AI förändrar vad kunder betalar för

Eliana Angelova är CRO på Ison Xperiences, ett företag inom kundupplevelsehantering med 1 600 virtuella agenter i produktion.

Vi satte oss ner med henne för att lära oss hur AI förändrar försäljning och prissättning. Här är vad hon berättade.

Från att sälja platser till att sälja resultat

Jag heter Eliana Angelova och är intäktschef på Ison Xperiences, baserad i Dubai.

Ison Xperiences är ett företag inom kundupplevelsehantering som hanterar hela livscykeln för kundinteraktioner. Med AI-verktyg som är allmänt tillgängliga automatiserar vi omfattande internt. Vi har utvecklat vår egen AI-immateriella egendom. Det är inget de flesta BPO-företag gör; de flesta köper färdiga lösningar och sätter sitt eget varumärke på dem. Vi utvecklade SenshAI, vår plattform för agentstöd i flera kanaler. Vi har också utvecklat hAIve för försäkringar, Three60 CRM för kravhantering och iQumex för kvalitetssäkring. Det här är inga prototyper. De är i produktion och körs just nu av 1 600 virtuella agenter. Detta utgör grunden för vårt hAI-ramverk — människa plus AI.

Som CRO berättar de viktiga siffrorna den verkliga historien om omvandlingen. För två år sedan var intäkterna från utlandsverksamheten obefintliga. I dag utgör de ungefär 20 % av våra totala intäkter. Vi gick från en offshore-leveransplats till sju. Vi hanterar över 50 miljoner kundinteraktioner varje månad, i 25 länder och på fler än 60 språk. Det här handlar inte bara om skala; det är infrastrukturen som gör oss relevanta för globala företagskunder som behöver leveranser på flera språk, i flera tidszoner och kopplade till resultat.

Tack vare AI kan vi konkurrera på samma lista över potentiella kunder som företag som är tio gånger större än vi.

Tre intäktsområden

Min intäktsorganisation har tre områden: försäljning före köp och lösningar, försäljning samt implementering efter försäljning. Jag strukturerade den medvetet på det här sättet eftersom affären inom komplex B2B-outsourcing inte tar slut när avtalet är undertecknat — implementeringen bygger upp eller bryter ner förtroendet, och jag vill att den intäktsansvariga ledning som gav löftet också ska vara ansvarig för att uppfylla det.

Vårt säljteam leds geografiskt. Vi täcker Indien och APAC, Kina, EMEA, Afrika och SA samt Tyskland, och vi expanderar aktivt. Just nu har jag fem lediga tjänster på marknader som är avgörande för vår tillväxtstrategi: två i USA, en i Kenya, en i Sydafrika och en i Mellanöstern. Teamet befinner sig alltså i en uppbyggnadsfas.

Försäljning före köp och lösningar ligger medvetet jämsides med försäljningen, snarare än under den. Affärerna vi fokuserar på är tillräckligt komplexa för att kräva en lösningsarkitekt och en GTM-strateg i rummet redan från det första samtalet — inte inkallade först när offertstadiet har nåtts. Den här funktionen gör det möjligt för oss att sälja resultat i stället för platser.

Ur ett GTM-perspektiv går vi till marknaden genom branschvertikaler: telekom och teknik, BFSI och finansteknik, e-handel och detaljhandel, media, resor samt hotell och restaurang. Det här är ett medvetet val eftersom berättelsen om AI-omvandling skiljer sig åt inom varje vertikal, och generiska säljpresentationer vinner inga företagsaffärer.

Vi är på väg från en ledande utmanare till en ledare i Everest PEAK Matrix. Varje rekryteringsbeslut, marknadsinträde och GTM-satsning vi gör syftar till att bevisa den förflyttningen.

Hur AI kan förändra affärsmodellen

AI förändrade hur vi prissätter. För tre år sedan handlade den vanliga affärsdiskussionen inom BPO om platser: du behöver 200 agenter, här är prislistan, här är kostnaden för personalen. Kunden bar volymrisken, och leverantören hade inget verkligt incitament att minska antalet kontakter. Fler kontakter innebar fler agenter, vilket innebar högre intäkter. Det är en trasig modell.

När vi hade tillräckligt med AI i verksamheten kunde vi förutsäga och styra resultaten i stället för att bara bemanna utifrån volym. När man kan styra resultaten kan man också prissätta utifrån dem. Därför övergick vi till resultatbaserad prissättning: kopplad till minskad AHT, CSAT-poäng och lösning vid första kontakten. Kunden betalar nu för resultatet, inte för antalet anställda.

