Jak dyrektor ds. przychodów startupu wykorzystuje zwinne zespoły do osiągania dużej dźwigni dzięki sztucznej inteligencji

Waleed Shaarani jest szefem działu przychodów i GTM w startupie o nazwie Spiky.ai. Specjalizuje się w obszarze B2B SaaS na etapie seed, co zmusza go do kreatywnego wykorzystywania zasobów, koncentracji i szybkiego działania — dlatego AI okazała się dla niego przełomem.

Usiedliśmy z Waleedem, aby dowiedzieć się, jak niewielkie zespoły odpowiedzialne za przychody mogą dzięki AI zwiększyć swoje możliwości. Oto, co miał do powiedzenia.

Startupy na etapie seed potrzebują AI, aby odnieść sukces w obszarze przychodów

Moja droga zawodowa w mniejszym stopniu polegała na zarządzaniu ogromnymi zespołami korporacyjnymi, a w większym na pracy w samym centrum wydarzeń we wczesnych firmach, rozwiązywaniu problemów na bieżąco, pełnieniu wielu ról i robieniu wszystkiego, co konieczne, aby nabrać rozpędu.

Blisko współpracowałem z założycielami, pomagałem kształtować strategię wejścia na rynek od podstaw i działałem w środowiskach bez dużych zespołów, idealnych procedur czy możliwości ukrycia się za procesami. Koncentruję się na kreatywnym wykorzystywaniu zasobów, szybkim działaniu i przekuwaniu niejednoznaczności w realizację.

Obecnie kieruję działem przychodów w startupie B2B AI na etapie seed, działającym w oparciu o subskrypcyjny model SaaS. Zespół jest niewielki — w dziale przychodów pracuje jedna lub dwie osoby — dlatego aktywnie angażuję się w strategię GTM, działania wychodzące, generowanie lejka sprzedażowego, realizację sprzedaży i zbieranie opinii klientów. Nasz model GTM opiera się na ścisłej współpracy z założycielem i iteracyjnym podejściu, koncentrując się na pozyskiwaniu pierwszych klientów, szybkim uczeniu się i budowaniu powtarzalnego wzrostu w obszarach związanych z klientami i zespołem odpowiedzialnym za przychody.

Na etapie seed sukces w obszarze przychodów w dużej mierze zależy od intuicji założyciela, rozproszonych rozmów, ręcznych działań następczych i wiedzy nieformalnej. Dlatego bardzo zainteresowało mnie, jak AI może pomóc startupom wcześniej wychwytywać te sygnały, przekładać działania najlepszych pracowników na procesy operacyjne i zapewniać niewielkim zespołom większe możliwości bez tworzenia ogromnej organizacji.

Moim zdaniem AI w obszarze przychodów nie zastępuje ludzi ani nie zwiększa złożoności. Pomaga małym, przedsiębiorczym zespołom osiągać wyniki ponad ich możliwości. Umożliwia startupom szybsze działanie, szybszą naukę i wcześniejsze budowanie lepszych systemów, niż byłoby to możliwe w innym przypadku. Uwielbiam wykorzystywać AI, aby pomagać firmom na etapie seed porządkować chaos, przekuwać wiedzę w działanie i skalować przychody bez utraty tempa.

Jak AI zwiększa koncentrację i szybkość procesów związanych z przychodami

Dla mnie AI oznacza koncentrację, szybkość i większe możliwości.

Zbudowani przeze mnie agenci pomogli nam precyzyjniej określić rynek docelowy, wcześniej identyfikować konta o wyższej intencji zakupowej i sprawić, by bardzo niewielki dział przychodów działał z większą precyzją. Oznaczało to mniej zmarnowanego wysiłku na konta niedopasowane do naszych potrzeb, szybszą realizację działań docierających i działań następczych oraz lepszy wgląd w miejsca, w których obserwowaliśmy sygnały zakupowe. Poprawiło to również szybkość testowania komunikatów, dopracowywania założeń ICP i przesuwania zasobów w kierunku segmentów wykazujących silniejszą intencję.

