Dyrektor ds. przychodów działający natywnie z AI rozkłada na czynniki pierwsze swój najbardziej efektywny proces pracy z AI (i wyjaśnia, gdzie AI się nie sprawdza)

Dhiraj Khare jest dyrektorem ds. przychodów (CRO) z technicznym doświadczeniem i sposobem myślenia. Obecnie przeprojektowuje procesy związane z przychodami w firmie Matters.AI, zajmującej się cyberbezpieczeństwem i opartej natywnie na AI.

Spotkaliśmy się z Dhirajem, aby dowiedzieć się, które przepływy pracy oparte na AI przynoszą efekty, a które nie. Oto, co nam powiedział.

Przychody z perspektywy inżyniera

Nazywam się Dhiraj Khare i jestem dyrektorem ds. przychodów w Matters.AI, firmie zajmującej się cyberbezpieczeństwem i opartej natywnie na AI, skupionej na danych przedsiębiorstw. Zaczynałem jako programista, zanim przeszedłem do sprzedaży dla przedsiębiorstw, co ukształtowało moje podejście do przychodów. Osoby techniczne są szkolone tak, aby pozostawać przy problemie, dopóki rzeczywiście go nie zrozumieją; zespoły sprzedażowe często są szkolone, aby działać, zanim go zrozumieją. Nigdy w pełni nie pasowałem do tego drugiego modelu. 

Moja kariera obejmowała pracę w firmach takich jak MongoDB, SentinelOne i PingSafe. Różne firmy, różne etapy rozwoju, a jednak ten sam wzorzec. Zespoły ds. cyberbezpieczeństwa już działały z szybkością maszyn, ale zespoły odpowiedzialne za przychody nie.

Cyberbezpieczeństwo dysponowało analizą informacji w czasie rzeczywistym, analizą zachowań i zautomatyzowanymi systemami reagowania. Zespoły GTM wciąż były pogrążone w arkuszach kalkulacyjnych, rozproszonych narzędziach, ręcznym researchu i przeglądach lejka sprzedażowego opartych na optymizmie przebranym za prognozowanie. 

To rozdzielenie pozostało ze mną. Wiele osób przedstawia AI w obszarze przychodów jako historię o produktywności. Szybsze wiadomości e-mail. Więcej działań wychodzących. Więcej sekwencji. Uważam, że to całkowicie mija się z sednem sprawy. 

Problemem współczesnego GTM nie jest brak aktywności, lecz nadmiar szumu. Większość dzisiejszych działań wychodzących to operacyjnie kosztowny spam udający personalizację. Kupujący natychmiast to rozpoznają. Wszyscy mają teraz tę samą automatyzację, więc skala już dawno przestała być rzeczywistą przewagą. 

Liczy się kontekst. Dlaczego to konto? Dlaczego teraz? Co zmieniło się w firmie, że ta rozmowa jest istotna dziś, a nie sześć miesięcy temu?

To skłoniło mnie do przyjęcia roli lidera ds. przychodów napędzanych przez AI. W Matters.AI budujemy organizację GTM opartą przede wszystkim na analizie informacji, w której AI pomaga skrócić czas potrzebny na research, łączyć rozproszone sygnały, wskazywać oznaki właściwego momentu i ograniczać obciążenie operacyjne, aby zespoły mogły poświęcać więcej czasu na jasne myślenie i inteligentne angażowanie odbiorców.

Przemyślenia Dhiraja

Wszyscy mają teraz tę samą automatyzację, więc skala już dawno przestała być rzeczywistą przewagą… Liczy się kontekst. Dlaczego to konto? Dlaczego teraz? Co zmieniło się w firmie, że ta rozmowa jest istotna dziś, a nie sześć miesięcy temu?

Smukła organizacja GTM

Organizacja GTM firmy Matters.AI jest celowo smukła. Działamy w obszarach sprzedaży dla przedsiębiorstw, strategicznych działań wychodzących, partnerstw, inżynierii rozwiązań i przepływów pracy wspieranych przez AI, ale filozofia leżąca u podstaw wszystkiego jest prosta: najpierw zwiększaj skalę inteligencji, a dopiero potem liczby pracowników. 

Wiele firm wciąż próbuje wymuszać wzrost poprzez zwiększanie aktywności. Więcej SDR-ów, więcej sekwencji i więcej kontaktów. Przyjęliśmy niemal odwrotne podejście. 

Bardziej zależy nam na zagęszczeniu sygnałów niż na zagęszczeniu aktywności. Skupiamy się na zrozumieniu, gdzie rzeczywiście istnieje pilna potrzeba, gdzie odpowiedni moment jest realny i gdzie kontekst klienta jest wystarczająco silny, aby uzasadniać zaangażowanie. 

Obecnie większość naszej pracy koncentruje się na zarządzaniu AI, bezpieczeństwie danych, gotowości do zapewnienia zgodności i zarządzaniu ryzykiem przedsiębiorstwa w sektorach takich jak BFSI, SaaS, technologie i branże regulowane. 

