Dyrektor ds. przychodów dzieli się swoimi przepływami pracy opartymi na agentach i mówi nam, gdzie sztuczna inteligencja zawodzi w cyklu przychodów

André Magrini jest dyrektorem ds. przychodów (CRO) w OGI. Dzięki 20-letniemu doświadczeniu w obszarze przychodów obecnie dogłębnie analizuje przepływy pracy oparte na agentach, które wspierają podejmowanie decyzji o wysokiej stawce.

Porozmawialiśmy z André, aby dowiedzieć się, gdzie stosuje swoje agenty — i gdzie sztuczna inteligencja powoduje zaskakujące problemy. Oto, co nam powiedział.

Systemy sztucznej inteligencji do podejmowania decyzji o wysokiej stawce

Nazywam się André Magrini i jestem dyrektorem ds. przychodów (CRO) w OGI, międzynarodowym oddziale Objective Group. Zajmuję się przychodami, ale moją obsesją jest sposób, w jaki podejmujemy decyzje dotyczące przychodów — ludzka ocena stojąca za każdą zweryfikowaną szansą sprzedażową, każdą rozmową dotyczącą prognozy i każdym pytaniem: „czy ta transakcja jest prawdziwa?”.

Moja droga do tego miejsca nie przebiegała w linii prostej. Przez lata tworzyłem i prowadziłem działania wejścia na rynek, które celowo opierały się na sieci kontaktów i dyscyplinie, a nie na forsowaniu wyników — małe zespoły, relacje oparte na zaufaniu i rygorystyczna kwalifikacja. Nauczyło mnie to czegoś, co pomija większość rozmów o sztucznej inteligencji: w obszarze przychodów wąskim gardłem nie jest aktywność, lecz jakość decyzji podejmowanych w warunkach niepewności. Przedstawiciele handlowi i liderzy toną w sygnałach, a mimo to wciąż zgadują.

To właśnie przyciągnęło mnie do sztucznej inteligencji. Równolegle z pełnieniem funkcji CRO dogłębnie zajmuję się tworzeniem systemów sztucznej inteligencji do podejmowania decyzji o wysokiej stawce — w sytuacjach, w których koszt pewnej siebie, ale błędnej odpowiedzi jest realny.

Dlatego obecny etap mojej pracy polega w mniejszym stopniu na „wdrażaniu narzędzi sztucznej inteligencji”, a w większym na „przeprojektowaniu mechanizmu generowania przychodów wokół lepszych decyzji”. Nie chodzi o sztuczną inteligencję, która pisze więcej wiadomości e-mail, lecz o taką, która mówi, którym transakcjom warto poświęcić uwagę, gdzie prognoza jest krucha i kiedy uczciwa odpowiedź brzmi: „jeszcze nie wiemy”. To transformacja, na której mi zależy.

Napędzanie transformacji cyfrowej

W OGI doradzamy przedsiębiorstwom i realizujemy dla nich projekty związane z transformacją cyfrową — nie tylko rekomendujemy strategię, lecz także dostarczamy rezultaty. Nasza strategia wejścia na rynek opiera się na pozyskiwaniu klienta i rozszerzaniu współpracy, a jej fundamentem jest jasny, bezpośredni zwrot z inwestycji. Zdobywamy pierwsze zlecenie, dowodząc mierzalnej wartości, a następnie rozwijamy konto.

Jesteśmy międzynarodowym zespołem z biurami w Ameryce Północnej, Ameryce Południowej i Europie. Nasza obecność pozwala nam obsługiwać duże międzynarodowe przedsiębiorstwa z szerokiego zakresu branż — od żywności i dóbr konsumpcyjnych po duże banki państwowe — oraz dostosowywać się do bardzo różnych kultur zakupowych i cykli decyzyjnych.

Nasz ekosystem partnerów stanowi istotną część sposobu, w jaki realizujemy projekty. Ściśle współpracujemy z platformami takimi jak Databricks, Snowflake i Liferay, a także z głównymi dostawcami chmury, w tym Azure i AWS. Dzięki temu możemy spotykać się z klientami korporacyjnymi w ramach stosu technologicznego, na który już stawiają.

