Wiceprezes ds. sprzedaży wyjaśnia, jak zespoły ds. przychodów mogą dołączyć do 6%, które z powodzeniem wdrożyły AI

Byron Munson jest wiceprezesem ds. sprzedaży na region JAPAC w Supermetrics.

Usiedliśmy z Byronem, aby dowiedzieć się, dlaczego tylko 6% zespołów z powodzeniem wdrożyło sztuczną inteligencję — i jak on sprawia, że udaje się to jego zespołowi. Oto, co nam powiedział.

Budowanie od podstaw silników sprzedażowych

Nazywam się Byron Munson i jestem wiceprezesem ds. sprzedaży na region JAPAC w Supermetrics, globalnej firmie MarTech na etapie wzrostu. Nasza baza klientów obejmuje zarówno małe i średnie firmy, jak i największe marki korporacyjne. Nasza struktura GTM opiera się na elastycznym modelu menedżera kluczowych klientów i specjalisty ds. klientów komercyjnych oraz organizacji partnerskiej.

Od ponad dwudziestu lat pracuję w regionach APAC i EMEA, budując od podstaw silniki sprzedażowe i rozwijając je do skali regionalnej. Zaczynałem w reklamie w firmach DDB i McCann w Sydney, następnie przeszedłem do technologii reklamowej w Adconion London i Videology SEA, a później do MarTechu w Datorama. Pomagałem zarządzać regionem APAC w Datorama i doprowadziłem do finalizacji przejęcia przez Salesforce w tym regionie.

Dwukrotne przejście przez przejęcie firmy od wewnątrz nauczyło mnie wielu rzeczy, których nie dowiedziałbym się z prezentacji strategicznej: co przetrwa w większej organizacji, co zostanie zbudowane na nowo i co po cichu zniknie.

Założyłem również własną firmę — start-up z branży technologii klimatycznych o nazwie Climagap — co dało mi sporą dawkę pokory w kwestii opracowywania pomysłów, pozyskiwania finansowania i wprowadzania pomysłu na rynek od podstaw. Ostatecznie z różnych powodów firma nie osiągnęła skali, więc zdecydowałem się zakończyć działalność.

W Supermetrics kieruję regionalnym zespołem około 20 pracowników z różnych obszarów. Zbudowaliśmy JAPAC od braku dedykowanej obecności na lokalnym rynku do znaczącej operacji regionalnej. Obejmuje to ekosystem partnerski zapewniający dostęp do doświadczonych lokalnych specjalistów ds. wdrożeń i technologii, co ma kluczowe znaczenie dla zrównoważonego skalowania oraz długoterminowego sukcesu naszych klientów.

Organizacja przychodowa pod wpływem sztucznej inteligencji na dwóch frontach

W ostatnim czasie objęło to również sztuczną inteligencję na dwóch frontach. Wewnętrznie zbudowaliśmy własną infrastrukturę przychodową opartą na sztucznej inteligencji — obejmującą kondycję lejka sprzedażowego, ryzyko związane z klientami i szkolenia dotyczące transakcji — opartą na naszych własnych danych. Dzięki temu przekonałem się na własnej skórze, że wdrażanie sztucznej inteligencji jest przede wszystkim problemem zaufania i zarządzania zmianą, a nie technologii.

Zewnętrznie obserwowałem tę samą zmianę u naszych klientów: marki i agencje tonące w nadmiarze danych. Prawdziwym przełomem nie były większe ilości danych, lecz pomoc w szybszym podejmowaniu decyzji.

Nasze partnerstwa z dostawcami modeli językowych, w tym nowsza rola partnera Google przy uruchomieniu Gemini Enterprise w regionie, znajdują się na styku tych dwóch obszarów — oddając inteligencję marketingową opartą na sztucznej inteligencji bezpośrednio w ręce marketerów. Szczerze mówiąc, nauczyłem się, że nie chodzi o technologię; ludzie działają wyłącznie na podstawie informacji, którym ufają — niezależnie od tego, czy przedstawiciel ufa sugestii coachingowej, czy klient ufa rekomendacji na tyle, by zmienić swoje plany dotyczące inwestycji marketingowych.

Gdzie sztuczna inteligencja sprawdza się najlepiej, a gdzie kończy się jej użyteczność

Sztuczna inteligencja wspiera podejmowanie decyzji, dostarczając informacji. Skłonność do przejścia na wyższy plan jest tu najlepszym przykładem; w modelu samoobsługowym sygnały dotyczące użytkowania, rozliczeń i zaangażowania mogą znajdować się w odłączonych od siebie systemach, bez naturalnego połączenia. Sztuczna inteligencja łączy te źródła danych, ujawniając wyraźny sygnał wskazujący, którzy klienci są gotowi na rozszerzenie współpracy.

