Teknisk intäktschef säger att AI gör prognoser starkare – och det blir svårare att undvika ansvar för intäkterna

George Storm har arbetat med försäljning i 23 år. Han är för närvarande CRO på en B2B ABM-plattform som heter N.Rich, där han leder försäljning, marknadsföring, kundframgång, partnerrelationer och produktsupport.

Vi satte oss ner med George för att lära oss hur han byggde om prognostisering och rapportering med AI. Här är vad han berättade.

Att äga hela tratten

Jag heter George Storm och är CRO på N.Rich, en B2B ABM-plattform. Vi övergår från att vara ett ABM-företag med en enda produkt till att bli en plattformsaktör, vilket vi marknadsför som komponerbar GTM. Vår nuvarande intäktsmodell är en årlig SaaS-prenumeration med tillhörande tjänster. När vi lanserar GTM-operativsystemet introducerar vi en modulär modell, prenumerationer per modul och resultatbaserad prissättning.

Jag ansvarar för hela intäktsområdet, från början till slut: försäljning, marknadsföring, kundframgång, partnerrelationer och produktsupport. Jag äger processen från efterfrågeskapande till nettointäktsretention — hela tratten, inte bara en del av den. Vår GTM-struktur omfattar ett slimmat, EMEA-fokuserat säljteam; en marknadsföringsorganisation som driver efterfrågan och ABM; en CS-organisation som hanterar förnyelser och expansion; samt en parallell partnerverksamhet.

Vi riktar oss främst till europeiska B2B-företag inom medelstora och stora företag: specifikt intäkts- och marknadsföringschefer som driver kontobaserade go-to-market-strategier.

Hur AI förändrade träffsäkerheten i intäktsprognoser

Jag har arbetat med försäljning i 23 år, och den senaste perioden har varit svårare än de två första decennierna tillsammans.

Jag kom inte fram till AI genom nyfikenhet. Jag kom dit genom en missbedömning. Jag prognostiserade på samma sätt som alla CRO:er prognostiserar — utifrån historisk konvertering — och modellen fortsatte att berätta det jag ville höra ända fram till det kvartal då den inte längre gjorde det. Självbedrägeriets mekanism var själva modellen. Och det var jag som hade byggt den.

Så jag byggde om hela vår prognostisering. Vi lämnade en modell med punktestimat baserad på historisk konvertering. Den hade ett Monte Carlo-skal ovanpå som fick den att kännas rigorös. Det var den inte. Ett punktestimat är ett punktestimat även när man tar genomsnittet av tre sådana.

Vi gick över till en regimvillkorad probabilistisk modell med fyra indata. Vinstfrekvens, andel av potentialen, NRR och cykellängd, där varje del kalibreras mot externa utgångsvärden från WEF, IMF och McKinsey. AI kör fördelningen kontinuerligt i stället för att jag bygger om ett kalkylblad en gång per kvartal. För detta använder vi Claude för makrosignaler, samt Fathom, Hubspot och vår egen plattform.

Regimmedveten. Probabilistisk. Kontinuerlig. Det var den ombyggnaden som fick mig att verkligen ta till mig AI, inte som ett produktivitetslager som lagts ovanpå rollen, utan som det som gör det möjligt för en person att sköta matematiken, läsa av marknaden och agera under samma vecka. Det är det arbetet som gäller nu.

Tack vare den här förändringen blev prognosen en avläsning, inte en rapport. Den synliggjorde gapet under åtagandet innan kvartalet vände, inte efteråt. Styrelsen slutade bli överraskad. Och det är hela poängen.

Varför AI läser av, men operatören måste agera

När det gäller vad AI bör hantera och vad människor bör hantera, står AI för avläsningen:

• Fördelning av regimprognoser
• Prioritering av säljtratten
• Poängsättning av kontohälsa
• Flaggning av risk för kundbortfall
• Veckovis tvärfunktionell avläsning inom försäljning, marknadsföring, CS och partnerrelationer

AI driver nu allt detta eftersom det handlar om mönsterigenkänning över fler signaler än en människa kan hålla i huvudet.

Uttryckligen mänskliga aktiviteter handlar om responsen:

• Beslutet i en specifik affär
• Prissättning för ett strategiskt konto
• Vem som placeras på vilken position
• Berättelsen till styrelsen.

