CRO:n delar sina agentbaserade arbetsflöden och berättar var AI brister i intäktslivscykeln

André Magrini är CRO på OGI. Med 20 års erfarenhet av intäkter fördjupar han sig just nu i agentbaserade arbetsflöden som ligger till grund för beslut med höga insatser.

Vi pratade med André för att få veta var han använder sina agenter – och var AI orsakar överraskande problem. Här är vad han berättade.

AI-system för beslut med höga insatser

Jag heter André Magrini och är intäktschef på OGI, Objective Groups internationella verksamhet. Min värld handlar om intäkter, men min besatthet är hur vi fattar beslut om intäkter, det mänskliga omdömet bakom varje kvalificerad pipeline, varje prognossamtal och varje samtal om ”är den här affären verklig?”.

Min väg hit var inte spikrak. Jag har tillbringat år med att bygga och driva strategier för marknadsintroduktion som medvetet var nätverksdrivna och disciplinerade snarare än byggde på råstyrka – små team, relationer baserade på högt förtroende och rigorös kvalificering. Det lärde mig något som de flesta AI-samtal hoppar över: flaskhalsen i intäktsarbetet är inte aktivitet, utan kvaliteten på besluten under osäkerhet. Säljare och ledare drunknar i signaler och gissar ändå.

Det var det som drog in mig i AI. Parallellt med min CRO-roll har jag fördjupat mig i att bygga AI-system för beslut med höga insatser – där kostnaden för ett självsäkert men felaktigt svar är verklig.

Så det jag fokuserar på nu handlar mindre om att ”införa AI-verktyg” och mer om att ”utforma om intäktsmotorn kring bättre beslut”. Inte AI som skriver fler mejl – AI som berättar vilka affärer som förtjänar din uppmärksamhet, var prognosen är skör och när det ärliga svaret är ”vi vet inte än”. Det är den omvandling jag bryr mig om.

Driva digital omvandling

På OGI ger vi råd till och genomför arbete för företag som driver digital omvandling – vi rekommenderar inte bara strategier, utan levererar resultat. Vår GTM bygger på en modell för att vinna och expandera, med tydlig och direkt ROI som grund. Vi vinner det första uppdraget genom att bevisa mätbart värde och utökar sedan kontot därifrån.

Vi är ett internationellt team med kontor i Nordamerika, Sydamerika och Europa. Vår geografiska närvaro gör att vi kan betjäna stora multinationella företag inom en mängd olika branscher – från livsmedel och konsumentvaror till stora statsägda banker – och anpassa oss till mycket olika köpkulturer och beslutsprocesser.

Vårt partnerekosystem är en viktig del av hur vi levererar. Vi arbetar nära plattformar som Databricks, Snowflake och Liferay samt med stora molnleverantörer, däribland Azure och AWS. Det gör att vi kan möta företagskunder på den teknikstack som de redan satsar på.

Så kan agenter stödja kontoförberedelser

Vår flaskhals var aldrig mängden leads, utan förberedelserna. Innan en säljare tog sig an ett konto gjorde en senior teammedlem skrivbordsarbetet med att granska företaget, ta reda på vem som ägde budgeten jämfört med vem som bara dök upp på möten, hitta en trovärdig anledning att ta kontakt och gå igenom det med BANT för att avgöra om det var värt vår tid.

Med ett litet, seniort team över tre regioner föll det arbetet på samma fåtal personer som borde ha varit framför kunderna. Det gick långsamt och var inkonsekvent. Två av oss som undersökte samma typ av konto kunde komma tillbaka med olika djup och slutsatser.

Jag byggde det jag kallar vårt ”CRO-team”. Jag utformade en uppsättning AI-agenter som först skulle göra det tunga arbetet. Det omfattar djupgående kontoundersökningar, en organisationskarta över verkliga intressenter, signaler och kontaktvägar som är värda att agera på samt strukturerad kvalificering i ett första steg. När en människa tar över kontot finns redan ett välgrundat beslut om att gå vidare eller avstå framför henne eller honom, i stället för en tom sida.

Som ett resultat tar förberedelser som tidigare tog 5 timmar nu 15 minuter. Eftersom varje konto går igenom samma process är det lika medvetet vad vi säger nej till som vad vi satsar på.

På ett slimmat team är vår knappaste resurs varken personalstyrka eller pipeline, utan uppmärksamheten hos personer som kan tolka en affär korrekt. Varje timme någon lade på att samla in företagsdata var en timme som inte lades på att besluta vad vi skulle göra med den.