Dlaczego AI nie może zastąpić oceny sytuacji w obszarze przychodów

Wykorzystuję AI do ustalania priorytetów kont, mapowania interesariuszy, oceny transakcji, analizy zaangażowania, wspierania prognozowania, wykrywania odpływu klientów i analizy ryzyka w lejku sprzedażowym.

Maszyny znacznie lepiej niż ludzie przetwarzają rozproszone sygnały operacyjne na dużą skalę. Ta część jest już oczywista.

Jednak decyzje obejmujące zgodność między kadrą zarządzającą, negocjacje i zaufanie pozostają domeną ludzi. Strategiczna ocena sytuacji zdecydowanie pozostaje domeną ludzi. 

Decyzje zakupowe dotyczące cyberbezpieczeństwa w przedsiębiorstwach mają u podstaw emocje, ukryte pod wszystkimi arkuszami kalkulacyjnymi i procedurami zakupowymi, za którymi ludzie lubią się chować. Transakcja może wyglądać zdrowo pod względem operacyjnym, podczas gdy zaufanie wewnątrz konta po cichu się rozpada.

AI wciąż ma trudności z tą warstwą. Dlatego nie widzę, aby AI zastępowała ocenę sytuacji w obszarze przychodów; chodzi raczej o ograniczenie operacyjnej ślepoty.

Jak AI umożliwia zaangażowanie oparte na analizie danych

Największą zmianą, jaką wprowadziłem, było odejście od działań wychodzących opartych na aktywności na rzecz zaangażowania opartego na analizie danych. 

Wcześniej działania wychodzące wyglądały tak, jak nadal wygląda to w większości organizacji: duże listy kont, statyczne sekwencje, ręczne wyszukiwanie informacji, szerokie szablony personalizacji i mnóstwo zmarnowanego wysiłku na udawanie precyzji.

Zbudowaliśmy wspierany przez AI proces ustalania priorytetów kont, który skrócił godziny analiz do kilku minut. 

Obecnie AI nieustannie agreguje sygnały dotyczące aktywności rekrutacyjnej, zmian w zakresie bezpieczeństwa, adopcji chmury, presji związanej ze zgodnością, zmian na stanowiskach kierowniczych, wzorców finansowania, zmian organizacyjnych i wskaźników adopcji technologii. 

Następnie syntetyzuje te sygnały w kontekstowe profile kont. Ta część ma znaczenie, ponieważ same surowe sygnały są bezużyteczne. Sprzedawcy nie potrzebują większej liczby pulpitów; potrzebują lepszego zrozumienia sytuacji. 

Gdy kontekst zostanie przedstawiony, sprzedawca ręcznie go weryfikuje, sprawdza jego znaczenie, personalizuje kontakt i decyduje, czy moment rzeczywiście uzasadnia nawiązanie kontaktu. Po spotkaniach AI pomaga w tworzeniu podsumowań, wyodrębnianiu zadań do wykonania, analizie interesariuszy, śledzeniu zaangażowania i monitorowaniu ryzyka w całym cyklu transakcji. 

Nie chodzi o automatyzację kontaktu. Chodzi o zrozumienie, czy dane konto w ogóle zasługuje na uwagę. To natychmiast poprawiło jakość lejka sprzedażowego.

Rozmowy stały się bardziej konkretne. Cykle rozpoznania potrzeb uległy skróceniu. Zaangażowanie kadry kierowniczej się poprawiło, ponieważ kontakt opierał się na kontekście, a nie na sztucznie tworzonej personalizacji. 

Jak AI zmienia kulturę

Korzyści płynące z AI bardzo szybko stały się oczywiste, a wiele z nich już wymieniłem.

Jednak większa zmiana dotyczyła kultury. Ludzie zaczęli bardziej analitycznie podchodzić do realizacji przychodów. Rozmowy stały się mniej oparte na opiniach, a bardziej na dowodach. Ta zmiana ma większe znaczenie niż większość toczących się obecnie na rynku rozmów o narzędziach. 

Minusem jest to, że AI może bardzo łatwo tworzyć fałszywe poczucie pewności. To właśnie ten aspekt jest przez ludzi niedoceniany. 

Wyniki generowane przez AI często brzmią na tyle profesjonalnie, że wydają się godne zaufania, nawet gdy leżące u ich podstaw założenia są słabe lub niepełne. Liderzy muszą pamiętać, że AI działa probabilistycznie, a nie wszechwiedząco. Osąd nadal ma znaczenie. Doświadczenie osób realizujących te zadania nadal ma znaczenie.

Pod wieloma względami krytyczne myślenie staje się jeszcze ważniejsze w środowisku, w którym AI jest naturalnym elementem pracy. 

