AI verandert waar klanten voor betalen

Eliana Angelova is CRO bij Ison Xperiences, een bedrijf voor klantbelevingsmanagement met 1.600 virtuele agents in productie.

We spraken met haar om te ontdekken hoe AI verkoop en prijsstelling verandert. Dit vertelde ze ons.

Van het verkopen van capaciteit naar het verkopen van resultaten

Ik ben Eliana Angelova, Chief Revenue Officer bij Ison Xperiences, gevestigd in Dubai.

Ison Xperiences is een bedrijf voor klantbelevingsmanagement dat de volledige levenscyclus van klantinteracties beheert. Dankzij universeel beschikbare AI-tools automatiseren we intern op grote schaal. We hebben onze eigen AI-intellectuele eigendom ontwikkeld. Dat doen de meeste BPO's niet; de meeste kopen kant-en-klare oplossingen en voorzien die van hun eigen merk. We hebben SenshAI ontwikkeld, ons omnichannelplatform voor agentondersteuning. Daarnaast hebben we hAIve voor verzekeringen, Three60 CRM voor incasso en iQumex voor kwaliteitsborging ontwikkeld. Dit zijn geen prototypes. Ze zijn in productie en draaien momenteel bij 1.600 virtuele agents. Dit vormt de basis van ons hAI-framework — mens plus AI.

Als CRO vertellen de cijfers die ertoe doen het echte verhaal van de transformatie. Twee jaar geleden bestond onze offshore-omzet niet. Vandaag vertegenwoordigt die ongeveer 20% van onze omzet. We zijn van één offshoreleveringslocatie naar zeven gegaan. We verwerken elke maand meer dan 50 miljoen klantinteracties, verspreid over 25 landen en in meer dan 60 talen. Dit is niet alleen schaal; het is de infrastructuur die ons relevant maakt voor wereldwijde zakelijke kopers die behoefte hebben aan meertalige dienstverlening in meerdere tijdzones, gekoppeld aan resultaten.

Dankzij AI kunnen we meedingen op dezelfde shortlist als bedrijven die tien keer zo groot zijn als wij.

Drie omzetpijlers

Mijn omzetorganisatie heeft drie pijlers: pre-sales en oplossingen, sales en implementatie na de verkoop. Ik heb de organisatie bewust op deze manier ingericht, omdat bij complexe B2B-outsourcing de deal niet eindigt bij het sluiten ervan—de implementatie bouwt vertrouwen op of breekt het af, en ik wil dat de omzetverantwoordelijke die de belofte heeft gedaan er ook verantwoordelijk voor is.

Ons salesteam wordt geografisch aangestuurd. We bestrijken India en APAC, China, EMEA, Afrika en SA, en Duitsland, en we breiden actief uit. Momenteel heb ik vijf openstaande functies in markten die cruciaal zijn voor onze groeistrategie: twee in de VS, één in Kenia, één in Zuid-Afrika en één in het Midden-Oosten. Dit team bevindt zich dus in de opbouwfase.

Pre-sales en oplossingen zijn bewust naast sales geplaatst, in plaats van eronder. De deals die we nastreven zijn complex genoeg om vanaf het eerste gesprek een solutions architect en een GTM-strateeg aan tafel te vereisen — niet pas wanneer het voorstel wordt opgesteld. Dankzij deze functie kunnen we resultaten verkopen in plaats van capaciteit.

Vanuit GTM-perspectief gaan we per industriesegment naar de markt: telecom en technologie, BFSI en fintech, e-commerce en retail, media, reizen en horeca. Dit is bewust, omdat het verhaal van AI-transformatie per segment verschilt en algemene verkooppraatjes geen zakelijke deals opleveren.

We bewegen ons van een belangrijke uitdager naar een leider in de Everest PEAK Matrix. Elke aanwervingsbeslissing, markttoetreding en GTM-inzet die we doen, is erop gericht die stap te bewijzen.