Najbardziej wyraźnym rezultatem ilościowym była większa efektywność. AI skróciła czas poświęcany na badania, ustalanie priorytetów kont i przygotowanie GTM o ponad 50%, zapewniając nam znacznie większą zdolność sprzedażową bez zwiększania zatrudnienia. Przełożyło się to na lepszą koncentrację działań docierających, wyższą jakość spotkań i mniej zmarnowanego wysiłku w całym lejku.

W niektórych przypadkach wpływ był najbardziej widoczny operacyjnie, a nie tylko w wynikach finansowych. Zadania, które wcześniej wymagały wielu godzin ręcznych badań, można było wykonywać znacznie szybciej, zyskując więcej przestrzeni na sprzedaż i podejmowanie decyzji. Proces pracy stał się również mniej reaktywny. Zamiast podążać za wszystkim, mogliśmy bardziej świadomie decydować, na co poświęcać czas.

W startupie tego rodzaju zwiększenie możliwości ma znaczenie, ponieważ pomaga skalować działania w inteligentniejszy sposób, zanim jeszcze osiągnie się skalę.

Jak AI może udoskonalić generowanie lejka sprzedażowego

Oto przykład takiego procesu. Wykorzystałem AI, aby usprawnić sposób generowania przez nas lejka sprzedażowego poprzez identyfikowanie odwiedzających stronę i kont wykazujących intencję zakupową. Wcześniej opieraliśmy się na szerszych założeniach ICP, ręcznych badaniach i ograniczonych danych dotyczących intencji. Oznaczało to, że poświęcaliśmy czas na konta, które wyglądały właściwie na papierze, ale niekoniecznie były w trakcie poszukiwania rozwiązania.

Zmieniliśmy to, wykorzystując AI do identyfikowania unikalnych odwiedzających, analizowania zachowań związanych z zaangażowaniem i oceniania kont pod kątem prawdopodobieństwa zakupu. Dzięki temu mogliśmy w większym stopniu koncentrować się na segmentach rynku docelowego i firmach wykazujących rzeczywistą intencję.

Rezultatem była poprawa ustalania priorytetów, trafności i efektywności konwersji. Spędzaliśmy mniej czasu na zgadywaniu, a więcej na działaniu w oparciu o sygnały, dzięki czemu nasz model GTM stał się bardziej precyzyjny i skoncentrowany.

A najważniejsza zmiana polegała na przejściu od pytania „kto wygląda właściwie na papierze?” do pytania „na kim najbardziej warto działać właśnie teraz?”. Właśnie w tym kierunku powinno zmierzać więcej osób na stanowiskach CRO.

Dlaczego AI może być katastrofalna dla firm na wczesnym etapie rozwoju

Wadą jest to, że AI jest tylko tak dobra, jak jej dane wejściowe, logika i zabezpieczenia. Widziałem przypadki, w których nadmiernie opierała się na zaszumionych sygnałach, wskazywała fałszywe pozytywy lub dawała poziom pewności, na jaki nie zasługiwały dane leżące u jej podstaw. We wczesnym środowisku może to być niebezpieczne, ponieważ zbiór danych jest mniejszy, rynek wciąż się kształtuje, a łatwo jest wmówić sobie, że dany wzorzec jest silniejszy, niż jest w rzeczywistości. Jednym z negatywnych skutków może być więc zmarnowany wysiłek, gdy AI kieruje nas w stronę kont lub sygnałów, które wyglądają obiecująco, ale nie dają prawdziwego przekonania.

Widziałem również, że AI może skłaniać nas do automatyzowania zbyt wielu rzeczy zbyt wcześnie. Jeśli nie zachowasz ostrożności, możesz uzyskać więcej aktywności, ale niekoniecznie lepsze decyzje.

Jesteśmy jeszcze daleko od pełnej automatyzacji strategicznych decyzji dotyczących przychodów. AI może pomóc w badaniach, wskazywać sygnały i przyspieszać realizację, ale nie jest jeszcze konsekwentnie niezawodna w prognozowaniu, strategii transakcji ani w pewnym przewidywaniu, które szanse sprzedażowe zakończą się sukcesem. AI pozwala pokonać 90% drogi; pozostałe 10% musi uzupełnić człowiek. Zwłaszcza w środowiskach na wczesnym etapie AI zazwyczaj nie ma wystarczającej ilości uporządkowanych danych historycznych, aby podejmować takie decyzje na oczekiwanym poziomie.

