Intäktschef säger att AI-användning behöver ett affärsunderlag innan den påverkar go-to-market

Alexey Navolokin leder AMD:s verksamhet i hela APAC, där han driver strategi, partnerskap och marknadsintroduktion.

Vi pratade med Alexey för att få veta hur AI förändrar strategierna för intäktshantering. Här är vad han sa.

Intäktsledarskap i AI-eran handlar inte om att försvara ett territorium.

Jag leder AMD:s verksamhet i hela APAC — företag, moln, kommersiella kunder och konsumenter — och driver strategi, partnerskap och marknadsintroduktion för att få in EPYC, Ryzen, Radeon och Instinct i datacenter, datorer och AI-infrastruktur.

Men vägen hit var inte rak, och det är den delen jag vill dela med mig av.

Jag började inom företagsteknik på företag som Apple och Intel, där jag lärde mig att bygga och skala globala GTM-maskiner. Sedan kastade jag mig in i något mer riskfyllt: att leda marknads- och mjukvaruutveckling för en blockkedjestartup som betjänade telekomoperatörer. Under de åren arbetade jag som konsult åt startupföretag och små och medelstora företag i Singapore kring digital omvandling — och hjälpte dem att använda distribuerad liggaren-teknik för att skapa transparens i leveranskedjor, livsmedelssäkerhet och global handel. Ingen handbok, ingen färdplan. Bara en övertygelse om att framväxande teknik så småningom skulle förändra hur företag fungerar.

Den övertygelsen visade sig vara riktig — bara tidigare än jag hade väntat mig och för en annan teknik än den jag först satsade på.

Blockkedjan lärde mig att sälja in ett paradigmskifte innan marknaden var redo för det. Det visade sig vara exakt den färdighet jag behövde när AI slutade vara en bild i någon annans presentation och blev själva produkten. På AMD har jag sett hur själva intäktsledarskapet kopplats om: GTM-strategin tar nu hänsyn till ekonomin kring beräkningskapacitet, GPU-färdplaner och ekosystempartnerskap med regeringar och hyperskalare — inte bara kanalprogram och kvartalsmål.

Så i dag handlar mitt arbete inte bara om att sälja processorer och acceleratorer. Det handlar om att bygga AMD:s AI-ekosystem i hela APAC — att samarbeta med myndigheter, skapa partnerskap med moln- och utvecklarplattformar och forma hur företag i regionen inför AI-infrastruktur i stor skala.

Den här resan lärde mig en sak: intäktsledarskap i AI-eran handlar inte om att försvara ett territorium. Det handlar om att vara tidigt ute med nästa infrastrukturförändring, fortsätta att vara praktiskt engagerad när marknaden kommer ikapp och ha ett förändringsberett tankesätt för att bygga om handboken när den gamla slutar fungera.

Försäljning av hårdvara och plattformar genom en hybridmodell

AMD är en mogen, börsnoterad ledare inom halvledare som konkurrerar i framkanten av högpresterande och adaptiv databehandling — CPU-, GPU-, FPGA-, DPU-, NPU- och AI-acceleratorteknik (EPYC, Ryzen, Radeon, Instinct).

Vi säljer hårdvara och plattformar genom en hybridmodell som omfattar direkta affärer med företag och hyperskalare, OEM- och kanalpartnerskap samt mjukvaru- och ekosystemnära erbjudanden som ROCm och AI-infrastrukturlösningar.

Ett AI-drivet arbetsflöde för förberedelse av kundmöten

Vi segmenterar GTM mellan företags-, moln-, kommersiella och konsumentinriktade verksamheter och bygger tvärfunktionell GTM kring kanalpartners, gemensamma säljinitiativ med hyperskalare, OEM-allianser och samarbete med regeringar och offentlig sektor (MSIT, EDB, NIPA) för strategiska AI-infrastrukturpartnerskap.

Vi betjänar marknader i hela APAC, med särskilt djup i Korea, Australien, Singapore och andra länder i Sydostasien, och täcker kunder inom datacenter-, dator-, AI- och edge-infrastruktur.