Hoe AI het commerciële model kan veranderen

AI veranderde de manier waarop we prijzen. Drie jaar geleden draaide het standaard commerciële gesprek in BPO om capaciteit: je hebt 200 agents nodig, dit is de tariefkaart, dit zijn de kosten van het personeelsbestand. De klant droeg het volumrisico, en de dienstverlener had geen echte stimulans om het aantal contacten te verminderen. Meer contacten betekenden meer agents, en dat betekende meer omzet. Het is een gebrekkig model.

Zodra we voldoende AI in de operatie hadden, konden we resultaten voorspellen en beheersen in plaats van alleen capaciteit af te stemmen op het volume. Zodra je resultaten kunt beheersen, kun je ze als basis voor je prijsstelling gebruiken. Daarom zijn we deals gaan verschuiven naar resultaatgerichte prijsstelling: gekoppeld aan een verkorting van de AHT, CSAT-scores en oplossing bij het eerste contact. De klant betaalt nu voor het resultaat, niet voor het aantal medewerkers.

De commerciële impact van die verschuiving is op twee manieren aanzienlijk. Ten eerste winnen we nu meer deals, vooral met Europese en Amerikaanse zakelijke kopers die geavanceerd genoeg zijn om te weten dat een contract op basis van gebruikersplaatsen simpelweg een beheerde arbeidskostenfactuur is. Wanneer we binnenkomen en zeggen: "We prijzen op basis van resultaten en nemen het prestatierisico op ons", ontstaat er een ander gesprek. Ten tweede behouden we klanten op een andere manier, omdat je, wanneer je verantwoordelijk bent voor resultaten, de operatie voortdurend verbetert in plaats van deze alleen te onderhouden. Verlengingen worden daardoor veel sterker verankerd. Dit zorgt voor aanhoudende langetermijnomzet.

Dus, wat is er verbeterd? De winstpercentages bij zakelijke deals, de contractduur, de kwaliteit van klantrelaties en de interne discipline. Wanneer je omzet gekoppeld is aan de KPI's van je klant, is iedereen in de organisatie op hetzelfde getal afgestemd. AI heeft niet alleen ons product veranderd. Het heeft ons commerciële model veranderd.

Een praktijkgericht werkproces voor het verwerven van nieuwe klanten

Ik neem je vandaag mee door ons nieuwe werkproces voor het verwerven van nieuwe klanten, omdat dit ons meest getransformeerde werkproces is.

1. Het begint met accountselectie. We beginnen niet langer met een territoriumlijst en koude acquisitie. AI identificeert doelaccounts op basis van bedrijfskenmerken, koopsignalen en aansluiting bij de sector. Het model brengt accounts naar voren die intentiesignalen vertonen: veranderingen in het leiderschap, aankondigingen van expansie en activiteiten rond de aanschaf van technologie. Het team begint met een geprioriteerde selectie, niet met een leeg vel.
2. Van daaruit personaliseren we onze benadering op schaal. Tegen de tijd dat we voor het eerst contact opnemen, weten we al wat de waarschijnlijke pijnpunten van het account zijn, welke technologieën het gebruikt en wie de relevante belanghebbenden zijn.
3. Wanneer een account het verkooptraject binnenkomt, werken we de score voortdurend bij op basis van betrokkenheid. Als een deal stilvalt, signaleert het model dit. Het team ontdekt geen dode deal aan het einde van het kwartaal. Ze zien het signaal vroegtijdig en kunnen handelen.
4. In de voorstelfase gebruikt het presalesteam die informatie om een commercieel model op basis van resultaten op te bouwen: de KPI's die voor deze klant van belang zijn, de toezeggingen van ons leveringsplatform en de optimale prijsstelling. En alles is gebaseerd op gegevens, niet op intuïtie. Het oplossingenteam werkt met AI die toegang heeft tot elke eerdere deal die we hebben gewonnen of verloren, elk leveringsmodel dat we hebben uitgevoerd, elke prijsstructuur die we hebben gebruikt en elk klantresultaat waartoe we ons hebben verbonden.
5. En na de afsluiting volgen we de implementatie na de verkoop aan de hand van de KPI's waartoe we ons hebben verbonden. Als we afwijken, zien we dat voordat de klant het merkt. Dat maakt van verlenging een ander gesprek.

