AI-adoptie vooral een probleem van vertrouwen en verandermanagement is, en niet van technologie.

Extern heb ik dezelfde verschuiving bij onze klanten zien plaatsvinden: merken en bureaus die verdrinken in een overvloed aan data. De echte doorbraak is niet meer data geweest, maar hen helpen sneller beslissingen te nemen.

Onze LLM-partnerschappen, waaronder onze recentere rol als launchpartner van Google voor Gemini Enterprise in de regio, bevinden zich op dat kruispunt — door AI-aangedreven marketingintelligentie rechtstreeks in handen van marketeers te leggen. Eerlijk gezegd heb ik geleerd dat het niet om de technologie draait; mensen handelen alleen naar inzichten die ze vertrouwen, of het nu gaat om een vertegenwoordiger die een coachingadvies vertrouwt of een klant die genoeg vertrouwen heeft in een aanbeveling om zijn marketinginvesteringsplannen aan te passen.

Waar AI uitblinkt en waar de bruikbaarheid ervan ophoudt

AI ondersteunt besluitvorming door inzichten te bieden. De neiging om te upgraden is het duidelijkste voorbeeld; bij een zelfbedieningsmodel kunnen gebruiks-, facturatie- en betrokkenheidssignalen verspreid staan over losgekoppelde systemen, zonder natuurlijke verbinding. AI brengt deze gegevensbronnen samen en onthult een duidelijk signaal van welke klanten klaar zijn om uit te breiden.

Maar AI is nooit de enige drijvende kracht. Wat volledig menselijk blijft, omvat prijsstelling, onderhandelingen en alles wat gebaseerd is op vertrouwen en interpersoonlijke interactie. AI kan me vertellen dat een account er klaar voor is. Het kan het gesprek niet voeren.

En het is de moeite waard om op te merken dat niet elke investering in AI zo snel in omzet wordt omgezet als het enthousiasme voor AI doet vermoeden. Sommige investeringen verbruiken aanzienlijke capaciteit voordat ze veel opleveren.

Daarom is het risico waar ik het scherpst op let, vals vertrouwen. AI-output kan er gepolijst en definitief uitzien, zelfs als die op magere data is gebaseerd. Ik behandel het als de eerste versie van een junior analist: nuttig, maar ik onderneem er geen actie op zonder het eerst te controleren.

Twee gebieden waarop AI tekortschiet in omzetorganisaties

Ik zie twee gevaarlijke tekortkomingen als het gaat om AI in omzetorganisaties.

De duidelijkste is door AI gegenereerde personalisatie voor outboundactiviteiten. Die is efficiënt op elke activiteitsmaatstaf, maar verhoogde het winpercentage niet, omdat kopers synthetische personalisatie onmiddellijk herkennen.

Hier is een subtieler voorbeeld: een model automatisch het risico van deals laten scoren. Het had vaak genoeg gelijk om vertrouwen te wekken, maar zat precies fout waar het ertoe deed — relaties die afkoelen, iets wat nooit in gestructureerde gegevens verschijnt.

In beide gevallen is een mens in de lus nodig.

Hoe het gebruik van AI in prestatiemanagement en marktstrategie de besluitvorming verbetert

Onlangs heb ik twee grote veranderingen doorgevoerd:

1. Prestatiemanagement: We brengen nu risico's op individueel en teamniveau aan het licht voordat ze een prestatieprobleem worden, niet erna. Proactief naar oplossingen zoeken in plaats van achteraf evalueren. Dit doen we door gespreks­transcripties, pipelinegeschiedenis, CRM-notities, omzet per productlijn en feedback van klanten samen te brengen — waarna AI onderliggend gedrag zichtbaar maakt.
2. Marktstrategie: Het samenbrengen van vier jaar operationele gegevens uit de hele regio bracht specifiek in Thailand een trend aan het licht, wat ertoe leidde dat we uitbreidden met een partnergerichte strategie. We hebben in de markt een robuust netwerk van oplossingspartners opgebouwd, in plaats van zelf voet aan de grond te krijgen.

We bereikten dit door al onze interne gegevens en platforms van derden te verbinden met onze Claude-omgeving. Uiteindelijk vormt dit de basis om op schaal herhaalbare, commercieel impactvolle beslissingen te nemen. Geen eenmalige diepgaande analyse, maar een consistente aanpak voor de lange termijn.

Byron deelt

We hebben in de markt een robuust netwerk van oplossingspartners opgebouwd, in plaats van zelf voet aan de grond te krijgen.

Hoe klantgerichte samenwerking mogelijk wordt met AI

Verkoop en Klantsucces opereerden altijd naast elkaar: dezelfde klant, twee functies, twee systemen waarin de gegevens werden vastgelegd, twee versies van de waarheid. Dat is geen partnerschap. Het is parallel werken.