Jednak sztuczna inteligencja nigdy nie jest jedynym czynnikiem napędzającym działanie. Czynności, które pozostają w pełni ludzkie, obejmują ustalanie cen, negocjacje oraz wszystko, co opiera się na zaufaniu i interakcjach międzyludzkich. Sztuczna inteligencja może powiedzieć mi, że klient jest gotowy. Nie może jednak przeprowadzić tej rozmowy.

Warto również zauważyć, że nie każda inwestycja w sztuczną inteligencję przekłada się na przychody tak szybko, jak sugeruje entuzjazm wobec tej technologii. Niektóre z nich pochłaniają znaczne zasoby, zanim przyniosą wymierne rezultaty.

Dlatego największym ryzykiem, które obserwuję, jest fałszywe poczucie pewności. Wynik działania sztucznej inteligencji może wyglądać na dopracowany i jednoznaczny, nawet jeśli opiera się na skąpych danych. Traktuję go jak pierwszy szkic przygotowany przez młodszego analityka: jest przydatny, ale nie działam na jego podstawie bez uprzedniej weryfikacji.

Dwa obszary, w których AI nie sprawdza się w organizacjach generujących przychody

Widzę dwa niebezpieczne obszary, w których AI zawodzi w kontekście przychodów.

Najbardziej oczywistym jest personalizacja komunikacji wychodzącej generowana przez AI. Jest efektywna pod względem wszystkich wskaźników aktywności, ale nie zwiększyła współczynnika wygranych transakcji, ponieważ kupujący natychmiast rozpoznają sztuczną personalizację.

Oto subtelniejszy przykład: pozwalanie modelowi na automatyczne ocenianie ryzyka transakcji. Model miał rację wystarczająco często, by mu zaufać, i mylił się dokładnie tam, gdzie miało to znaczenie — w przypadku relacji, które zaczynały wygasać, czego nigdy nie widać w ustrukturyzowanych danych.

W obu przypadkach człowiek musi uczestniczyć w procesie.

Jak wykorzystanie AI w zarządzaniu wynikami i strategii rynkowej usprawnia podejmowanie decyzji

Ostatnio wprowadziłem dwie duże zmiany:

1. Zarządzanie wynikami: Teraz identyfikujemy ryzyko dotyczące poszczególnych osób i zespołów, zanim przerodzi się ono w problem z wynikami, a nie dopiero po jego wystąpieniu. Proaktywne rozwiązywanie problemów zamiast podejścia polegającego na analizie po fakcie. Robimy to, zestawiając transkrypcje rozmów, historię lejka sprzedażowego, notatki w CRM, przychody z poszczególnych linii produktowych i opinie klientów — a AI wskazuje leżące u podstaw zachowania.
2. Strategia rynkowa: Analiza 4 lat danych operacyjnych z całego regionu ujawniła konkretny trend w Tajlandii, co skłoniło nas do ekspansji opartej przede wszystkim na partnerach. Zbudowaliśmy na tym rynku rozbudowaną sieć partnerów dostarczających rozwiązania, zamiast samodzielnie tworzyć tam bezpośrednią obecność.

Osiągnęliśmy to, łącząc wszystkie nasze dane wewnętrzne i platformy zewnętrzne z naszym środowiskiem Claude. Ostatecznie stanowi to fundament umożliwiający podejmowanie powtarzalnych decyzji o istotnym wpływie komercyjnym na dużą skalę. Nie jest to jednorazowa dogłębna analiza, lecz długoterminowe, spójne podejście.

Byron dzieli się

Zbudowaliśmy na tym rynku rozbudowaną sieć partnerów dostarczających rozwiązania, zamiast samodzielnie tworzyć tam bezpośrednią obecność.

Jak AI umożliwia współpracę skoncentrowaną na kliencie

Sprzedaż i dział ds. sukcesu klienta zawsze działały obok siebie: ten sam klient, dwie funkcje, dwa systemy ewidencji, dwie wersje prawdy. To nie jest partnerstwo. To równoległa gra.

Branża doszła do podobnej diagnozy. Doświadczeni liderzy przychodów są dziś zgodni co do zasady: „Jedna liczba, jeden sposób działania, jedno źródło prawdy”. GTM jako połączony system, a nie przekazywanie klienta między kolejnymi zespołami.

Ta idea nie budzi już kontrowersji. Jednak większość organizacji kończy na strukturze: wspólne cele sprzedażowe, ujednolicone pulpity nawigacyjne, konsolidacja CRM. To tylko infrastruktura. Nie odpowiada na pytanie: „Jak dwie funkcje, działające w dwóch różnych systemach, mają kiedykolwiek opisywać tego samego klienta w ten sam sposób?”