AI is geen magie. De magie ontstaat wanneer je stopt met het laten voortbestaan van informatie in silo's.

Waarom omzetleiders het verschil tussen AI-hulpmiddelen en AI-oplossingen moeten leren

Eliana deelt

In het begin verwarden we AI-hulpmiddelen met AI-oplossingen…De meeste organisaties beginnen met hulpmiddelen en noemen dat transformatie. Wij deden hetzelfde. Mensen gebruikten AI om hun bestaande werk iets sneller te doen, en wij zagen dat ten onrechte aan voor strategische vooruitgang.

In het begin verwarden we AI-hulpmiddelen met AI-oplossingen.

MIT publiceerde dit jaar onderzoek waarin dit precies wordt benoemd. Een generatief AI-hulpmiddel helpt individuen sneller te werken door notities samen te vatten, e-mails op te stellen en zich voor te bereiden op gesprekken. Een generatieve AI-oplossing wordt in een proces geïntegreerd, verandert de manier waarop het werk wordt uitgevoerd en meet de impact op bedrijfsniveau.

De meeste organisaties beginnen met hulpmiddelen en noemen dat transformatie. Wij deden hetzelfde. Mensen gebruikten AI om hun bestaande werk iets sneller te doen, en wij zagen dat ten onrechte aan voor strategische vooruitgang.

De vraag die ons die tijd had kunnen besparen is eenvoudig: "Verandert dit de uitvoer of alleen de snelheid van de invoer?" Als het antwoord alleen snelheid is, gaat het om een productiviteitshulpmiddel, niet om een bedrijfsinitiatief.

Begin met het bedrijfsresultaat dat je wilt veranderen en werk terug naar de AI-mogelijkheid die dit resultaat beïnvloedt. Niet andersom.

Het onderscheid tussen menselijk werk en AI-werk

AI stuurt momenteel vier dingen voor ons aan:

• Leadgeneratie: de juiste doelaccounts identificeren, intentiesignalen zichtbaar maken en de bovenkant van de funnel vullen, zodat het team niet blind prospects benadert.
• Prioritering van de pipeline: bepalen waar tijd aan moet worden besteed op basis van geschiktheid en betrokkenheid.
• Forecasting: ik leg geen cijfer voor aan de raad van bestuur tenzij het model dit valideert, omdat salesleiders van nature optimistisch zijn.
• Churnrisico: signalen binnen het bestaande klantenbestand volgen, zodat we een probleem voor kunnen zijn voordat het onderwerp van gesprek wordt.

Wat blijft mensenwerk?

• Prijzen voor complexe deals: de uiteindelijke beslissing omvat relationele dynamiek en strategisch inzicht waarover een model niet beschikt.
• Onderhandelingen: altijd.
• Territoriumplanning: we breiden momenteel uit in de VS, en dat was een strategische beslissing, geen algoritme.
• Beslissingen over mensen en werving: dat is altijd mensenwerk.

Het eenvoudige principe is dit: AI handelt af wat herhaalbaar is en rijk is aan data. Mensen handelen af wat complex, contextafhankelijk of ingrijpend is.

Hoe AI nieuwe omzetuitdagingen met zich meebrengt

De goede resultaten van AI zijn talrijk. De kwaliteit van leadgeneratie is aanzienlijk verbeterd, omdat we eerder betere accounts targeten. De nauwkeurigheid van forecasts is toegenomen, omdat we modelgevalideerde cijfers gebruiken in plaats van het onderbuikgevoel van het salesteam. De verschuiving naar resultaatgerichte prijsstelling heeft onze klantrelaties hechter gemaakt, omdat verlenging een heel ander gesprek wordt wanneer we verantwoordelijk zijn voor de KPI's van de klant.

De uitdaging is dat AI een vertrouwenskloof binnen het team creëert. Wanneer een model een verkoper vertelt een deal die hij of zij belangrijk vindt een lagere prioriteit te geven, ontstaat er wrijving. Vertrouwen opbouwen in de output kost tijd, en het team negeert het signaal soms en maakt daardoor de verkeerde keuze. Dat kost ons.