Orsaken är enkel. AI breddar det jag kan se, men vi kan inte delegera ansvaret till en modell. Påverka som modellinmatning, inte som beslutsfattare. Modellen läser av. Operatören agerar.

Hur AI förbättrar arbetsflöden men riskerar överdriven tilltro

Här är de goda resultaten:

• Den veckovisa CRO-rapporten, som tidigare tog större delen av en dag, sammanställs nu av sig själv, och jag ägnar tiden åt att fatta beslut i stället för att samla in data.
• Hälsopoängsbedömningen upptäcker konton i riskzonen ett till två kvartal innan den eftersläpande mätindikatorn förändras.
• Prognosen håller i styrelserummet, vilket är det enda noggrannhetstestet som spelar någon roll.

Men allt är inte bra. De första modellerna var överdrivet självsäkra. En kom tillbaka med 97 % sannolikhet och var strukturellt alltför optimistisk, eftersom jag hade matat rena antaganden i smutsiga indata.

Adversarial kalibrering visade sig vara själva jobbet, inte ett steg i det — jag stresstestade min egen modell med en prompt för senioranalytikern vars enda uppgift var att riva bort optimismen. Jag hade kunnat spara in ett kvartal om jag hade lärt mig det tidigare.

AI sparade inte in det arbetet åt mig. AI flyttade det.

Ett rapporteringsarbetsflöde från verkligheten

Georges tankar

Prognosen är avläsningen. Planen är svaret. Loopen är operativsystemet.

Låt oss gå igenom det veckovisa avläsningsarbetsflödet.

På måndagen hämtar AI data från HubSpot för pipeline och förnyelser, Amplitude för produktanvändning, Pylon för support, Fathom för samtalsstämning och Slack för klient- och interna signaler. Det skapar ett gemensamt styrt datalager. Det bedömer kontohälsan, flaggar konton i riskzonen, skickar Slack-aviseringar direkt till de ansvariga och uppdaterar den regimvillkorade prognosfördelningen.

Sedan läser jag den, beslutar om åtgärden och sluter loopen senast på fredagen. Följ upp, läs, agera — i en veckoloop med en ansvarig som medvetet inte är chefen. Systemet sköter insamlingen och bedömningen. Rollen fattar besluten.

Prognosen matar loopen. Loopen kalibrerar om vart kapital och arbetsinsats ska gå. Och hela organisationen läser av och agerar enligt en veckoklocka i stället för en nittioklocka. Prognosen är avläsningen. Planen är svaret. Loopen är operativsystemet.

Hur AI gör intäktsledarskap svårare

AI har inte skapat någon ny efterfrågan. Det komprimerar och accelererar din befintliga pipeline, men det skapar inte köpintresse hos en köpare som inte är ute på marknaden. Den som säljer AI som ett mirakel högst upp i tratten säljer dig fel sak.

Det har inte heller ersatt omdömet i affärer med stora företag i slutskedet, och det har inte löst smutsiga data. Smutsiga data blir inte bättre med AI. De blir mer högljudda.

AI har också gjort mitt liv svårare genom rollkomprimering på köparsidan. När företag slår ihop tre jobb till en roll kan den person som drev igenom vårt köp förra året ha bytt roll, förlorat sitt ansvarsområde eller lämnat organisationen. AI skapade den dynamiken. Det löser inte den åt mig.

Var CRO:er bör börja — och vad de bör undvika

Här är mitt råd: Montera inte AI på rollen som ett produktivitetsverktyg. Bygg om rollen kring det.

Börja med din prognos, eftersom det är där styrelsen bedömer dig, och ribban höjdes 2026. Du får inte längre sparken för att missa siffran. Du får sparken för överraskningen. En modell som inte kan se missen komma är belastningen, inte missen.

Och var själv med i beräkningarna. CRO:er som lämnar över detta till ett verktyg och tittar bort kommer att få det svar verktyget byggdes för att ge dem. Se till att du ställer in det så att det berättar för dig när du har fel.

Följ med

Du kan följa George Storms arbete på LinkedIn och georgestorm.io.

Fler expertintervjuer kommer i CRO-klubben!