AI jest więc wzmacniaczem badań, ustalania priorytetów i realizacji. Nie zastępuje jednak intuicji osoby operacyjnej ani bliskiego kontaktu z klientem. Strategia, osąd i podejmowanie decyzji oparte na relacjach muszą pozostać domeną człowieka. Nadal samodzielnie podejmuję ostateczne decyzje dotyczące koncentracji na rynku, komunikatów, priorytetów, cen i prowadzenia transakcji.

Jak dostosować działania, gdy AI nie radzi sobie z komunikacją

Oto przykład sytuacji, w której AI mnie zawiodła.

Wykorzystaliśmy AI, aby szybciej tworzyć i udoskonalać treści do komunikacji wychodzącej, ale wiele z nich okazało się zbyt ogólnych lub zbyt dopracowanych, przez co nie trafiały do kupujących. Brzmiały dobrze, ale nie zawsze odzwierciedlały rzeczywiste niuanse rynku ani to, na co kupujący zareagowaliby pozytywnie.

Aby to naprawić, przestałem traktować komunikaty generowane przez AI jako ostateczny rezultat i zacząłem wykorzystywać je raczej jako wersję roboczą. Ostateczne pozycjonowanie, ton i wyrazistość pozostały domeną człowieka. AI przyspieszyła proces, ale osąd nadal musiała zapewnić osoba blisko związana z klientem.

Dlaczego mierzenie wpływu AI ma kluczowe znaczenie dla przychodów

Nie każde wdrożenie AI faktycznie pomaga. Wpływ AI mierzę tak samo, jak mierzyłbym każdą inwestycję w GTM. Każdy wdrażany przeze mnie przepływ pracy oparty na AI musi spełniać jeden z poniższych warunków:

• Zwiększać wydajność
• Poprawiać jakość decyzji
• Skracać czas do osiągnięcia rezultatu przychodowego

Jeśli nie poprawia żadnego z tych trzech obszarów, prawdopodobnie tylko dodaje szumu.

Na wysokim poziomie oceniam, czy AI pomaga nam tworzyć większy lejek sprzedażowy, lepiej ustalać priorytety szans sprzedażowych i zwiększać efektywność zespołu. Ponieważ intensywnie korzystam z AI w badaniach i agentach GTM, śledzę takie wskaźniki jak czas zaoszczędzony na badaniu kont, szybkość tworzenia list, czas do pierwszego kontaktu oraz stopień ukierunkowania naszej komunikacji wychodzącej. Jeśli AI działa prawidłowo, zespół powinien spędzać mniej czasu na gromadzeniu informacji, a więcej na działaniu wobec właściwych szans.

Śledzę również wskaźniki przychodowe skoncentrowane na jakości, a nie tylko na aktywności. Obejmują one współczynniki konwersji od konta docelowego do spotkania, od spotkania do szansy sprzedażowej oraz od szansy sprzedażowej do zamknięcia transakcji, wskaźniki odpowiedzi na komunikację wychodzącą wspieraną przez AI oraz lejek sprzedażowy wygenerowany przez konta o wyższej intencji zakupowej. Jeśli AI pomaga nam identyfikować lepiej dopasowane konta lub poprawiać komunikaty, oczekuję, że znajdzie to odzwierciedlenie w rozmowach wyższej jakości i lepszych konwersjach na dalszych etapach.

Pod względem operacyjnym oceniam precyzję i użyteczność. Na przykład: Czy agent zidentyfikował właściwe konta, wskazał istotny kontekst lub pomógł nam skoncentrować się na odpowiednim segmencie rynku? Jeśli wyniki są szybkie, ale nieprzydatne, AI nie pomaga. Dlatego część oceny nadal ma charakter jakościowy: Czy spostrzeżenia są wystarczająco trafne, aby im zaufać, i czy w istotny sposób zmieniają sposób naszej pracy?

Dlaczego AI nie jest strategią

AI nie jest strategią; jest dźwignią.