Hur AI förändrar strategierna för intäktshantering

På AMD införde företaget AI-verktyg informellt i hela organisationen, utan ett gemensamt sätt att mäta deras affärsvärde — projekt gick framåt på grund av entusiasm för tekniken snarare än en tydlig förståelse av kostnad, nytta och överensstämmelse med verksamhetens mål.

Sedan omstrukturerade AMD:s IT-organisation, under CIO Hasmukh Ranjans ledning, hur AI infördes i intäktsnära och operativt arbete. AMD låter nu varje AI-förslag genomgå en affärsanalys — kostnad, nytta och lämplighet — innan det går vidare, med definierade KPI:er som följer upp värdeskapandet. Som en del av denna förändring kartlade AMD en ”dag i livet” för specifika roller, bland annat försäljning, och byggde AI-verktyg anpassade för varje funktion i stället för att införa generiska verktyg i hela företaget.

Med tydliga KPI:er för alla funktioner kan AMD nu visa mätbara, funktionsspecifika förbättringar — ekonomiavdelningen ser en produktivitetsökning på 15 % genom AI-driven automatisering, och insikter från maskininlärning har lett till förbättringar av tillverkningsutbytet inom halvledarproduktion värda miljontals dollar. En intern katalog med mer än 100 dokumenterade AI-användningsfall gör nu att teamen kan upprepa det som fungerar i stället för att experimentera från grunden.

Förändringen består inte i att AMD lade till ett AI-verktyg i försäljningen — det är att AMD nu kräver ett affärsunderlag och en mätbar KPI innan något AI-initiativ får påverka intäktsinriktat arbete, vilket omvandlar AI-användningen i GTM-funktioner från en serie enstaka experiment till en upprepningsbar och spårbar kapacitet.

Alexeys råd

Jag anser att AI ger störst kommersiell effekt — inte genom att ersätta säljare, utan genom att hjälpa varje säljare att arbeta med den förberedelse och de insikter som kännetecknar deras bästa dag, varje dag.

Ett AI-drivet arbetsflöde som jag använder dagligen är att förbereda mig inför ett kundmöte med en företagsledning — från research till uppföljning.

Det börjar med att AI sammanställer offentlig information: kundens senaste resultat, strategiska prioriteringar, teknikinvesteringar, konkurrenslandskap och branschtrender. I stället för att lägga timmar på att samla in data får jag en kortfattad ledningssammanfattning på några minuter.

Därefter kopplar AI denna externa kunskap till våra interna prioriteringar. Det identifierar var AMD:s portfölj bäst överensstämmer med kundens affärsmål, oavsett om det gäller AI-infrastruktur, suveräna AI-initiativ, molnexpansion eller modernisering av företaget.

Inför mötet tar AI fram en målgruppsanpassad presentation, föreslår diskussionspunkter på ledningsnivå, lyfter fram den konkurrensmässiga positioneringen och förutser till och med frågor baserat på tidigare kundinteraktioner och marknadsutvecklingen.

Efter mötet sammanfattar AI diskussionen, fångar upp åtgärder, utarbetar uppföljningsmejl, uppdaterar CRM-poster och rekommenderar nästa bästa kontakt. Det som tidigare tog flera timmar tar nu några minuter, vilket gör att jag kan ägna mer tid åt kunder och mindre åt administration.

Det största värdet här är att AI komprimerar tiden mellan insikt, beslut och kundkontakt.

För en global organisation som AMD, där möjligheter sträcker sig över molnleverantörer, företag, myndigheter och AI-innovatörer i hela Asien och Stillahavsområdet, är snabbhet viktig. Snabbare förberedelser leder till bättre samtal. Bättre samtal leder till starkare kundrelationer. Och starkare relationer driver i slutändan intäkter.

Det är där jag anser att AI ger störst kommersiell effekt — inte genom att ersätta säljare, utan genom att hjälpa varje säljare att arbeta med den förberedelse och de insikter som kännetecknar deras bästa dag, varje dag.