Jak agenty mogą wspierać przygotowanie do pracy z kontem

Naszym wąskim gardłem nigdy nie była liczba potencjalnych klientów, lecz przygotowanie. Zanim przedstawiciel handlowy zajął się kontem, starszy członek zespołu wykonywał pracę analityczną polegającą na dokładnym zbadaniu firmy, ustaleniu, kto dysponuje budżetem, a kto tylko pojawia się na spotkaniach, znalezieniu wiarygodnego powodu do nawiązania kontaktu oraz przeprowadzeniu kwalifikacji według BANT, aby zdecydować, czy warto poświęcić temu czas.

W przypadku małego, doświadczonego zespołu działającego w trzech regionach ta praca spadała na te same nieliczne osoby, które powinny były kontaktować się z klientami. Była powolna i niespójna. Dwie osoby badające ten sam typ konta wracały z różnym poziomem szczegółowości i odmiennymi wnioskami.

Stworzyłem rozwiązanie, które nazywam „CRO Squad”. Zaprojektowałem zestaw agentów sztucznej inteligencji, którzy jako pierwsi wykonują tę ciężką pracę. Obejmuje ona dogłębne badanie konta, stworzenie mapy organizacji z rzeczywistymi interesariuszami, identyfikację sygnałów i punktów wejścia wartych wykorzystania oraz wstępną, uporządkowaną kwalifikację. Zanim człowiek zajmie się kontem, ma już przed sobą możliwą do uzasadnienia decyzję „wchodzimy/nie wchodzimy”, zamiast pustej strony.

W rezultacie przygotowanie, które wcześniej zajmowało 5 godzin, teraz trwa 15 minut. Ponieważ każde konto przechodzi przez ten sam proces, decyzje o tym, czemu mówimy „nie”, są równie przemyślane jak decyzje o tym, za czym podążamy.

W niewielkim zespole naszym najrzadszym zasobem nie jest liczba pracowników ani liczba szans sprzedażowych, lecz uwaga osób, które potrafią prawidłowo ocenić transakcję. Każda godzina poświęcona przez kogoś na wyszukiwanie danych o firmie była godziną, której nie można było poświęcić na podjęcie decyzji, co z tymi danymi zrobić.

Praktyczny przepływ pracy związany z przygotowaniem konta

Oto przepływ pracy, którego używamy dla nowych kont docelowych.

Wszystko zaczyna się od wyzwalacza. Wyzwalaczami są sygnały rynkowe, działania partnerów (np. Databricks lub Snowflake sygnalizujące aktywność na koncie), istniejący klienci proszący o rozszerzenie współpracy lub nazwa zasugerowana przez jednego z członków mojego zespołu. Niezależnie od źródła konto trafia do przepływu pracy, a zespół CRO rozpoczyna działanie.

Agenci tworzą dossier szczegółowo opisujące działalność firmy, jej stos technologiczny, najnowsze sygnały (takie jak zatrudnienie członków kadry kierowniczej, inicjatywy transformacyjne, finansowanie czy publikacje prasowe) oraz mapę organizacyjną rozróżniającą osoby podejmujące decyzje od uczestników spotkań. Każde twierdzenie w dossier zawiera swoje źródło. Jeśli agent nie może podać źródła, nie może przedstawiać danego twierdzenia.

Następnie ustrukturyzowana wstępna ocena w stylu BANT analizuje konto pod kątem naszych kryteriów kwalifikacji. Co najważniejsze, AI wskazuje obszary, w których brakuje mu pewności. Jeśli sygnał dotyczący budżetu jest słaby lub uprawnienia są jedynie domysłem, wyraźnie to stwierdza, zamiast przedstawiać słaby wniosek jako fakt. Wolałbym zobaczyć dziesięć uczciwych oznaczeń „niska pewność” niż jedno przekonujące zdanie, któremu nie mogę zaufać.

