Försäljningschefen berättar hur intäktsteamen kan tillhöra de 6 % som framgångsrikt har implementerat AI
Byron Munson
Försäljningschef för JAPAC på Supermetrics
Byron Munson förklarar hur intäktsteam kan ta sig bortom AI-piloter genom att koppla samman data, bygga förtroende och mäta framgång genom bättre beslut snarare än genom att införa verktyg.
Key Takeaways
Förtroendegapet: AI-användning är mer beroende av tillförlitliga data, tydlig förändringsledning och mänskligt omdöme än av avancerad teknik.
Mänskliga begränsningar: AI förbättrar prioriteringen, men människor måste hantera prissättning, förhandlingar, relationer och beslut som bygger på förtroende.
Misslyckade satsningar: Syntetisk personalisering av utgående kommunikation och automatiserad riskbedömning av affärer kan förbättra aktivitetsmått samtidigt som de förbiser relationerna som avgör vilka affärer som vinns.
Vägen till införande: En framgångsrik AI-implementering börjar med ett arbetsflöde med mycket friktion, sammankopplade data, skriftliga regler och införandemått baserade på beslut.
Gemensam bild: Genom att koppla samman försäljnings- och kundframgångsspråket med en språkmodell skapas en gemensam kundbild i hela intäktsorganisationen.
Byron Munson är försäljningschef för JAPAC på Supermetrics.
Vi satte oss ner med Byron för att förstå varför endast 6 % av teamen framgångsrikt har implementerat AI – och hur han får det att hända i sitt team. Här är vad han berättade.
Bygga kommersiella motorer från grunden
Jag heter Byron Munson och är försäljningschef för JAPAC på Supermetrics, ett globalt MarTech-företag i tillväxtfas. Vår kundbas sträcker sig från små och medelstora företag till de största företagsvarumärkena. Vår GTM-struktur bygger på en slimmad modell med Key Account Managers och Commercial Account Executives samt en partnerorganisation.
Jag har tillbringat mer än tjugo år i APAC och EMEA med att bygga kommersiella motorer från grunden till regional skala. Jag började inom reklam på DDB och McCann i Sydney, gick sedan över till annonsteknik på Adconion London och Videology SEA och senare till MarTech på Datorama. Jag hjälpte till att driva APAC för Datorama och genomförde Salesforce-förvärvet i regionen.
Att gå igenom ett förvärv från insidan, nu för andra gången, har lärt mig mycket som jag inte hade kunnat lära mig från en strategipresentation: vad som överlever i en större organisation, vad som byggs om och vad som tyst faller bort.
Jag grundade också mitt eget företag, en klimattech-startup som heter Climagap, vilket gav mig en nyttig dos ödmjukhet kring att utveckla idéer, säkra finansiering och ta en idé från grunden till marknaden. I slutändan skalades verksamheten inte upp av olika skäl, så jag beslutade att lägga ner verksamheten.
På Supermetrics leder jag ett regionalt team med cirka 20 tvärfunktionella medarbetare. Vi byggde upp JAPAC från ingen dedikerad närvaro på marknaden till en betydande regional verksamhet. Detta inkluderar ett partnerekosystem som ger tillgång till starka lokala implementerings- och teknikoperatörer, vilket är avgörande för hållbar skalning och våra kunders långsiktiga framgång.
More Articles
En intäktsorganisation som påverkas av AI på två fronter
På senare tid har detta även omfattat AI på två fronter. Internt byggde vi vår egen AI-drivna intäktsinfrastruktur – som omfattar pipelinehälsa, kundrisk och affärscoachning – baserad på våra egna data. Det lärde mig på nära håll att AI-användning främst är ett problem kring förtroende och förändringsledning, inte ett tekniskt problem.
Externt har jag sett samma förändring utspela sig hos våra kunder: varumärken och byråer som drunknar i dataöverflöd. Den verkliga lösningen har inte varit mer data, utan att hjälpa dem fatta beslut snabbare.
Våra LLM-samarbeten, inklusive vår mer aktuella roll som Googles lanseringspartner för Gemini Enterprise i regionen, befinner sig i skärningspunkten mellan dessa områden – genom att ge marknadsförare direkt tillgång till AI-driven marknadsföringsintelligens. Ärligt talat har jag lärt mig att det inte handlar om tekniken; människor agerar bara utifrån insikter de litar på, oavsett om det handlar om att en säljare litar på en coachningsuppmaning eller att en kund litar tillräckligt på en rekommendation för att ändra sina planer för marknadsföringsinvesteringar.