De bästa områdena att använda AI inom — och resultaten

Områden där AI-assistans lämpar sig väl i intäktsorganisationer är:

• Prioritering av pipeline — att synliggöra signaler från kontoaktivitet och engagemangsdata
• Affärspoängsättning — mönstermatchning mot historiska vinst- och förlustdata
• Prognostisering — att sammanställa pipelinedata till prognoser snabbare än vid manuella sammanställningar
• Områdes- och marknadsstorleksbedömning

De positiva resultat vi hittills har sett är:

• Snabbare genomloppstid från förslag till utkast för strategiska leveranser — finansiella modeller och presentationer som tidigare tog veckor tar nu dagar
• Fler iterationer möjliga per affär/förslag under samma tidsperiod, vilket ger ett skarpare slutresultat
• Möjlighet att själv ta fram tvärfunktionella underlag (modell + berättelse + visualisering) som tidigare krävde att andra team involverades

• Förbättrad prognosprecision
• Minskat kundbortfall

På den negativa sidan har jag sett ett överdrivet beroende av AI-genererad poängsättning som missade relations- och politiska sammanhang i affärer med myndigheter. Dessutom uppväger tiden som krävs för att granska och korrigera AI-resultat ibland den tid som sparas genom att generera dem. Och även om AI har förbättrat produktiviteten dramatiskt leder det inte alltid till en proportionerlig intäktstillväxt.

Varför intäktschefer måste balansera AI-effektivitet med mänskligt omdöme

En sak som blev svårare med AI är att veta när man inte ska lita på den.

AI sammanfattar effektivt information, identifierar mönster och påskyndar vardagliga uppgifter. Men inom företagsförsäljning kan snabbhet skapa en falsk känsla av visshet.

En AI-genererad kontoplan, prognos eller kundgenomgång kan se välpolerad och komplett ut, men ändå missa de subtila dynamiker som avgör om en strategisk affär lyckas eller misslyckas — förändringar i ledningens stöd, organisatorisk politik, budgetförändringar eller styrkan i en förtroendefull relation.

För intäktsansvariga skapar detta en ny utmaning: att balansera AI-driven effektivitet med mänskligt omdöme.

På AMD har vi upptäckt att AI skapar störst värde när den förbereder våra team för bättre kunddialoger — inte när den ersätter kritiska kommersiella beslut. Våra kontoteam validerar fortfarande AI-genererade insikter, ifrågasätter antaganden och använder sin egen erfarenhet innan de kontaktar kunder eller gör strategiska åtaganden.

Varför AI har svårt att förstå affärers nyanser och förtroende

AI har fortfarande svårt att förstå det mänskliga sammanhanget bakom företagsaffärer. Inom komplex B2B-försäljning, särskilt för AI-infrastruktur, är de största hindren sällan tekniska. De är organisatoriska.

AI kan analysera CRM-data, sammanfatta möten, identifiera köpsignaler och till och med förutsäga sannolikheten för att en affär avslutas. Men den missar ofta de nyanser som erfarna försäljningschefer omedelbart känner igen.

En strategisk möjlighet kan till exempel verka lovande eftersom engagemanget från ledningen är högt, den tekniska utvärderingen fortskrider och inköpsprocessen har inletts. På papperet kan AI bedöma den som en affär med hög sannolikhet att gå i mål. Ett erfaret kontoteam kan dock veta att kundens budget i tysthet har förändrats, att ett beslut på styrelsenivå har försenats eller att en viktig sponsor bland ledningens beslutsfattare har gått vidare till en annan roll. Dessa faktorer syns kanske aldrig i strukturerade data, men de kan helt förändra möjligheternas utfall.

På AMD ser vi AI som ett beslutsstödssystem — inte som en beslutsfattare. Det hjälper våra team att förbereda sig mer effektivt, identifiera mönster mellan olika möjligheter och minska administrativt arbete. Men när det gäller att navigera relationer med ledningen, förhandla komplexa kommersiella avtal eller förstå en kunds långsiktiga strategiska prioriteringar är mänskligt omdöme fortfarande avgörande.

Förtroende är ett annat område där AI har begränsningar.