Den kommersiella effekten av den förändringen är betydande i två avseenden. För det första vinner vi nu fler affärer, särskilt med europeiska och amerikanska företagskunder som är tillräckligt sofistikerade för att förstå att ett sätesbaserat avtal bara är en hanterad arbetskostnad. När vi kommer in och säger: ”Vi prissätter utifrån resultat och tar prestationsrisken”, blir det en helt annan diskussion. För det andra behåller vi kunder på ett annat sätt, eftersom man ständigt förbättrar verksamheten när man är ansvarig för resultaten, i stället för att bara underhålla den. Förnyelser blir mycket mer stabila. Detta säkerställer långsiktiga, hållbara intäkter.

Så, vad förbättrades? Vinstfrekvensen i företagsaffärer, avtalslängderna, kvaliteten på kundrelationerna och den interna disciplinen. När våra intäkter är kopplade till kundens KPI:er är hela organisationen inriktad på samma siffra. AI förändrade inte bara vår produkt. Det förändrade vår kommersiella modell.

Ett verklighetsbaserat arbetsflöde för att vinna nya kunder

Jag ska gå igenom vårt nya arbetsflöde för att vinna nya kunder i dag, eftersom det är vårt mest förändrade arbetsflöde.

1. Det börjar med valet av konton. Vi börjar inte längre med en territoriell lista och kall prospektering. AI identifierar målkonton utifrån företagsprofil, köpsignaler och överensstämmelse med branschen. Modellen lyfter fram konton som visar avsiktssignaler: förändringar i ledningen, tillkännagivanden om expansion och aktivitet kring teknikinköp. Teamet utgår från en prioriterad kortlista, inte från ett tomt blad.
2. Därifrån personaliserar vi vår kommunikation i stor skala. När vi tar den första kontakten känner vi redan till kontots sannolika problemområden, deras teknikstack och vilka relevanta intressenterna är.
3. När ett konto kommer in i säljtratten uppdaterar vi kontinuerligt dess poäng utifrån engagemang. Om en affär stannar upp flaggar modellen den. Teamet upptäcker inte en död affär i slutet av kvartalet. De ser signalen tidigt och kan agera.
4. I offertfasen använder försäljningsförberedande teamet denna information för att bygga en resultatbaserad kommersiell modell: de KPI:er som är viktiga för kunden, åtagandena från vår leveransplattform och optimal prissättning. Och allt är förankrat i data, inte i intuition. Lösningsteamet arbetar med AI som har tillgång till alla tidigare affärer vi vunnit eller förlorat, alla leveransmodeller vi har använt, alla prisstrukturer vi har tillämpat och alla kundresultat vi har åtagit oss att uppnå.
5. Efter avslutad affär följer vi upp implementeringen efter försäljningen mot de KPI:er vi har åtagit oss att uppnå. Om vi börjar avvika ser vi det innan kunden gör det. Det är det som gör förnyelsen till en annan typ av diskussion.

AI är ingen magi. Magin uppstår när man slutar låta information vara isolerad i olika silor.

Varför intäktsansvariga måste lära sig skillnaden mellan AI-verktyg och AI-lösningar

Eliana delar med sig

Tidigt blandade vi ihop AI-verktyg med AI-lösningar…De flesta organisationer börjar med verktyg och kallar det transformation. Vi gjorde samma sak. Människor använde AI för att utföra sina befintliga arbetsuppgifter lite snabbare, och vi misstog det för strategiska framsteg.

Tidigt blandade vi ihop AI-verktyg med AI-lösningar.

MIT publicerade forskning i år som beskriver det exakt. Ett generativt AI-verktyg hjälper individer att arbeta snabbare genom att sammanfatta anteckningar, skriva utkast till e-postmeddelanden och förbereda sig inför samtal. En generativ AI-lösning integreras i en process, förändrar hur arbetet utförs och mäter effekten på verksamhetsnivå.

De flesta organisationer börjar med verktyg och kallar det transformation. Vi gjorde samma sak. Människor använde AI för att utföra sina befintliga arbetsuppgifter lite snabbare, och vi misstog det för strategiska framsteg.

Frågan som hade kunnat spara oss den tiden är enkel: ”Förändrar detta resultatet eller bara hastigheten på indata?” Om svaret bara är hastighet är det ett produktivitetsverktyg, inte ett verksamhetsinitiativ.

Börja med det verksamhetsresultat du behöver påverka och arbeta bakåt till den AI-förmåga som kan påverka det. Inte tvärtom.

Gränsdragningen mellan mänskligt arbete och AI-arbete

AI driver just nu fyra saker för oss:

• Leadgenerering: Identifiera rätt målkonton, synliggöra köpsignaler och fylla på toppen av tratten så att teamet inte prospekterar blint.
• Prioritering av pipeline: Bedöma var man ska lägga tid baserat på matchning och engagemang.
• Prognoser: Jag tar inte med mig en siffra till styrelsen om inte modellen validerar den, eftersom säljledare av naturen är optimistiska.
• Risk för kundbortfall: Följa signaler i den befintliga kundbasen så att vi kan förebygga ett problem innan det blir ett samtal.

Vad förblir mänskligt?

