Intäktschef i en starkt reglerad bransch: Viktigt att tänka på vid en AI-översyn

John Stamatopoulos är CRO på distansvårdsföretaget Brook Health, som befinner sig i serie B, där han använder AI för att optimera nästan varje funktion inom intäktsprocessen.

Vi satte oss ner med John för att få veta hur han skapade en signalmotor i realtid som förändrade hela hans arbetsflöde. Han berättade hur den fungerar och delade med sig av de problem som intäktsansvariga behöver se upp med när de integrerar AI.

Intäktsorganisationen

Jag heter John Stamatopoulos och är intäktschef på Brook Health, där vi fokuserar på att göra kontinuerlig distansvård och hantering av kroniska sjukdomar tillgänglig, skalbar och hållbar för sjukvårdssystem över hela landet.

Brook Health är ett tillväxtföretag inom distansvård i serie B, specialbyggt för sjukvårdssystem och läkargrupper som vill implementera hantering av kroniska sjukdomar i stor skala. Vår intäktsmodell är B2B-företagsförsäljning. Vi tecknar avtal direkt med sjukvårdssystem, IDN:er och stora läkarpraktiker. Våra återkommande intäkter är huvudsakligen kopplade till ersättning per utförd läkartjänst. Vi arbetar enligt incident-to-modellen med kliniker för att hjälpa dem att driva intäkter, och vi har en tillhörande avgiftslista för de tjänster vi tillhandahåller.

Intäktsorganisationen jag leder omfattar försäljning, partnerskap och kontoansvar, med teammedlemmar över hela USA. Vår GTM-struktur bygger på försäljning till sjukvårdssystem. Vi har förkortat säljcyklerna, men behöver fortfarande navigera bland flera intressenter och ett värdeerbjudande som samtidigt måste tilltala CFO:n, CMO:n och den verksamhetsansvariga som implementerar programmet.

Vår modell är intressant eftersom vi inte bara säljer programvara eller enheter. Vi säljer en klinisk och operativ förmåga. Det innebär att kundframgång inte är en supportfunktion efter försäljningen, utan en partner i den gemensamma implementeringen som driver de resultat som våra avtal mäter. Intäktsbevarande och expansion sker inom dessa kliniska relationer, vilket i grunden formar hur jag har byggt teamet och hur vi tänker kring säljtratt, prognostisering och tillväxt.

Vi har bevisat att modellen fungerar och skalar nu upp. Det är precis den vändpunkt där GTM-disciplin, AI-förstärkning och samordning mellan funktioner är som viktigast.

Att bygga en signalmotor i realtid

Min väg till den här punkten har varit allt annat än linjär, vilket gör den relevant. Jag tillbringade den första halvan av min karriär inom läkemedel och medicinteknik och den andra halvan med att lansera företag inom digital hälsa. Jag har byggt och byggt om team för marknadsintroduktion inom flera distansvårdsorganisationer och hanterat förändringar i CMS-ersättningar, cykler för värdebaserade avtal och den ständiga komplexiteten i att sälja till sjukvårdssystem – samtidigt som kunder, partner och konkurrenter.

Genom allt detta har jag lärt mig att intäktsledning inom hälso- och sjukvården i grunden är ett dataproblem som döljer sig bakom ett relationsproblem. Affärer som stannar upp gör det inte för att någon inte tyckte om dig; de stannar upp för att du inte kunde koppla din lösning till rätt kliniska resultat eller ekonomiska utlösande faktor, vid rätt tidpunkt i rätt samtal. Det är där AI förändrar allt.

Nu är prediktiv prognostisering inte bara en CRM-instrumentpanel; vår teknikstack är en signalmotor i realtid som berättar vilket sjukvårdssystem som är nio månader från att förnya ett avtal, vilken CMO som just har publicerat ett initiativ för befolkningshälsa och vilken klinisk ambassadör som håller på att förlora stöd från ledningen. När du integrerar den intelligensen i hur dina sälj-, marknadsförings- och kontoansvariga team arbetar slutar du att driva en intäktsfunktion och börjar driva en intäktsorganism. Förhoppningsvis en som lär sig, anpassar sig och bygger vidare på sina framsteg.

Jag har inte följt en traditionell SaaS-modell. Jag har utvecklats genom komplexiteten inom läkemedel, medicinteknik och leverans av digital hälso- och sjukvård, där patientresultat står på spel och säljcyklerna sträcker sig över kvartal och år, inte veckor. Det sammanhanget förklarar varför detta AI-skifte betyder så mycket för mig: De team som lyckas förstärka människor med teknisk sofistikering i starkt reglerade miljöer kommer att forma nästa årtionde av kommersialisering inom hälso- och sjukvården.