Kunder som gör infrastrukturinvesteringar på flera miljoner dollar väljer inte en partner enbart utifrån kvaliteten på ett AI-genererat förslag. De väljer utifrån förvissningen om att tekniken kommer att fungera, att färdplanen är trovärdig och att människorna bakom den kommer att leverera under hela partnerskapets livstid.

Det byggs genom erfarenhet, transparens och relationer — inte algoritmer.

Hur intäktsansvariga måste förbereda organisationen innan AI integreras

Om jag kunde gå tillbaka skulle jag lägga betydligt mindre tid på att utvärdera AI-verktyg och betydligt mer tid på att förbereda organisationen för att använda dem.

Precis som många andra företag var vår första instinkt att fråga: "Vilken AI-lösning bör vi införa?" Den bättre frågan är: "Hur gör vi om det sätt våra team arbetar på?" AI skapar inte värde bara genom att implementeras. Den skapar värde när den byggs in i de dagliga arbetsflödena och blir betrodd av användarna.

När jag ser tillbaka finns det tre lärdomar som jag önskar att jag hade känt till från första dagen.

1. Data är viktigare än modellen. Inte ens den mest avancerade AI:n kan övervinna fragmenterade CRM-data, inkonsekvent kontoinformation eller frånkopplade kunskapskällor. Rena och tillförlitliga data utgör grunden för varje framgångsrikt AI-initiativ.
2. Användning är det verkliga KPI:t. Det är enkelt att mäta distribuerade licenser eller genomförda pilotprojekt. Det svårare — och viktigare — måttet är huruvida säljteam använder AI dagligen för att förbereda sig inför kundmöten, förbättra prognoser, påskynda offertarbetet och fatta bättre beslut.
3. Börja med affärsresultat, inte teknik. AI bör lösa en specifik kommersiell utmaning: förkorta säljcykler, öka säljarnas produktivitet, förbättra prognosernas träffsäkerhet eller identifiera nya möjligheter. Tekniken bör möjliggöra strategin, inte bli strategin.

Så förändrar AI förväntningarna på roller inom intäktsgenerering

AI har inte förändrat vilka vi anställer i grunden, men det har förändrat vad vi förväntar oss av varje roll.

Tidigare betraktade vi ofta försäljning, tekniska specialister, marknadsföring och verksamhetsdrift som separata funktioner. I dag suddar AI ut dessa gränser.

Vi förväntar oss till exempel att kundansvariga använder AI för att undersöka kunder, utveckla kundstrategier och anpassa möten med företagsledningen. Försäljningschefer blir datadrivna coacher som använder AI-insikter för att förbättra kvaliteten på säljpipe och prognosernas träffsäkerhet. Försäljningsdriftsteam går från att ta fram rapporter till att utforma AI-baserade arbetsflöden som hjälper verksamheten att fatta snabbare och bättre beslut.

På AMD ser vi också en ökad efterfrågan på personer som kan överbrygga teknik och affärsverksamhet. När kunderna accelererar sin AI-användning vill de ha partner som inte bara förstår processorer, grafikprocessorer och AI-infrastruktur, utan även verksamhetsomvandling, molnekonomi, suveräna AI-strategier och avkastning på investeringar.

Det innebär att den mest värdefulla kompetensen i allt högre grad kombinerar kommersiellt ledarskap med teknisk förståelse.

Lika viktigt är AI-kompetens. Vi förväntar oss inte att alla ska bli dataforskare, men vi förväntar oss att teamen förstår hur man arbetar effektivt med AI – hur man ställer bättre frågor, validerar AI-genererade insikter och tillämpar dem ansvarsfullt i kundmöten.

Och kanske är den största förändringen att AI höjer värdet av unikt mänskliga färdigheter. När AI automatiserar research, mötesförberedelser och rutinmässigt administrativt arbete blir relationsskapande, kommunikation med företagsledningen, förhandling, strategiskt tänkande och kundernas förtroende ännu viktigare.

På många sätt minskar AI inte betydelsen av skickliga säljare – den ökar den.

Alexeys råd

De bästa säljarna är inte längre bara de som har störst produktkunskap – de kopplar samman affärsmål med AI-omvandling…Det är förmodligen den största lärdomen jag har dragit.