Następny etap to weryfikacja przez człowieka — krok często pomijany. Zanim handlowiec zapozna się z wynikami AI, najpierw samodzielnie sporządza ocenę konta. Dokumentuje swoją intuicję, perspektywę oraz odczucie, czy należy działać, czy zrezygnować. Dopiero wtedy otwiera dossier i porównuje je z własną oceną. Zgodność oznacza przejście dalej; rozbieżność rozpoczyna rozmowę skupioną bezpośrednio na kwestiach, które AI oznaczyło jako niepewne. Decyzja o kontynuowaniu lub rezygnacji należy w całości do człowieka.

Wiele kont celowo kończy się na tym etapie. Dyskwalifikujemy je na wczesnym etapie, aby uniknąć marnowania czasu kadry senioralnej na nierealistyczne szanse sprzedażowe.

W przypadku kont, które przejdą dalej, AI pomaga opracować podejście: tezę dotyczącą wartości i ROI dla konkretnego konta, punkt wejścia oraz najlepiej dopasowanego partnera i rozwiązanie. Jednak to handlowiec tworzy komunikat i prowadzi rozmowę, dbając o to, by miała ona charakter bezpośredniej relacji między ludźmi, a nie masowo generowanego kontaktu.

Od tego momentu proces działa w pętli. W miarę postępów transakcji agenci stale wyszukują sygnały — ryzyko ostygnięcia relacji, ryzyko utraty klienta lub sygnały wskazujące na możliwość rozszerzenia współpracy — i informują nas, jeśli prognoza wydaje się słaba. Rozmowa dotycząca prognozy oraz relacja z klientem pozostają domeną człowieka.

Jak AI zmienia wskaźniki GTM

André dzieli się spostrzeżeniami

Większy zasięg nie zawsze oznacza coś lepszego. Kiedy AI usunęło wąskie gardło związane z badaniem i kwalifikacją, spodziewałem się oczywistej korzyści: Dało to odwrotny efekt.

Większy zasięg nie zawsze oznacza coś lepszego. Kiedy AI usunęło wąskie gardło związane z badaniem i kwalifikacją, spodziewałem się oczywistej korzyści: mój zespół obejmie znacznie więcej kont, a potok sprzedaży gwałtownie się rozrośnie.

Dało to odwrotny efekt. Chociaż nagle mogliśmy kwalifikować ogromną liczbę kont, większość wyników stanowiły bezwartościowe, choć zakwalifikowane konta. Większy zasięg generował po prostu więcej szumu. Wybór i głębokość relacji były ważniejsze niż skala.

Dlatego zmieniłem to, co mierzę. Przestałem oceniać kondycję GTM na podstawie wolumenu i zasięgu; zamiast tego zacząłem mierzyć ją jakością wyboru oraz tym, gdzie moi najbardziej doświadczeni ludzie spędzają swoje godziny pracy. Prawdziwą dźwignią okazało się odejmowanie, a nie dodawanie: szybsze mówienie „nie”, skupianie starszych stażem członków zespołu na mniejszej liczbie kont oraz pogłębianie działań zamiast ich poszerzania.

Trudno było mi to przyznać, ponieważ przeczyło to sposobowi, w jaki prowadziłem zespoły przez dwadzieścia lat.

Co powinno pozostać domeną człowieka, a czym powinno zajmować się AI

Kiedy przestajesz postrzegać AI jako narzędzie zwiększające produktywność, a zaczynasz traktować je jako sposób na ochronę uwagi małego zespołu, podział między AI a człowiekiem staje się jasny.

AI gromadzi dane i ustala priorytety — prowadzi badania kont, tworzy mapę organizacyjną oraz przeprowadza wstępną ocenę BANT. Ponadto pomaga ustalać priorytety potoku sprzedaży, ocenia i sortuje transakcje, dzięki czemu nie wszyscy patrzymy na te same czterdzieści szans sprzedażowych z takim samym, pozbawionym refleksji spojrzeniem, a także wyszukuje sygnały, takie jak gotowość konta do rozszerzenia współpracy lub jego stopniowe wygaszanie relacji. W przypadku prognoz gromadzi dane w jednym miejscu i — co jest dla mnie bardziej użyteczne — wskazuje, gdzie ocena jest słaba. Informuje mnie, którym liczbom nie ufa.