De sector heeft die diagnose inmiddels overgenomen. Serieuze omzetleiders zijn het er nu over eens: "Eén getal, één werkwijze, één bron van waarheid." GTM als verbonden systeem, niet als een reeks overdrachten.

Dat idee is niet langer controversieel. Maar de meesten blijven steken bij de structuur: gedeelde quota, uniforme dashboards, consolidatie van het CRM. Dat is de infrastructuur. Het beantwoordt niet de vraag: "Hoe kunnen twee functies die op twee verschillende systemen werken ooit dezelfde klant op dezelfde manier beschrijven?"

Dit is het mechanisme: wanneer taal uit elk klantcontactmoment (verkoop, onboarding en verlenging) in een LLM staat dat op jouw gegevens is gericht, bestaat er niet langer een verkoopversie van de klant en een versie van de klant voor Klantsucces.

Zo zien samenwerking en transparantie er in de praktijk uit. Geen waarde op een dia, maar de structuur die het voor teams onmogelijk maakt de klant uit het oog te verliezen. En zo ziet klantgerichte samenwerking eruit.

AI succesvol invoeren in omzetorganisaties

89% van de teams voelt druk om AI in te voeren. Slechts 6% heeft dit daadwerkelijk geïmplementeerd. Die kloof biedt kansen (Supermetrics, Marketinggegevensrapport 2026).

Zo overbrug je die kloof:

1. Controleer je hiaten en behoeften. Stel je doelen vast en koppel A/B-tests aan elkaar om de echte langetermijnrichting te bepalen. Breng vervolgens je gegevens in kaart. Als je die niet met elkaar verbindt, heeft het LLM geen context. De meeste vastgelopen "AI-initiatieven" komen voort uit problemen met gegevenshygiëne. Als je de input niet vertrouwt, kun je de output ook niet vertrouwen.
2. Rol AI niet vanaf dag één organisatiebreed uit. Zoek de taak die je team de meeste wrijving oplevert: dealsamenvattingen, voorbereiding op QBR's, pijplijnhygiëne. Bouw die ene workflow opnieuw op met de volledige context. Toon de efficiëntiewinst aan voordat je opschaalt.
3. Leg de regels vast. Je vertegenwoordigers gebruiken ongedocumenteerde beoordelingscriteria — hoe een gezonde deal eruitziet, wat "vastgelopen" betekent in maand negen en hoe ze onderscheid maken tussen verlengingen en upsells. Als je het niet vastlegt, kan je LLM het niet gebruiken en kunnen nieuwe medewerkers dat evenmin.
4. Meet de adoptie aan de hand van veranderde beslissingen, niet van geactiveerde licenties. Het aantal licenties en inlogstatistieken zegt je niets. Houd bij of door AI gevonden inzichten invloed hebben op prognosebesprekingen, dealstrategieën of coachingsgesprekken. Dat is het enige signaal dat echte implementatie onderscheidt van initiatieven die nooit verder komen dan een pilot.

Byron deelt

Zo overbrug je die kloof: controleer je hiaten en behoeften. Rol AI niet vanaf dag één organisatiebreed uit. Leg de regels vast. Meet de adoptie aan de hand van veranderde beslissingen, niet van geactiveerde licenties.

Waarom LLM's moeten worden ingewerkt zoals nieuwe medewerkers

En nog één ding: werk je LLM in zoals je een nieuwe medewerker zou inwerken. Sla deze inwerking over en je krijgt vertrouwen zonder bekwaamheid.

Een nieuwe medewerker krijgt geen toegang tot het CRM of je draaiboek zonder de rollen en verantwoordelijkheden te kennen en te begrijpen hoe "goed" eruitziet. Een LLM heeft dezelfde vier belangrijkste elementen nodig voordat het livegegevens verwerkt:

• Je doelen: Wat "gezond" betekent voor deze pijplijn, dit kwartaal en deze regio
• Je definities: Wat "risico" betekent en hoe een gezonde pijplijn eruitziet
• Je randvoorwaarden: Wat het nooit zelfstandig mag beslissen — bijvoorbeeld geen dealfase opnieuw indelen of een reden voor klantverloop vaststellen zonder dat er een mens bij betrokken is.
• Je geschiedenis: De context die verandert wat een getal betekent — bijvoorbeeld: "de pijplijndekking is laag" krijgt een heel andere betekenis zodra je weet dat we zojuist een grote verlenging een kwartaal naar voren hebben gehaald.

Sla die inwerking over en het model faalt niet stilletjes — het faalt overtuigend.

Blijf op de hoogte

Je kunt het werk van Byron Munson volgen op LinkedIn.

Er komen meer interviews met experts aan bij The CRO Club!