Dlaczego personalizacja z wykorzystaniem AI nie przynosi oczekiwanych rezultatów

Personalizacja generowana przez AI na początku przynosiła bardzo słabe rezultaty. Nie dlatego, że technologia była niedopracowana, lecz dlatego, że kupujący stali się niezwykle skuteczni w wykrywaniu pozornego znaczenia. Większość generowanych przez AI działań wychodzących brzmi dziś profesjonalnie, ale jest pozbawiona emocji. Odzwierciedla strukturę personalizacji, nie rozumiejąc jednak klienta na tyle głęboko, by powiedzieć coś użytecznego. 

Istnieje różnica między dodaniem kontekstu a wykazaniem się zrozumieniem. Większość systemów AI nadal ma trudności z rozróżnieniem tych dwóch rzeczy. Dość szybko zrozumieliśmy, że syntetyczna personalizacja nie jest tym samym co wgląd. 

Ironia polega na tym, że wraz ze skalowaniem kontaktu generowanego przez AI autentyczność staje się bardziej, a nie mniej wartościowa. 

Dlaczego AI nie może usunąć niejednoznaczności z prognozowania

Dzięki AI nasze prognozowanie stało się bardziej zdyscyplinowane. Chcę jednak uważać, by nie przedstawiać tego aspektu w zbyt pozytywnym świetle, ponieważ prognozowanie sprzedaży w przedsiębiorstwach jest z natury skomplikowane.

Transakcje z przedsiębiorstwami posuwają się naprzód z powodów, które rzadko są w przejrzysty sposób rejestrowane w ustrukturyzowanych systemach. Zmieniają się terminy budżetowe. Wewnętrzni orędownicy tracą wpływy. Priorytety kadry kierowniczej po cichu ulegają zmianie. Tarcia związane z procesem zakupowym pojawiają się na późnym etapie. Porozumienie polityczne rozpada się pod powierzchnią.

AI ma trudności z tymi niewidocznymi warstwami. Możesz mieć wysokie wskaźniki zaangażowania, aktywne spotkania, dobre wskaźniki odpowiedzi i pozytywne zaangażowanie interesariuszy, podczas gdy transakcja już wewnętrznie zaczyna tracić impet.

AI poprawia widoczność. Nie usuwa jednak magicznie niepewności.

Myśli Dhiraja

Ironia polega na tym, że wraz ze skalowaniem komunikacji tworzonej przez AI autentyczność staje się bardziej, a nie mniej wartościowa…AI poprawia widoczność. Nie usuwa jednak magicznie niepewności.

Jak zmieniają się kompetencje zespołów generujących przychody

AI w coraz większym stopniu automatyzuje powtarzalną pracę operacyjną, dlatego współczesny specjalista ds. generowania przychodów potrzebuje zupełnie innego profilu kompetencji. Obecnie znacznie większą wagę niż wcześniej przykładamy do myślenia analitycznego, narracji osadzonej w kontekście, myślenia systemowego, komunikacji z kadrą zarządzającą, elastyczności i biegłości w korzystaniu z AI. 

Najlepsi sprzedawcy stają się dziś koordynatorami wywiadu. Wiedzą, jak weryfikować sygnały, syntetyzować kontekst, zadawać lepsze pytania i szybciej budować strategiczne zaufanie. 

Sprzedaż oparta wyłącznie na aktywności staje się towarem. Ludzka przewaga przesuwa się w stronę osądu, kreatywności i klarowności narracji. 

Dlaczego AI należy traktować jako zmianę modelu operacyjnego

Radzę traktować AI jako zmianę modelu operacyjnego, a nie aktualizację narzędzi.

To błąd, który popełnia obecnie większość organizacji. Nakładają AI na niedziałające procesy i nazywają to transformacją. Zwykle prowadzi to jedynie do szybszego powstawania chaosu. 

Jeśli Twoje pozycjonowanie jest słabe, dyscyplina w CRM niespójna, procesy rozfragmentowane lub zrozumienie klientów powierzchowne, AI wzmacnia ten bałagan. Nie wybawi Cię z niego. 

Firmy, które odnoszą największe korzyści z AI, to zazwyczaj te, które już działają w oparciu o solidne fundamenty.

Od czego zespoły generujące przychody powinny zacząć pracę z AI

Zacznij od tarć i wąskich gardeł w działaniach operacyjnych: nadmiaru pracy badawczej. Analizy lejka sprzedażowego. Wyszukiwania informacji. Widoczności prognoz. Ustalania priorytetów dla klientów. Fragmentacji CRM.

To rzeczywiste problemy operacyjne, które warto rozwiązać. Poświęciłbym też znacznie więcej czasu na rozwijanie biegłości w korzystaniu z AI, niż obecnie robi to większość firm. Wdrożenie techniczne jest zazwyczaj łatwiejszą częścią. Trudniejsze jest pomaganie zespołom w przemyśleniu sposobu pracy bez wywoływania poczucia, że zostaną zastąpione.

Śledź nas

Możesz obserwować Dhiraja Khare na LinkedIn. Sprawdź także Matters.AI.

Więcej wywiadów z ekspertami już wkrótce w The CRO Club!