Ett praktiskt arbetsflöde för kontoförberedelser

Här är arbetsflödet vi använder för nya målkonton.

Det börjar med en utlösare. Utlösare omfattar marknadssignaler, partneraktiviteter (t.ex. att Databricks eller Snowflake flaggar kontoaktivitet), befintliga kunder som efterfrågar expansion eller ett namn som någon i mitt team föreslår. Oavsett källa går kontot in i arbetsflödet, och CRO-teamet börjar sitt arbete.

Agenter bygger en dossier som beskriver företagets verksamhet, dess teknikstack, aktuella signaler (som nyrekryteringar till ledningen, transformationsinitiativ, finansiering och pressbevakning) samt en organisationskarta som skiljer beslutsfattare från mötesdeltagare. Varje påstående i dossiern innehåller sin källa. Om en agent inte kan ange en källa får den inte framföra påståendet.

Därefter utvärderar en strukturerad första genomgång i BANT-stil kontot utifrån våra kvalificeringskriterier. Viktigast av allt är att AI:n flaggar områden där den saknar säkerhet. Om budgetsiffran är svag eller beslutsmandatet är en gissning säger den uttryckligen det, i stället för att presentera en svag slutsats som ett faktum. Jag ser hellre tio ärliga markeringar med "låg konfidens" än en självsäker mening som jag inte kan lita på.

Nästa steg är den mänskliga kontrollpunkten, ett steg som ofta förbises. Innan säljaren granskar AI-resultatet skriver hen först sin egen bedömning av kontot. Hen dokumenterar sin intuition, sitt perspektiv och sin magkänsla kring om man ska gå vidare eller avstå. Först därefter öppnar hen dossiern och jämför den med sin egen bedömning. Överensstämmelse innebär att man går vidare; avvikelser inleder ett samtal med direkt fokus på de punkter som AI:n markerat som osäkra. Beslutet om att gå vidare eller avstå är helt mänskligt.

Många konton avslutas avsiktligt här. Vi avkvalificerar dem tidigt för att undvika att slösa senior tid på orealistiska möjligheter.

För konton som går vidare hjälper AI:n till att utforma angreppssättet: värde- och ROI-tesen för just det kontot, ingången samt vilken partner och lösning som passar bäst. Säljaren utformar dock budskapet och samtalet för att säkerställa att det sker person till person, inte som massgenererad kommunikation.

Därefter körs processen som en loop. När affären fortskrider söker agenter kontinuerligt efter signaler — avtagande intresse, risk för kundbortfall eller expansionstriggers — och informerar oss om prognosen verkar osäker. Prognossamtalet och relationen förblir mänskliga.

Hur AI förändrar GTM-måtten

André berättar

Mer täckning är inte alltid bättre. När AI tog bort flaskhalsen för research och kvalificering förväntade jag mig den uppenbara vinsten: Det blev precis tvärtom.

Mer täckning är inte alltid bättre. När AI tog bort flaskhalsen för research och kvalificering förväntade jag mig den uppenbara vinsten: Mitt team skulle täcka betydligt fler konton och pipelinen skulle växa kraftigt.

Det blev precis tvärtom. Även om vi plötsligt kunde kvalificera en enorm mängd konton var det mesta som kom tillbaka kvalificerat skräp. Mer täckning skapade bara mer brus. Urval och relationens djup var viktigare än skalan.

Därför ändrade jag vad jag mäter. Jag slutade följa GTM-hälsan utifrån volym och täckning; i stället följde jag den utifrån kvaliteten på urvalet och var mina seniora medarbetare lade sina timmar. Den verkliga hävstången visade sig vara subtraktion, inte addition. Att säga nej snabbare, koncentrera det seniora teamet på färre konton och gå djupare i stället för bredare.

Det var svårt att erkänna eftersom det motsade hur jag hade lett team i tjugo år.

Vad som bör förbli mänskligt och vad AI bör hantera

När du slutar se AI som en produktivitetsmultiplikator och börjar se den som ett sätt att skydda ett litet teams uppmärksamhet blir uppdelningen mellan AI och människor tydlig.

AI samlar in och rangordnar — kontoresearch, organisationskartan och den första BANT-genomgången. Dessutom hjälper den till att prioritera pipelinen, genomför affärspoängsättning och triage så att vi inte alla tittar på samma fyrtio möjligheter med samma ofokuserade blick, och söker efter signaler som att ett konto är redo att expandera eller sakta håller på att svalna. För prognoser samlar den ihop data och, vilket är mer användbart för mig, flaggar var bedömningen är osäker. Den talar om för mig vilka siffror den inte litar på.