Mechanizm wygląda następująco: gdy język ze wszystkich punktów kontaktu z klientem (sprzedaży, wdrożenia i odnowienia) znajduje się w LLM ukierunkowanym na dane organizacji, nie ma już osobnej wersji klienta tworzonej przez sprzedaż i osobnej wersji tworzonej przez dział ds. sukcesu klienta.

Tak w praktyce przejawiają się współpraca i przejrzystość. Nie jako wartość przedstawiona na slajdzie, lecz jako struktura, która uniemożliwia zespołom stracenie klienta z pola widzenia. I właśnie tak wygląda współpraca skoncentrowana na kliencie.

Jak skutecznie wdrożyć AI w organizacjach generujących przychody

89% zespołów odczuwa presję, by wdrożyć AI. Tylko 6% faktycznie to zrobiło. Ta luka stanowi szansę (Supermetrics, Raport danych marketingowych 2026).

Oto jak ją zniwelować:

1. Przeprowadź audyt luk i potrzeb. Określ swoje cele i przyporządkuj testy A/B, aby ujawnić właściwy kierunek długoterminowy. Następnie zmapuj swoje dane. Jeśli ich nie połączysz, LLM nie będzie mieć kontekstu. Większość zatrzymanych „inicjatyw AI” wynika z problemów z higieną danych. Jeśli nie ufasz danym wejściowym, nie możesz ufać danym wyjściowym.
2. Nie wdrażaj AI w całej organizacji od pierwszego dnia. Znajdź jedno zadanie, które najbardziej obciąża Twój zespół: podsumowania transakcji, przygotowanie do QBR, higiena lejka sprzedażowego. Przebuduj ten jeden przepływ pracy, uwzględniając pełny kontekst. Udowodnij wzrost efektywności przed rozpoczęciem skalowania.
3. Zapisz zasady. Twoi przedstawiciele handlowi kierują się nieudokumentowaną oceną sytuacji — wiedzą, jak wygląda zdrowa transakcja, co oznacza „zatrzymana” w dziewiątym miesiącu oraz jak odróżniać odnowienia od sprzedaży dodatkowej. Jeśli tego nie zapiszesz, Twój LLM nie będzie mógł z tego korzystać, podobnie jak nowo zatrudnione osoby.
4. Mierz wykorzystanie na podstawie zmienionych decyzji, a nie aktywowanych stanowisk. Liczba licencji i statystyki logowania niczego Ci nie powiedzą. Śledź, czy spostrzeżenia przedstawione przez AI zmieniają rozmowy dotyczące prognoz, strategie prowadzenia transakcji lub rozmowy coachingowe. To jedyny sygnał odróżniający rzeczywiste wdrożenie od tych, którzy nigdy nie wychodzą poza etap pilotażowy.

Byron dzieli się wiedzą

Oto jak zniwelować tę lukę: przeprowadź audyt luk i potrzeb. Nie wdrażaj AI w całej organizacji od pierwszego dnia. Zapisz zasady. Mierz wykorzystanie na podstawie zmienionych decyzji, a nie aktywowanych stanowisk.

Dlaczego LLM-y należy wdrażać tak jak nowo zatrudnione osoby

I jeszcze jedno: wdrażaj LLM tak, jak wdrażasz nowo zatrudnioną osobę. Pomiń ten etap wdrożenia, a uzyskasz pewność siebie bez kompetencji.

Nowy pracownik nie otrzymuje dostępu do CRM-u ani podręcznika operacyjnego bez poznania ról i obowiązków oraz zrozumienia, jak wygląda „dobry” wynik. LLM potrzebuje tych samych czterech kluczowych elementów, zanim zacznie pracować na rzeczywistych danych:

• Twoje cele: Co oznacza „zdrowy” lejek sprzedażowy w przypadku tego lejka, tego kwartału i tego regionu
• Twoje definicje: Co oznacza „zagrożony”, jak wygląda zdrowy lejek sprzedażowy
• Twoje zabezpieczenia: Czego model nigdy nie powinien decydować samodzielnie — na przykład nie powinien zmieniać etapu transakcji ani określać przyczyny odejścia klienta bez udziału człowieka.
• Twoja historia: Kontekst, który zmienia znaczenie liczby — na przykład stwierdzenie „pokrycie lejka sprzedażowego jest niskie” brzmi zupełnie inaczej, gdy wiesz, że właśnie przesunęliśmy duże odnowienie o kwartał do przodu.

Pomiń ten etap wdrożenia, a model nie zawiedzie po cichu — zawiedzie w sposób przekonujący.

Śledź dalsze informacje

Możesz śledzić działalność Byrona Munsona na LinkedInie.

Wkrótce kolejne wywiady z ekspertami w The CRO Club!