• Prissättning av komplexa affärer: Det slutliga beslutet innefattar relationsdynamik och strategiskt omdöme som en modell inte har.
• Förhandlingar: Alltid.
• Områdesplanering: Vi expanderar i USA just nu, och det var ett strategiskt beslut, inte en algoritm.
• Beslut om personal och rekrytering: Det är alltid mänskligt.

Den enkla principen är denna: AI hanterar det som är repetitivt och datarikt. Människor hanterar det som är komplext, kontextberoende eller har höga insatser.

Hur AI skapar nya intäktsutmaningar

De goda resultaten av AI är många. Kvaliteten på leadgenereringen förbättrades betydligt eftersom vi riktar oss mot bättre konton tidigare. Prognosprecisionen ökade eftersom vi använder modellvaliderade siffror i stället för säljteamets magkänsla. Övergången till resultatbaserad prissättning gjorde våra kundrelationer mer långsiktiga eftersom förnyelse blir ett helt annat samtal när vi hålls ansvariga för kundens KPI:er.

Utmaningen är att AI skapar ett förtroendegap i teamet. När en modell säger åt en säljare att nedprioritera en affär som säljaren tror på skapar det friktion. Det tar tid att bygga förtroende för resultatet, och teamet ignorerar ibland signalen och fattar fel beslut. Det kostar oss.

Jag underskattade också hur mycket kundutbildning som krävs. Resultatbaserad prissättning låter övertygande i en presentation, men att förändra en kunds tankesätt efter att de har köpt licenser i tio år kräver ett genuint kommersiellt samtal. AI förändrar vår modell snabbare än marknaden är redo att ta till sig.

Varför AI inte räcker till för kontoexpansion

Och jag vill också säga följande: AI har inte levt upp till våra förväntningar. Vi förväntade oss att AI skulle hjälpa oss att mer systematiskt identifiera möjligheter till merförsäljning och korsförsäljning i den befintliga kundbasen. Synliggöra signalerna, prioritera samtalen, agera snabbare. Och signalerna finns där. Data visar när en kund växer, när deras volymer förändras och när det finns en logisk nästa tjänst att introducera.

Men vi ser att data inte utlöser expansionssamtal inom företags-BPO. Det är förtroende som utlöser dem. Och förtroende finns i relationen, inte i modellen. De kunder som expanderar tillsammans med oss gör det eftersom en senior person lyfte luren, satte sig ner med dem och hade ett samtal som inte följde något säljscript. AI kan inte efterlikna det, och det kan inte heller påskynda det.

Hur profilen för en bra säljare förändras med AI

Den bästa säljaren är inte längre den som har det största nätverket.

Inom företags-BPO har den rådande uppfattningen alltid varit att man ska anställa gråhåriga veteraner med djupa kontaktnät, eftersom relationer stänger affärer. Och relationer spelar fortfarande roll. Men AI har visat mig att en datakunnig, AI-kompetent säljare som går in i ett samtal efter att redan ha kartlagt kontots problemområden, förstått deras köpsignaler och utformat ett kommersiellt precist förslag konsekvent kommer att överträffa veteranen som enbart förlitar sig på god kontakt.

Profilen för en skicklig intäktsexpert förändras, och att hålla fast vid den gamla definitionen innebär att man rekryterar för det förflutna, inte för framtiden.

Varför data och samarbete är de främsta faktorerna för AI-framgång

Eliana delar med sig

Jag har två råd: Det första är att sätta sig in i data innan man börjar använda verktygen… Det andra är att samordna sig med sin tekniska ledning.

Jag har två råd:

Det första är att sätta sig in i data innan man börjar använda verktygen. MIT:s forskning från förra året visade att 95 % av alla AI-pilotprojekt i företag misslyckades med att skapa mätbar affärsnytta. Orsaken är nästan alltid densamma: Dataunderlaget bakom verktyget är inkonsekvent, ofullständigt eller inte tillförlitligt. Clari konstaterade att 67 % av intäktscheferna inte litar på sina egna data. Om det gäller dig kommer inget AI-verktyg att rädda dig. Åtgärda grunden först.

Det andra är att samordna sig med sin tekniska ledning. Clarīs forskning visar att samordningen mellan CRO och CIO är den enskilt viktigaste faktorn för att förutsäga AI:s intäktspåverkan. De CRO:er som lyckas köper inte in verktyg på egen hand. De utvecklar en gemensam datastrategi tillsammans med sina tekniska motsvarigheter och gör AI till en företagsövergripande förmåga, inte till ett experiment på säljavdelningen.

Använd överlag AI för att vässa ditt tänkande, inte för att ersätta det. Var nyfiken, håll dig nära data och sluta aldrig fatta välgrundade beslut.

Följ med

Du kan följa Eliana Angelovas arbete på LinkedIn.

Fler expertintervjuer kommer på CRO-klubben!