Hur AI förbättrar hela intäktsprocessen

För ett år sedan byggde våra pipelinegenomgångar på intuition. Säljarna gav muntliga uppdateringar och jag triangulerade mellan e-postmeddelanden i CRM-systemet, mötesanteckningar, magkänsla och affärens ålder för att skilja verkliga möjligheter från önsketänkande. I en komplex säljprocess mot sjukvårdssystem med långa cykler och flera intressenter är det ett farligt sätt att driva en intäktsorganisation.

Vi byggde en sammankopplad teknikstack för försäljning som driver varje del av intäktsgenerering och intäktsstyrning. Det börjar med Definitive Healthcare, som förser HubSpot med marknadsinsikter och data om vårdsystem direkt via en anpassad integration som fyller i affärsspecifika fält. Varje kontopost återspeglar verkliga omständigheter, inte bara det som en säljare skrev in manuellt efter ett samtal.

Därefter registrerar vi automatiskt kontot i en kontaktsekvens. Om vi har direkta kontaktuppgifter kör HubSpot sekvensen. Om vi inte har det fyller LinkedIn Sales Navigator luckan och ger våra säljare en varm väg till rätt chef, även när kontakten inleds kall. Oavsett vilket vaknar säljaren upp med en prioriterad lista över mål, förifylld kontokontext och en kontaktsekvens som redan är igång.

Det som tidigare tog en säljare en halv dag av research och manuell datainmatning sker nu över natten. Säljarens uppgift skiftar från att bygga grunden till att ha bättre samtal när dörren väl öppnas. Det här arbetsflödet har i sin enklaste form väsentligt förbättrat vår effektivitet när vi går från marknadsinsikter till en aktiv pipeline.

Dessutom kopplade vi ihop allt med Gmail och Zoom, och vi använder funktioner för samtalsanalys för att övervaka våra teams samtalsupplägg och mäta köparnas inställning i realtid. Den insynen förändrade hur jag coachar och hur snabbt vi kan korrigera kursen i en affär som håller på att tappa riktning.

Dessutom använder vi Claude för att automatisera och snabba upp arbete som tidigare bromsade oss. Att bygga ROI-modeller, skriva utkast till kundcase, sammanställa anpassade presentationer som vi snabbt kan använda för ett specifikt vårdsystem eller IDN, samt säkerställa att uppföljningen aldrig faller mellan stolarna. Det som tidigare tog dagar av förberedelser tar nu timmar.

Allt som följer efter skapandet av pipelinen förbättrades. Prognossamtalen blev ärliga eftersom uppgifterna var korrekta. Vinstfrekvensen förbättrades i affärer som tidigare sannolikt hade tystnat. Vårt team lägger betydligt mindre tid på administrativt arbete och betydligt mer tid framför köparna.

Så omdefinierar AI målidentifiering och personalisering

Före AI var det manuellt och tidskrävande att identifiera rätt mål. Säljarna ägnade timmar åt att korsreferera data för att identifiera vårdsystem som var redo att agera. Bra mål missades eftersom säljarna inte hade tillräckligt med tid för att hitta dem alla.

Nu automatiserar AI i stor utsträckning den processen. Definitive Healthcare förser vårt CRM med data om vårdsystem och läkargrupper, filtrerad utifrån vår ideala kundprofil. Patientpopulation, börda av kroniska sjukdomar, teknisk infrastruktur, geografi — allt poängsätts och prioriteras utan att en säljare behöver lyfta ett finger. Vi upptäcker möjligheter som skulle ha varit osynliga för ett år sedan.

Personaliseringen har förändrats lika dramatiskt. Om ett vårdsystem just har tillkännagett ett initiativ för befolkningshälsa eller anställt en ny CMO hämtar AI automatiskt in den kontexten i kontakten. Budskapet hänvisar till något verkligt och aktuellt i deras värld, i stället för ett generiskt värdeerbjudande som skulle kunna gälla vem som helst.

Att veta exakt vem man ska rikta sig till och leverera genuint relevanta budskap förändrar helt hur man går in i ett samtal.

Så förbättrar AI-integration intäktsresultaten

John delar med sig

Den ärliga utmaningen är införandet. Teknikstacken fungerar bara när teamet använder den konsekvent.