Każdy CRO powinien to zrozumieć przed rozpoczęciem pracy, ponieważ jeśli Twój ICP, komunikaty, proces sprzedaży i podstawowy proces działania są słabe, AI ich nie naprawi. Po prostu pomoże Ci szybciej robić niewłaściwe rzeczy.

Firmy, które najwięcej zyskują dzięki AI, wykorzystują ją do poprawiania jakości osądu, przyspieszania nauki i eliminowania pracy manualnej — a nie do zastępowania myślenia. Jeśli potraktujesz AI jako wzmacniacz, a nie magiczne rozwiązanie, wdrożysz ją znacznie skuteczniej.

Co warto wiedzieć przed wdrożeniem AI w zespołach odpowiedzialnych za przychody

Czyste dane wejściowe i jasne ograniczenia są ważne. Wspominałem już o tym, ale warto to powtórzyć, ponieważ żałuję, że nie zdałem sobie z tego sprawy wcześniej.

Na początku łatwo zachwycić się tym, co AI potrafi wygenerować, ale jeśli dane są nieuporządkowane, polecenie jest niejasne lub przepływ pracy nie został precyzyjnie zdefiniowany, wynik wygląda lepiej, niż jest w rzeczywistości. Może to prowadzić do fałszywej pewności siebie i marnowania wysiłku.

Gdybym wiedział o tym wcześniej, poświęciłbym mniej czasu na pogoń za efektownymi wynikami, a więcej na zdefiniowanie dokładnego przypadku użycia, miernika sukcesu i etapu weryfikacji przez człowieka od pierwszego dnia. Pomogłoby to uniknąć szumu, wyników fałszywie pozytywnych i wielu przeróbek.

Wyciągnąłem wnioski ze swojego błędu i znacznie bardziej zdyscyplinowałem się w kwestii zakresu, danych wejściowych i weryfikacji.

Najpierw ograniczyłem każdą inicjatywę AI do jednego konkretnego zadania, zamiast oczekiwać, że wykona zbyt wiele rzeczy naraz. Następnie ustandaryzowałem dane wejściowe — spójne pola danych, bardziej precyzyjne polecenia, dokładniejsze definicje tego, jak wygląda „dobry” rezultat, oraz mniejsze poleganie na nieuporządkowanych lub niekompletnych informacjach. Dodałem również wyraźne zabezpieczenia określające, w jakich obszarach AI może wspierać pracę, a w których ostateczną decyzję musi podjąć człowiek.

Ponadto wprowadziłem pętlę weryfikacji. Porównywałem wyniki z rezultatami w rzeczywistym świecie, identyfikowałem sytuacje, w których AI generowała szum lub fałszywe poczucie pewności, a następnie wprowadzałem udoskonalenia. Największa zmiana polegała na tym, że zacząłem traktować AI mniej jak magię, a bardziej jak system operacyjny, który potrzebuje struktury, zapewniania jakości i ograniczeń, aby być użyteczny.

Dlaczego CRO powinni potraktować AI jako zmianę sposobu działania

Ogólnie rzecz biorąc, oto moja rada.

Nie podchodź do AI jak do wdrożenia narzędzia. Potraktuj ją jak zmianę sposobu działania.

Zacznij od jednego jasno określonego problemu związanego z przychodami, w którym szybkość, przetwarzanie sygnałów lub ręczne obciążenie pracą ograniczają zespół. Najpierw wykorzystaj AI, aby zwiększyć efektywność właśnie w tym obszarze. Utrzymuj wąski zakres, mierz wpływ i rozwijaj rozwiązanie na podstawie rzeczywistych procesów, a nie szumu medialnego.

Co najważniejsze, nie przekazuj odpowiedzialności za osąd. Najlepsi CRO będą wykorzystywać AI, aby działać szybciej, widzieć sytuację wyraźniej i podejmować lepsze decyzje — nie po to, by zastąpić ludzką perspektywę, która wciąż napędza świetne przywództwo GTM.

Bądź na bieżąco

Możesz śledzić drogę Waleeda Shaaraniego na LinkedIn, gdzie nadal kieruje organizacjami odpowiedzialnymi za przychody w środowisku startupowym.

W The CRO Club pojawią się kolejne wywiady z ekspertami!