Ludzie podejmują decyzje. To ja odpowiadam za końcową wartość prognozy. Ludzie zajmują się ustalaniem cen i strategią handlową. Ludzie zarządzają relacją i negocjacjami — bez wyjątków. Nigdy nie powierzamy modelowi decyzji dotyczącej klienta o wysokiej stawce — takiej, w której zobowiązujemy się do osiągnięcia określonego ROI lub w której stawką jest zaufanie. Powód nie jest sentymentalny. Decyzje te podejmuje się w warunkach rzeczywistej niepewności, z uwzględnieniem kontekstu, który istnieje w konkretnym pomieszczeniu i w historii relacji z klientem, a nie w danych. Właśnie w tym obszarze model jest najsłabszy, a popełnienie błędu jest najbardziej kosztowne.

Przykład pokazujący, dlaczego ludzka ocena jest niezbędna przy nowych transakcjach

W zeszłym roku mieliśmy umowę z globalnym producentem, którego system faworyzował. Każdy wskaźnik był zielony: dziesiątki e-maili tygodniowo, cykliczne rozmowy i sześciu lub siedmiu aktywnych interesariuszy w wątku. Zespół CRO ocenił tę szansę niemal najwyżej w lejku sprzedażowym i polecił mi mocniej się zaangażować, uwzględnić ją w prognozie i dążyć do zamknięcia. Na papierze była to nasza najzdrowsza szansa sprzedażowa.

Moja starsza rangą przedstawicielka handlowa odpowiedzialna za to konto uważała odwrotnie — i miała rację. Cała ta aktywność nie była postępem, lecz tarciem. Siedem osób uczestniczyło w spotkaniu, ponieważ żadna z nich nie mogła powiedzieć „tak”. Spotkania się powtarzały, bo transakcja wciąż wracała do tego samego pytania, na które nie udzielono odpowiedzi. Nasz najbardziej entuzjastyczny kontakt, który generował większość korespondencji e-mail, nie miał uprawnień budżetowych. Sztuczna inteligencja odczytała dużą liczbę interakcji jako intencję zakupu. Prawdziwą przyczyną były wewnętrzne rozgrywki i grupa zakupowa zbyt obawiająca się podjąć decyzję.

Maszyna nie potrafiła dostrzec milczenia jedynego ważnego dyrektora ani płaskiego tonu w pomieszczeniu za każdym razem, gdy pojawiała się kwestia ceny. Metadane dotyczące zaangażowania nie pokazują tego podtekstu. Nasza przedstawicielka wiedziała, ponieważ znała tych ludzi.

Zaufaliśmy jej, obniżyliśmy ocenę szansy i przestaliśmy poświęcać jej czas osób z wyższego szczebla. Mieliśmy rację, oszczędzając sobie kwartału zmarnowanego wysiłku. Umocniło to zasadę, której wciąż przestrzegamy: sztuczna inteligencja dostarcza dowodów, a ludzie czytają między wierszami.

Jak sztuczna inteligencja poprawia efektywność, dyscyplinę i wskaźniki wygranych

Ogólnie rzecz biorąc, oszczędność czasu jest oczywistą korzyścią sztucznej inteligencji. Same agenty przygotowujące informacje o kontach pozwalają nam realizować ten sam proces dla około trzy razy większej liczby kont przy obecnym stanie zatrudnienia. Nie zatrudniliśmy dodatkowych osób; zwróciliśmy naszemu obecnemu zespołowi jego czas, a te godziny są teraz poświęcane klientom zamiast arkuszom kalkulacyjnym.

Kolejną cichą korzyścią jest dyscyplina. Teraz wcześniej odrzucamy niepasujące szanse. Szybciej mówimy „nie” niewłaściwym transakcjom, co brzmi negatywnie, ale jest jednym z najzdrowszych zjawisk w naszym lejku sprzedażowym.