Vi har sett konkreta framgångar med AI. Cykeltiderna har kortats avsevärt. När teamet har rena data, tydliga kontoplaner, signaler om köparnas avsikter och AI-assisterad uppföljning går affärerna snabbare. Vi väntar inte på att säljarna manuellt ska bygga en ROI-modell inför ett CFO-möte eller komma ihåg att skicka en uppföljning. Det arbetet sker automatiskt och håller momentumet vid liv mellan kontakterna.

Även leadsgenereringen gick snabbare. Definitive Healthcare förser vårt CRM med data och LinkedIn Sales Navigator fyller i luckor i kontaktuppgifterna, vilket gör att vi kan identifiera, prioritera och nå rätt mål snabbare än vi någonsin kunde manuellt. Överst i tratten är det renare, och konverteringen från prospekt till aktiv möjlighet har förbättrats.

Prognosprecisionen är bättre, och jag vill vara tydlig med att det är standardisering, inte bara AI, som bidrar till detta. Vi byggde en process som kräver god datahygien och konsekvent progression mellan stadierna. AI förstärker den disciplinen i stället för att kompensera för att den saknas.

Den ärliga utmaningen är införandet. Teknikstacken fungerar bara när teamet använder den konsekvent. För att uppnå detta krävdes coachning, förstärkning och att koppla användningen av verktygen direkt till prestationsförväntningarna. Den kulturella förändringen tog längre tid än den tekniska implementeringen.

Varför människor alltid är en del av processen

Så AI informerar eller standardiserar de flesta operativa delarna av vår intäktsfunktion. Prioritering av pipeline, affärspoängsättning, prognoser, territorieplanering, risk för kundbortfall, aktivitetsuppföljning och sekvensering av uppföljningar hanteras alla genom vår teknikstack. AI synliggör signaler, flaggar avvikelser och håller teamet ansvarigt för processen.

Det var ett medvetet val från vår sida. I en organisation som växer är det snabbaste sättet att förlora intäkter att låta den operativa disciplinen bero på individuella vanor. Genom att standardisera och automatisera de operativa delarna skapar vi en grundnivå där alla arbetar enligt en hög standard, oavsett anställningstid.

Men människor fattar fortfarande beslut när förtroende, omdöme och relationskontext utgör den faktiska produkten. Att navigera i en affär där den kliniska förespråkaren och ekonomichefen inte är överens. Att veta när man ska dra sig ur, när man ska eskalera och när man ska omstrukturera ett avtal för att skydda en långsiktig kundrelation. Prissamtal som är kontextuella, relationsbaserade och politiskt känsliga inom ett vårdsystem.

AI kan modellera avkastningen på investeringen och bygga argumentationen. Människor läser av rummet. AI driver systemet och människor driver relationerna. Inom vården kan man inte ha det ena utan det andra.

Varför AI inte lever upp till förväntningarna inom B2B-marknadsföring

Det finns också områden där AI inte har presterat som vi hoppats.

När vi började förlita oss mer på AI-genererat innehåll och automatiserade utskick sjönk våra visningar. Chefer inom vårdsystem är sofistikerade köpare som har sett alla mallbaserade sekvenser och AI-finputsade e-postmeddelanden. När innehåll känns genererat snarare än genuint minskar engagemanget. Och för att göra saken värre har AI inte alltid hela kontexten och kan därför skapa tekniskt korrekta meddelanden som tonmässigt blir fel för den specifika relationen. AI kan producera innehåll i stor skala, men volym är inte samma sak som genomslag.

Det andra gapet gäller utveckling av helt nya marknader. AI är utmärkt på att optimera det som redan är i rörelse. Men att identifiera genuint nya marknader och formulera berättelsen som öppnar en stängd dörr kräver fortfarande mänsklig kreativitet och marknadsintuition som våra verktyg ännu inte har kunnat återskapa.

Den bredare lärdomen är att AI förstärker det som redan fungerar. När den underliggande strategin eller budskapet är svagt skalar AI upp svagheten lika effektivt som den skalar upp styrkan.

Varför intäktsansvariga måste gå igenom hela AI-arbetsflödet

Du måste förstå den efterföljande effekten av effektivitetsvinster inom ett område. När du automatiserar och snabbar upp en del av intäktsprocessen inser du inte alltid att du skapar mer arbete någon annanstans förrän det blir ett problem.

När vi ökade takten i leadgenereringen och aktiviteterna högst upp i tratten skapade det en volym som våra kundframgångs- och onboardingteam inte kunde hantera. Verktyget fungerade exakt som avsett. Vi hade bara inte kartlagt vad den framgången skulle kräva av närliggande team innan vi slog på funktionen.