Var AI utmärker sig och var dess användbarhet tar slut
AI stärker beslutsfattandet genom att tillhandahålla insikter. Benägenhet att uppgradera är det tydligaste exemplet; i en självbetjäningsmodell kan signaler från användning, fakturering och engagemang finnas i separata system utan någon naturlig koppling. AI sammanför dessa datakällor och synliggör en tydlig signal om vilka som är redo att utöka sitt åtagande.
Men AI är aldrig den enda drivkraften. Sådant som fortfarande är helt mänskligt omfattar prissättning, förhandling och allt som bygger på förtroende och mellanmänsklig interaktion. AI kan tala om för mig att ett konto är redo. Det kan inte föra samtalet.
Det är också värt att notera att inte alla AI-satsningar omvandlas till intäkter lika snabbt som AI-entusiasmen antyder. Vissa förbrukar betydande kapacitet innan de ger särskilt mycket tillbaka.
AI är aldrig den enda drivkraften. Sådant som fortfarande är helt mänskligt omfattar prissättning, förhandling och allt som bygger på förtroende och mellanmänsklig interaktion. AI kan tala om för mig att ett konto är redo. Det kan inte föra samtalet.
Därför är den risk jag framför allt håller ögonen på falsk säkerhet. AI-resultat kan se välformulerade och definitiva ut även när de bygger på ett tunt dataunderlag. Jag behandlar dem som det första utkastet från en junior analytiker: användbara, men jag agerar inte på dem utan att först kontrollera dem.
Två områden där AI missar målet i intäktsorganisationer
Jag ser två farliga missar när det gäller AI inom intäktsverksamhet.
Den tydligaste är AI-genererad personalisering i utgående kommunikation. Den är effektiv enligt alla aktivitetsmått, men den ökade inte vinstfrekvensen eftersom köpare omedelbart kan upptäcka syntetisk personalisering.
Här är en mer subtil sådan: att låta en modell bedöma affärsrisk automatiskt. Den hade rätt tillräckligt ofta för att man skulle lita på den, och hade fel precis där det spelade roll — relationer som svalnar, vilket aldrig syns i strukturerade data.
I båda fallen behövs en människa i loopen.
Hur AI inom prestationshantering och marknadsstrategi förbättrar beslutsfattandet
Jag har nyligen gjort två stora förändringar:
- Prestationshantering: Vi synliggör nu individuella risker och teamrisker innan de blir en prestationsutmaning, inte efteråt. Proaktivt lösningsarbete i stället för ett obduktionsliknande arbetssätt. Vi gör detta genom att samla in samtalstranskriptioner, historik över säljpipen, CRM-anteckningar, intäkter per produktlinje och kundfeedback — och AI synliggör underliggande beteenden.
- Marknadsstrategi: När vi samlade in fyra års verksamhetsdata från hela regionen blev en trend i synnerhet i Thailand tydlig, vilket ledde till att vi expanderade med en partnerförst-strategi. Vi byggde upp ett robust nätverk av lösningspartners på marknaden i stället för att själva etablera fysisk närvaro.
Vi uppnådde detta genom att koppla samman all vår interna data och tredjepartsplattformar med vår Claude-miljö. I slutändan skapar detta grunden för att fatta repeterbara, kommersiellt betydelsefulla beslut i stor skala. Inte en enstaka djupanalys, utan ett långsiktigt och konsekvent arbetssätt.
Byron delar med sig
Vi byggde upp ett robust nätverk av lösningspartners på marknaden i stället för att själva etablera fysisk närvaro.
Hur kundcentrerat samarbete blir möjligt med AI
Försäljning och kundframgång arbetade alltid parallellt: samma kund, två funktioner, två informationssystem, två versioner av sanningen. Det är inget partnerskap. Det är parallell lek.
Branschen kom ikapp den diagnosen. Allvarligt syftande intäktsledare är nu överens om ”Ett nummer, en rörelse, en enda sanningskälla.” GTM som ett sammanlänkat system, inte en kedja av överlämningar.