Nie podam konkretnego procentowego wskaźnika wygranych, ponieważ nie sądzę, by ta liczba była jeszcze uczciwa. Mogę natomiast powiedzieć, że obserwujemy mierzalny wzrost konwersji w przypadku szans, które decydujemy się rozwijać, a prognoza zawiera mniej niespodzianek. Częściowo wynika to z tego, że dążymy do lepszych transakcji. Częściowo z tego, że sztuczna inteligencja wskazuje, gdzie prognoza jest słabo uzasadniona, a dowody w rzeczywistości nie potwierdzają oceny. Niespodzianka, której nadejście widzisz z trzytygodniowym wyprzedzeniem, nie jest już prawdziwą niespodzianką. To właśnie — bardziej niż jakikolwiek pojedynczy wskaźnik — zmieniło sposób, w jaki prowadzimy kwartał.

Dlaczego wyniki sztucznej inteligencji należy traktować jako wersję roboczą

Na początku zbytnio ufaliśmy wynikom. Analizy wyglądały przejrzyście, były dobrze napisane, przekonujące i sformatowane jak raport dobrego analityka. W kilku przypadkach były błędne w kluczowych kwestiach.

Jedna mapa konta wskazała niewłaściwą osobę decyzyjną. Inna opierała się na sygnale sprzed kilku miesięcy. Jeden wynik niemal trafił do prawdziwej rozmowy z klientem, zanim wychwycił go członek zespołu. Przeraziło nas to bardziej niż jakikolwiek nietrafiony wynik, ponieważ pewność siebie połączona z błędem to najdroższy tryb porażki, jaki istnieje.

Pojawiły się również tarcia wewnętrzne. Moi ludzie są doświadczeni. Ostatnią rzeczą, jakiej chce dobry sprzedawca, jest maszyna wręczająca mu ocenę i sugerująca, że zna konto lepiej niż on.

Przestaliśmy traktować wyniki sztucznej inteligencji jak prawdę i zaczęliśmy traktować je jak wersję roboczą. System wskazuje teraz, kiedy nie jest pewien, i przekazuje decyzję człowiekowi zamiast zgadywać. Gdy zespół zrozumiał, że sztuczna inteligencja ma wykonywać żmudną pracę i chronić jego osąd, a nie go zastępować, opór szybko osłabł. Ludzie zaczęli jej ufać, ponieważ zdobyła to zaufanie i przyznawała, kiedy czegoś nie wiedziała.

Trzy obszary, w których sztuczna inteligencja nie sprawdza się w procesach związanych z przychodami

Największym rozczarowaniem związanym ze sztuczną inteligencją był prawdopodobnie kontakt wychodzący. Oczekiwaliśmy, że sztuczna inteligencja zbuduje dla nas lejek sprzedażowy, dostarczając setkom kont spersonalizowane wiadomości na dużą skalę, w sposób sprawiający wrażenie indywidualnego kontaktu. To nie zadziałało.

W złożonych transakcjach korporacyjnych o znacznej wartości większa liczba wiadomości nie generuje większego lejka sprzedażowego. Nabywcy, którym sprzedaję, natychmiast rozpoznają kontakt wygenerowany przez sztuczną inteligencję i równie szybko go usuwają. Nie zwiększyliśmy więc liczby odpowiedzi — spłaszczyliśmy ją. Sztuczna inteligencja świetnie przygotowuje człowieka do rozmowy, ale nie potrafi zastąpić samej rozmowy.

Prognozowanie również okazało się nietrafione, co zaskoczyło mnie jeszcze bardziej. Prezentacja obiecywała, że AI będzie przewidywać przychody lepiej niż starszy stażem pracownik analizujący te same transakcje. Nie potwierdziło się to. To, co naprawdę wpływa na wyniki przedsiębiorstw, to informacje, których nie ma w danych. Sponsor odchodzi. Budżet zostaje zamrożony dwa tygodnie przed finalizacją. Nagle cicha zmiana polityczna wewnątrz klienta pozbawia naszego rzecznika jakiejkolwiek osłony. Model nie jest w stanie tego dostrzec. Rzeczywiście dobrze wskazuje kruchość transakcji, informując mnie, które z nich wydają się niepewne, ale nie potrafi przewidzieć wyników kwartału. W tym obszarze nadal wygrywa doświadczenie starszych stażem osób.