Ik heb ook onderschat hoeveel voorlichting aan klanten nodig is. Resultaatgerichte prijsstelling klinkt overtuigend tijdens een pitch, maar de mindset van een klant veranderen nadat die tien jaar lang licenties per gebruiker heeft gekocht, vereist een echt commercieel gesprek. AI verandert ons model sneller dan de markt klaar is om dit op te nemen.

Waarom AI tekortschiet bij accountuitbreiding

En ik wil dit ook zeggen: AI heeft niet aan onze verwachtingen voldaan. We verwachtten dat AI ons zou helpen om upsell- en cross-sellmogelijkheden binnen het bestaande klantenbestand systematischer te identificeren. De signalen zichtbaar maken, de gesprekken prioriteren, sneller handelen. En de signalen zijn er. De data laat ons zien wanneer een klant groeit, wanneer hun volumes verschuiven en wanneer er een logische volgende dienst is om te introduceren.

Maar we merken dat data geen gesprekken over uitbreiding op gang brengt in enterprise BPO. Vertrouwen doet dat wel. En vertrouwen ontstaat in de relatie, niet in het model. De klanten die met ons uitbreiden doen dat omdat iemand op senior niveau de telefoon pakt, bij hen aan tafel gaat zitten en een gesprek voert dat niet in een verkoopscript stond. AI kan dat niet nabootsen en ook niet versnellen.

Hoe het profiel van een geweldige verkoper verandert door AI

De beste verkoper is niet langer degene met het grootste netwerk.

In enterprise BPO is de heersende opvatting altijd geweest dat je veteranen met grijs haar en een uitgebreid netwerk moet aannemen, omdat relaties deals sluiten. En relaties zijn nog steeds belangrijk. Maar AI heeft me laten zien dat een datavaardige, door AI ondersteunde verkoper die een gesprek ingaat nadat hij of zij de pijnpunten van het account al in kaart heeft gebracht, de koopsignalen heeft begrepen en een commercieel nauwkeurig voorstel heeft opgesteld, de veteraan die alleen op goede verstandhouding vertrouwt consequent zal overtreffen.

Het profiel van een geweldige omzetprofessional verandert, en vasthouden aan de oude definitie betekent dat je werft voor het verleden, niet voor de toekomst.

Waarom data en samenwerking de belangrijkste voorspellers van AI-succes zijn

Eliana deelt

Ik heb twee adviezen: het eerste is om je in de data te verdiepen voordat je je in de tools verdiept… Het tweede is om op één lijn te komen met je technologieleiderschap.

Ik heb twee adviezen:

Het eerste is om je in de data te verdiepen voordat je je in de tools verdiept. Uit MIT-onderzoek van vorig jaar bleek dat 95% van de AI-pilots binnen bedrijven geen meetbare bedrijfsimpact opleverden. De reden is vrijwel altijd hetzelfde: de data onder de tool is inconsistent, onvolledig of niet betrouwbaar. Uit onderzoek van Clari bleek dat 67% van de omzetleiders hun eigen data niet vertrouwen. Als dat voor jou geldt, zal geen enkele AI-tool je redden. Repareer eerst de basis.

Het tweede is om op één lijn te komen met je technologieleiderschap. Uit onderzoek van Clari blijkt dat afstemming tussen de CRO en CIO de belangrijkste voorspeller is van de impact van AI op omzet. De CRO's die succesvol zijn, kopen niet zelfstandig tools in. Ze bouwen samen met hun technologische tegenhangers aan een gedeelde datastrategie en maken van AI een organisatiebrede vaardigheid, in plaats van een experiment van de verkoopafdeling.

Gebruik AI over het algemeen om je denken aan te scherpen, niet om het te vervangen. Blijf nieuwsgierig, blijf dicht bij de data en blijf altijd zelf oordelen.

Volg het verhaal

Je kunt het werk van Eliana Angelova volgen op LinkedIn.

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