Innan du implementerar något bör du gå igenom hela arbetsflödet och fråga vilka andra som får mer att göra när detta fungerar.

Vad du ska vara uppmärksam på när ditt team börjar använda AI

Här är det du behöver vara uppmärksam på hos ditt team:

• De kan sluta läsa igenom det de skickar. Innehållet ser välformulerat ut, så människor antar att det är korrekt. Inom försäljning till stora vårdorganisationer, där ett enda sakfel eller en tondöv mening i ett meddelande till en medicinsk chef kan skada en relation som du har ägnat månader åt att bygga, är det antagandet farligt. Vi byggde in korrekturläsning och granskning i arbetsflödena igen som ett obligatoriskt steg, inte som något man gör i efterhand.

• De kan bli överväldigade och i tysthet sluta använda systemet. Det börjar vanligtvis med informationsöverflöd. Verktygen visar mer data, fler signaler och fler uppgifter än teamet är vant vid att hantera, och utan tydliga instruktioner om var man ska börja stänger människor av i stället för att sätta sig in i det. Det syns genom att CRM-aktiviteten minskar, sekvenser förblir ogranskade och säljarna återgår till sina vanor från tiden innan verktygen fanns.
• De kan misstro processen. Vissa människor har fastnat i sina arbetssätt, och inget antal instrumentpaneler ändrar på det. De nickar under utbildningen och återgår sedan till att arbeta parallellt i sitt eget system. Lösningen är inte bättre teknik. Det är bättre introduktion. Låt teamet börja med ett arbetsflöde, gör det enkelt, skapa en tidig framgång och bygg upp självförtroendet innan du lägger till komplexitet.

Varför affärsrummet måste utvecklas

Affärsrummet behöver fortfarande utformas på nytt. Mer specifikt gäller det vad som händer med en affär efter en omfattande kvalificering. De flesta intäktsorganisationer hanterar fortfarande detta steg i hög grad manuellt. Säljarna samordnar uppföljningen, tar fram material, bokar in berörda personer och hanterar interna godkännanden till stor del på egen hand. AI kan ta över här, vilket är det område där de flesta intäktschefer går miste om effektivitetsvinster.

Vi arbetar mot ett obemannat virtuellt affärsrum. När en affär når ett definierat stadium tar systemet över de operativa delarna. AI bygger och uppdaterar ROI-modellen, genererar anpassat material för varje intressent, hanterar uppföljningssekvenser, övervakar engagemangssignaler och flaggar när mänsklig inblandning behövs.

Jag har sagt under hela den här konversationen att människor måste vara involverade, och det står jag fast vid. Jag vill dock nyansera det. En välproducerad video eller en manusbaserad genomgång, utformad kring hur en specifik person tänker och kommunicerar, kan fungera som en trovärdig ersättare för den personen under viktiga delar av affären. Man behöver inte alltid ha en levande människa i rummet, men personens perspektiv, omdöme och röst måste finnas närvarande. AI och video kan föra detta vidare på sätt som inte ens var möjliga för två år sedan.

Organisationer som omformar sina affärsrum utifrån detta synsätt kommer inte bara att vara effektivare. De kommer strukturellt att vara svårare att konkurrera med.

Varför Claude Cowork är ett måste

Claude Cowork är mitt oumbärliga verktyg.

Dess bredd gör det oersättligt för mig. Det fungerar inom alla områden och omfattar operativa, kreativa, strategiska och taktiska uppgifter. Under en enda session kan jag bygga en ROI-modell, utarbeta en presentation, finslipa berättelsen kring ett avtal och planera en strategi för marknadsintroduktion. Inget annat i vår verktygsuppsättning klarar det.

Alla andra verktyg vi använder är specialbyggda för en enda uppgift. Claude knyter ihop alla uppgifter. Den flexibiliteten gör det till det verktyg jag aldrig skulle ge upp. Det motsvarar inte alltid mina förväntningar, men det verkar ändå göra mest.

Så budgeterar du för AI och fattar tvärfunktionella beslut

Ingen pratar öppet om hur man budgeterar för AI och fattar beslut om verktyg som samverkar mellan olika funktioner, trots att det är något varje CRO brottas med.

Några riktade verktygsinvesteringar blev snabbt dyra. När varje teammedlem hittar en produkt de tycker om och låter den belasta budgeten separat, slutar det med att ni får en fragmenterad, kostsam och ofta inkompatibel verktygsuppsättning innan någon inser vad som har hänt.