Ostatnim nietrafionym założeniem było skrócenie cyklu sprzedaży. Wpływ na niego był znikomy. Cykl sprzedaży w przedsiębiorstwie przebiega zgodnie z zegarem klienta, a nie naszym: dział zakupów, dział prawny, komitet, kalendarz budżetowy. Możemy znacznie przyspieszyć działania po stronie sprzedawcy — i tak właśnie zrobiliśmy — ale nie możemy przyspieszyć działań po stronie kupującego, które wyznaczają harmonogram.

Dlaczego liderzy ds. przychodów muszą zwrócić uwagę na ludzki wymiar wdrażania AI

André dzieli się

Narzucanie wdrożenia to cichy sabotaż w łagodniejszej oprawie.

Całkowicie błędnie oceniłem ludzki wymiar tego procesu. Potraktowałem go jak wdrożenie narzędzia, a nie zmianę zachowania. Zbudowałem coś, przekazałem gotowe rozwiązanie i oczekiwałem, że wdrożenie nastąpi samo.

Napotykałem opór. Ludzie korzystali z tego wyłącznie dlatego, że im kazano. Inni po cichu to ignorowali. Narzucanie wdrożenia to cichy sabotaż w łagodniejszej oprawie.

Gdybym mógł zrobić to jeszcze raz, od pierwszego dnia zaprosiłbym zespół do wspólnego projektowania rozwiązania, zamiast przedstawiać mu gotową odpowiedź.

Oszczędziłoby to miesiące poświęcone na poszukiwanie idealnego narzędzia, podczas gdy prawdziwy problem tkwił w niepisanych kryteriach i braku zaangażowania zespołu. Zacząłbym od mniejszej skali — od jednego przepływu pracy, z zespołem obecnym w pomieszczeniu — i najpierw spisałbym kryteria. Oszczędziłoby mi to kosztownego fałszywego startu oraz zaufania, które później musiałem odbudowywać.

Cztery rady dla liderów ds. przychodów

Oto moje rady:

1. Zacznij od pytania, a nie od narzędzia. Zastanów się, jaki jest najrzadszy zasób w twoim zespole. Dla niemal każdego, kto prowadzi złożoną sprzedaż, jest to zdolność oceny sytuacji i uwaga, a nie aktywność. Twoi najlepsi ludzie mają ograniczoną liczbę godzin, w których jasno myślą o transakcji — i właśnie tego ci brakuje. Dlatego skieruj AI na ochronę tego zasobu.
2. Bądź ze sobą szczery w kwestii wskaźników próżności. Więcej wiadomości e-mail, więcej kontaktów, więcej treści, więcej aktywności w systemie. W przypadku złożonej sprzedaży to w większości szum przebrany za postęp. AI bardzo dobrze radzi sobie z produkowaniem aktywności, która sprawia wrażenie pracy, ale niczego nie przynosi. Jeśli jedynym dowodem na to, że AI pomaga, jest większe zajęcie twojego zespołu, kupiłeś niewłaściwe rozwiązanie.
3. Wymagaj, aby twoje systemy AI potrafiły powiedzieć „nie wiem” i przekazać sprawę człowiekowi. Traktuj każdy wynik jako wersję roboczą do sprawdzenia, nigdy jako prawdę.
4. Zacznij od małej skali i uczciwie mierz działanie AI. Nie zlecaj modelowi odpowiedzialności za dyscyplinę przychodową, nazywając to transformacją. Przewaga w tym cyklu nie przypadnie temu, kto wdroży najwięcej AI. Zyska ją ten, kto skupi ludzką ocenę sytuacji we właściwym miejscu i nie pozwoli narzędziu decydować o tym, co powinien rozstrzygać wyłącznie człowiek.

Obserwuj dalszy ciąg

Możesz obserwować działalność André Magriniego na LinkedInie lub odwiedzić jego osobistą stronę internetową.

W Klubie CRO pojawi się więcej wywiadów z ekspertami!