Människor fattar besluten. Jag äger den slutliga prognossiffran. Människor hanterar prissättning och kommersiell strategi. Människor sköter relationen och förhandlingen, punkt slut. Vi överlåter aldrig ett kundbeslut med höga insatser — där vi åtar oss att leverera en ROI eller där förtroendet står på spel — till en modell. Anledningen är inte sentimental. Besluten fattas under verklig osäkerhet, med sammanhang som finns i ett rum och i en historik med kunden, inte i data. Det är exakt där en modell är som svagast och där det är som dyrast att ha fel.

Ett exempel på varför mänskligt omdöme behövs vid nya affärer

Förra året hade vi en affär med en global tillverkare som systemet favoriserade. Alla mätvärden var gröna: dussintals mejl i veckan, återkommande samtal och sex eller sju aktiva intressenter i tråden. CRO-teamet placerade den nära toppen av säljtratten och sa åt mig att satsa, ta med den i prognosen och driva den mot avslut. På pappret var det vår mest välmående affär.

Min seniora säljare på kontot kände tvärtom, och hon hade rätt. All denna aktivitet var inte framdrift, utan friktion. Sju personer deltog eftersom ingen av dem kunde säga ja. Mötena upprepades eftersom affären hela tiden återkom till samma obesvarade fråga. Vår mest entusiastiska kontakt, som drev merparten av mejltrafiken, hade inget budgetmandat. AI tolkade volym som köpintention. Intern politik och en köpgrupp som var alltför rädd för att fatta ett beslut var den verkliga orsaken.

Maskinen kunde inte se tystnaden från den enda chef som spelade roll eller den platta tonen i rummet varje gång priset kom på tal. Metadata om engagemang visar inte den undertexten. Vår säljare visste det eftersom hon kände människorna.

Vi litade på henne, sänkte affärens betyg och slutade lägga seniora timmar på den. Vi hade rätt och sparade oss själva en fjärdedel av ett års bortkastade insatser. Det befäste en regel som vi fortfarande följer: AI kommer med bevisen; människor läser mellan raderna.

Så förbättrar AI effektivitet, disciplin och vinstfrekvens

Överlag är tidsbesparingen den uppenbara vinsten med AI. Enbart agenterna för förberedelse av kundkonton gör att vi kan köra samma process för ungefär tre gånger så många konton med den befintliga bemanningen. Vi anställde inte fler personer; vi gav vårt befintliga team tillbaka deras timmar, och de timmarna läggs nu framför kunder i stället för i kalkylblad.

En annan tyst fördel är disciplinen. Vi kvalificerar bort affärer tidigare nu. Vi säger snabbare nej till fel affärer, vilket låter negativt men är en av de sundaste utvecklingarna för vår säljtratt.

Jag kommer inte att ange en exakt vinstfrekvens i procent, eftersom jag inte tycker att siffran skulle vara ärlig ännu. Det jag kan säga är att vi ser en mätbar ökning av konverteringen i de affärer vi väljer att driva, och prognosen innehåller färre överraskningar. En del av det beror på att vi jagar bättre affärer. En del beror på att AI pekar ut var prognosen är tunn och där bevisen egentligen inte stöder bedömningen. En överraskning som du kan se komma tre veckor i förväg är egentligen ingen överraskning. Det, mer än något enskilt mätvärde, förändrade hur vi driver kvartalet.

Varför AI-resultat bör betraktas som ett utkast

Tidigt litade vi för mycket på resultaten. Efterforskningen såg ren, välskriven och självsäker ut och var formaterad som en bra analytikers rapport. I ett par fall var den fel på kritiska punkter.

En kontokarta identifierade fel beslutsfattare. En annan byggde på en signal som var flera månader gammal. En av dem höll nästan på att hamna i ett riktigt kundsamtal innan en teammedlem upptäckte det. Det skrämde oss mer än någon missad siffra, eftersom självsäker och felaktig är det dyraste felsättet som finns.

Intern friktion uppstod också. Mina medarbetare är seniora. Det sista en bra säljare vill ha är en maskin som räcker över ett betyg och antyder att den känner kontot bättre än säljaren själv.

Vi slutade behandla AI-resultatet som sanning och började behandla det som ett utkast. Systemet markerar nu när det är osäkert och lämnar tillbaka beslutet till en människa i stället för att gissa. När teamet förstod att AI fanns där för att göra grovjobbet och skydda deras omdöme, inte ersätta det, minskade motståndet snabbt. De började lita på det eftersom det förtjänade det förtroendet och erkände när det inte visste.