Den idén är inte längre kontroversiell. Men de flesta stannar vid strukturen: gemensamma kvoter, enhetliga instrumentpaneler, konsolidering av CRM-system. Det är rördragning. Det besvarar inte frågan: ”Hur kan två funktioner, som sitter i två olika system, någonsin beskriva samma kund på samma sätt?”
Här är mekanismen: När språket från varje kundkontakt (försäljning, introduktion och förnyelse) finns i en LLM som är riktad mot dina data, finns det inte längre en försäljningsversion av kunden och en kundframgångsversion.
Det är så samarbete och transparens tar form i praktiken. Inte som ett värde på en presentationsbild, utan som den struktur som gör det omöjligt för team att tappa kunden ur sikte. Och det är så kundcentrerat samarbete ser ut.
Så inför du AI framgångsrikt i intäktsorganisationer
89 % av teamen känner press att införa AI. Endast 6 % har faktiskt implementerat det. Det gapet är möjligheten (Supermetrics, Marknadsdatarapport 2026).
Så här överbryggar du gapet:
- Granska luckor och behov. Fastställ dina mål och kartlägg A/B-tester för att tydliggöra den verkliga långsiktiga riktningen. Kartlägg sedan dina data. Om du inte kopplar ihop dem saknar LLM:en sammanhang. De flesta avstannade "AI-initiativ" beror på problem med datahygien. Om du inte litar på indata kan du inte lita på utdata.
- Rulla inte ut AI i hela organisationen första dagen. Hitta den enskilda uppgiften som skapar mest friktion för teamet: sammanfattningar av affärer, förberedelser inför QBR-möten eller pipelinehygien. Bygg om just det arbetsflödet med hela dess sammanhang. Bevisa effektivitetsvinsterna innan du skalar upp.
- Skriv ner reglerna. Dina säljare använder odokumenterade bedömningar – hur en sund affär ser ut, vad "avstannad" betyder under månad nio och hur de skiljer förnyelser från merförsäljning. Om du inte skriver ner det kan din LLM inte använda det, och det kan inte heller nyanställda.
- Mät införandet utifrån ändrade beslut, inte aktiverade licenser. Antalet licenser och inloggningsstatistik säger dig ingenting. Följ upp om AI-baserade insikter förändrar prognosbedömningar, affärsstrategier eller coachande samtal. Det är den enda signalen som skiljer verklig implementering från dem som aldrig kommer längre än till ett pilotprojekt.
Byron delar
\u003cstrong\u003eSå här överbryggar du gapet: Granska luckor och behov. Rulla inte ut AI i hela organisationen första dagen. Skriv ner reglerna. Mät införandet utifrån ändrade beslut, inte aktiverade licenser.\u003c/strong\u003e
Varför LLM:er måste introduceras som nyanställda
Och en sak till: Introducera din LLM på samma sätt som en nyanställd. Hoppar du över denna introduktion får du självförtroende utan kompetens.
En ny medarbetare får inte tillgång till CRM-systemet eller er handbok utan att känna till roller och ansvarsområden och förstå vad som kännetecknar ett "bra" resultat. En LLM behöver samma fyra nyckelelement innan den får hantera realtidsdata:
\u003cstrong\u003eOch en sak till: \u003cem\u003eIntroducera\u003c/em\u003e din LLM på samma sätt som en nyanställd. Hoppar du över denna introduktion får du självförtroende utan kompetens. Hoppar du över introduktionen misslyckas modellen inte i det tysta – den misslyckas på ett övertygande sätt.\u003c/strong\u003e
- Dina mål: Vad "sund" betyder för denna pipeline, detta kvartal och denna region
- Dina definitioner: Vad "i riskzonen" betyder och hur en sund pipeline ser ut
- Dina skyddsräcken: Vad den aldrig får besluta om på egen hand – till exempel att omklassificera ett affärsstadium eller ange en orsak till kundbortfall utan att en människa är involverad.
- Din historik: Det sammanhang som förändrar vad en siffra betyder – till exempel låter "pipeline-täckningen är låg" mycket annorlunda när du vet att vi just flyttade fram en större förnyelse ett kvartal.
Hoppar du över introduktionen misslyckas modellen inte i det tysta – den misslyckas på ett övertygande sätt.
Följ med
Du kan följa Byron Munsons arbete på LinkedIn.
Fler expertintervjuer kommer på The CRO Club!