Vi beslutade att standardisera, vilket var rätt beslut. Men även med standardisering lär vi oss fortfarande hur vi ska prognostisera kostnader korrekt. Tokenanvändning, användarlicenser, integrationsavgifter — AI-verktygens faktureringsmodeller är inte intuitiva, och de skalas på sätt som är svåra att förutse innan ni redan har överskridit budgeten.

Den tvärfunktionella aspekten lägger till ytterligare ett lager. Ibland kan man inte koppla ett teams verktyg till den bredare AI-infrastrukturen, eftersom det skulle skapa en efterlevnads- eller säkerhetsrisk för ett annat team. Resultatet blir då automatiseringsöar som inte kan kommunicera med varandra, vilket undergräver den sammankopplade intäktsmotor som ni försökte bygga från början.

Mitt råd är att tidigt bilda en tvärfunktionell AI-styrgrupp, fastställa en centraliserad budget innan enskilda team börjar spendera och behandla valet av verktyg som ett företagsbeslut snarare än ett avdelningsbeslut. Vi lärde oss det mesta av detta den hårda vägen.

Vad CRO:er behöver veta innan de inleder AI-baserade intäktsinitiativ

Jag önskar att jag hade vetat hur många interna hinder jag behövde ta mig igenom innan ett enda verktyg kunde tas i drift.

Vi hade en tydlig vision för vad vi byggde. Affärsargumenten var starka. Jag hade inte fullt ut förutsett hur mycket godkännande jag behövde från IT, teknik, efterlevnad och cybersäkerhet före driftsättningen. Inom hälso- och sjukvården är detta inte byråkratiska formaliteter. De är legitima grindvakter som skyddar patientdata, finansiella system och organisationens juridiska ansvar. Men den tidsplan som dessa granskningar lägger till kan i det tysta döda momentumet och frustrera ett team som är ivrigt att gå vidare.

Om jag hade vetat det skulle jag ha inlett dessa samtal minst två kvartal tidigare. Jag skulle ha involverat efterlevnads- och IT-funktionerna i planeringsprocessen innan jag valde leverantörer, inte efteråt. Och jag skulle från början ha gjort mitt team införstått med att implementeringstiden skulle vara längre än själva försäljningscykeln för verktygen.

Vi hade kunnat undvika jäktet. Att granska systemen med avseende på exponering av PHI, fastställa datagränser och tillhandahålla separata miljöer för verktyg som inte kunde hantera känsliga finansiella data — allt det arbetet var verkligt och nödvändigt. Det hade varit betydligt mindre störande om vi hade planerat för det i stället för att reagera i efterhand.

I en reglerad bransch är era interna intressenter en del av er plan för marknadsintroduktion. Behandla dem så från dag ett.

Så bör intäktsansvariga närma sig AI

Mitt råd? Börja i liten skala. Välj en sak och bli riktigt bra på den innan du lägger till nästa lager. Vi tog oss an för mycket för snabbt, och en del av det var inte redo för bästa sändningstid. Löftet om en helt sammankopplad intäktsmotor driven av AI är verkligt, men vägen dit är sekventiell, inte samtidig.

Förbered dig på att AI genererar mer arbete innan det tar bort det. Vi var tvungna att granska och skydda system som innehöll PHI, fastställa tydliga datagränser och i vissa fall ge teammedlemmar separata datorer för att hålla känsliga finansiella data isolerade. Vi kommer aldrig att ta några chanser med partner- eller patientdata. Denna operativa överbelastning är verklig, och de flesta leverantörer kommer inte att nämna den i demonstrationen.

När du har hittat det som fungerar ska du satsa helhjärtat. Skapa vanan, driva på användningen och låt den ge kumulativa effekter innan du lägger till ännu ett verktyg. De team som vinner är inte de som har flest verktyg. Det är de som har den djupaste disciplinen kring de få — och rätta — verktygen.

Ha slutligen realistiska förväntningar. AI mångfaldigar kraften i en intäktsstrategi som redan har sunda grundförutsättningar. Om din pipeline är svag eller ditt budskap inte fungerar kommer AI att synliggöra problemen snabbare, men det kommer inte att lösa dem. De CRO:er som lyckas bäst är de som använder AI för att vässa sitt tänkande, inte ersätta det.

Följ med

Du kan följa John Stamatopoulos arbete på LinkedIn.

Fler expertintervjuer kommer på CRO-klubben!