Tre områden där AI missar målet i intäktsprocesser

Det största misstaget med AI var förmodligen uppsökande försäljning. Vi förväntade oss att AI skulle bygga en säljtratt åt oss genom att leverera personliga meddelanden i stor skala till hundratals konton på ett sätt som kändes individuellt. Det fungerade inte.

I komplexa företagsaffärer med betydande värde skapar fler meddelanden inte mer säljtratt. Köparna jag säljer till känner igen AI-baserad uppsökande försäljning direkt och raderar den lika snabbt. Så vi ökade inte svarsfrekvensen; vi jämnade ut den. AI är utmärkt på att förbereda en människa för ett samtal men misslyckas med att ersätta själva samtalet.

Prognostiseringen blev också en miss, och det överraskade mig mer. Påståendet var att AI skulle förutsäga intäkter bättre än en senior person som analyserade samma affärer. Det visade sig inte stämma. Det som verkligen påverkar företagsaffärernas siffror är information som inte finns i datan. En sponsor lämnar företaget. En budget fryses två veckor före avslut. En tyst politisk förändring hos kunden gör plötsligt att din förespråkare står utan stöd. Modellen kan inte se något av detta. Den identifierar verkligen skörhet väl och talar om för mig vilka affärer som känns svaga, men den kan inte förutsäga kvartalet. Där vinner det seniora omdömet fortfarande.

Och den sista missen var att förkorta säljcykeln. Det påverkade den knappt alls. En företagsaffär följer kundens klocka, inte vår: inköp, juridik, kommittén, budgetkalendern. Vi kan göra säljarens del betydligt snabbare – och det gjorde vi – men vi kan inte skynda på köparens del, som styr tidslinjen.

Varför intäktsansvariga måste uppmärksamma den mänskliga sidan av AI-implementering

André delar

Påtvingad implementering är tyst sabotage med bättre uppförande.

Jag hade helt fel om den mänskliga sidan. Jag behandlade det som lanseringen av ett verktyg i stället för en beteendeförändring. Jag byggde något, överlämnade det färdigt och förväntade mig att användningen skulle följa.

Jag mötte motstånd. Människor använde det bara eftersom de blev tillsagda att göra det. Andra ignorerade det i tysthet. Påtvingad implementering är tyst sabotage med bättre uppförande.

Om jag kunde göra om det skulle jag involvera teamet i att utforma lösningen tillsammans från dag ett, i stället för att presentera dem med ett färdigt svar.

Det skulle ha sparat månader av jakt på det perfekta verktyget medan det verkliga problemet låg i outtalade kriterier och ett team som inte hade engagerat sig. Jag skulle ha börjat mindre, med ett arbetsflöde och teamet i rummet, och jag skulle ha formulerat kriterierna först. Det skulle ha besparat mig en dyr felstart och det förtroende jag sedan fick lägga tid på att bygga upp igen.

Fyra råd till intäktsansvariga

Här är mina råd:

1. Börja med en fråga, inte ett verktyg. Fråga dig själv vilken resurs som är knappast i ditt team. För nästan alla som driver komplex försäljning är det omdöme och uppmärksamhet, inte aktivitet. Dina bästa medarbetare har ett begränsat antal timmar då de tänker klart kring en affär, och det är det du saknar. Rikta därför AI mot att skydda detta.
2. Var ärlig mot dig själv när det gäller fåfänga mätvärden. Fler mejl, fler kontakter, mer innehåll, mer aktivitet i systemet. I en komplex försäljning är det oftast bara brus som klätts ut till framsteg. AI är mycket bra på att skapa aktivitet som känns som arbete men inte leder till något. Om ditt enda bevis på att AI hjälper är att teamet är mer upptaget har du köpt fel sak.
3. Kräv att dina AI-system ska kunna säga "jag vet inte" och eskalera till en människa. Behandla varje resultat som ett utkast som ska kontrolleras, aldrig som en sanning.
4. Börja i liten skala och mät AI ärligt. Lägg inte ut ansvaret för din intäktsdisciplin på en modell och kalla det transformation. Fördelen i den här cykeln kommer inte att gå till den som inför mest AI. Den kommer att gå till den som håller det mänskliga omdömet fokuserat på rätt plats och vägrar låta verktyget avgöra sådant som bara en människa bör avgöra.

Följ med

Du kan följa André Magrinis arbete på LinkedIn eller besöka hans personliga webbplats.

Fler expertintervjuer kommer på The CRO Club!