Så förändrar AI GTM, prissättning och försäljning

I åratal drevs försäljningen av företagsteknik i stor utsträckning av produktdifferentiering, relationer och pris. Dessa faktorer är fortfarande viktiga, men AI har förändrat samtalet i grunden.

I dag köper kunderna inte längre enskilda produkter. De investerar i kompletta AI-resultat.

Det innebär att samtalen har gått från "Vilken processor är snabbast?" till "Hur snabbt kan vi implementera AI? Hur mycket kommer det att kosta att träna och köra våra modeller? Kan den här infrastrukturen skalas? Och blir vi bundna till ett ekosystem?"

Som ett resultat har vår strategi för marknadsintroduktion utvecklats.

Nu fokuserar vi på hur hela portföljen fungerar tillsammans för att hjälpa kunderna att bygga skalbar AI-infrastruktur.

AI har också förändrat diskussionerna om prissättning.

Kunderna utvärderar i allt högre grad den totala ägandekostnaden, prestanda per watt, infrastrukturanvändning, programvarans öppenhet och långsiktig flexibilitet i stället för att bara jämföra kostnaderna för att köpa in hårdvara. Samtalet blev mycket mer strategiskt.

Slutligen har AI förändrat hur vi säljer.

De bästa säljarna är inte längre bara de som har störst produktkunskap – de kopplar samman affärsmål med AI-omvandling. De behöver förstå branschens utmaningar, datastrategi, suveräna AI-initiativ, molnekonomi och organisatorisk förändring lika väl som tekniska specifikationer.

Det är förmodligen den största lärdomen jag har dragit. AI har inte förändrat vad kunderna värdesätter – det har förändrat hur de definierar värde.

Fem prioriteringar för CRO:er som inför AI i sina organisationer

För CRO:er är AI inte bara ännu ett programvaruinköp — det blir en allt viktigare konkurrensfördel. Men framgång kommer inte från att införa flest AI-applikationer. Den kommer från att bygga rätt infrastruktur, en stabil data- och informationsgrund samt organisatorisk kompetens.

Här är fem prioriteringar jag rekommenderar:

• Investera i AI-infrastruktur som kan skalas. Den största värdekällan är inte själva modellen — det är förmågan att träna, finjustera och distribuera modeller effektivt. Öppen infrastruktur med hög prestanda ger organisationer flexibiliteten att utvecklas utan att låsa sig vid ett enda ekosystem.
• Omvandla AI till kundvärde, inte bara intern produktivitet. Snabbare framtagning av offerter och automatiserade CRM-uppdateringar är användbara, men den verkliga möjligheten ligger i att skapa bättre kundupplevelser, personligt anpassat engagemang och snabbare affärsresultat.
• Gör dina data AI-klara. AI är bara så bra som de underliggande data den bygger på. Rena, säkra och styrda data är nu en strategisk intäktstillgång.
• Ge säljarna AI som stöd i stället för att ersätta dem. De mest högpresterande säljteam kommer att kombinera AI-drivna insikter med mänsklig expertis, förtroende och relationsbyggande. AI bör eliminera administrativt arbete så att säljarna kan ägna mer tid åt kunderna.
• Tänk långsiktigt. Efterfrågan på AI ökar snabbt, men dagens infrastrukturval kommer att avgöra din konkurrensposition under det kommande årtiondet. Välj plattformar som erbjuder prestanda, öppenhet och flexibilitet i takt med att arbetsbelastningarna utvecklas.

De företag som kommer att leda AI-eran kommer inte nödvändigtvis att vara de med de största budgetarna. Det kommer att vara de som bygger den mest anpassningsbara AI-infrastrukturen och ger varje medarbetare möjlighet att använda den effektivt.

Och AI kommer inte att ersätta skickliga intäktsansvariga. Men intäktsansvariga som tar till sig AI — och infrastrukturen som driver den — kommer att överträffa dem som inte gör det.

Följ med

Följ Alexey Navolokins arbete på LinkedIn.

Fler expertintervjuer kommer snart på CRO-klubben!