Satış Başkan Yardımcısı, gelir ekiplerinin yapay zekâyı başarıyla uygulayan %6’lık kesime nasıl katılabileceğini anlatıyor

Byron Munson, Supermetrics'te JAPAC Satış Başkan Yardımcısıdır.

Byron'la, ekiplerin yalnızca %6'sının yapay zekâyı başarıyla uygulamaya almasının nedenini ve bunu kendi ekibi için nasıl gerçekleştirdiğini öğrenmek üzere görüştük. İşte bize anlattıkları.

Ticari yapıları sıfırdan kurmak

Ben, Supermetrics'te JAPAC Satış Başkan Yardımcısı Byron Munson'ım. Supermetrics, küresel ölçekte büyüme aşamasındaki bir MarTech şirketidir. Müşteri tabanımız KOBİ'lerden en büyük kurumsal markalara kadar uzanıyor. GTM yapımız, yalın bir Stratejik Müşteri Yöneticisi, Ticari Müşteri Yöneticisi modeline ve bir iş ortağı organizasyonuna dayanıyor.

Yirmi yılı aşkın süredir APAC ve EMEA genelinde, ticari yapıları sıfırdan bölgesel ölçeğe taşıyorum. Kariyerime Sydney'de DDB ve McCann'de reklamcılık alanında başladım; ardından Londra'da Adconion ve Güneydoğu Asya'da Videology ile reklam teknolojisine, daha sonra da Datorama ile MarTech alanına geçtim. Datorama'nın APAC operasyonlarının yönetilmesine yardımcı oldum ve Salesforce'un bölgedeki satın almasını gerçekleştirdim.

İki kez bir satın alma sürecini içeriden yaşamak, bir strateji sunumundan öğrenemeyeceğim pek çok şeyi öğretti: daha büyük bir organizasyonda nelerin ayakta kaldığını, nelerin yeniden oluşturulduğunu ve nelerin sessizce ortadan kalktığını.

Ayrıca Climagap adlı iklim teknolojisi girişimiyle kendi şirketimi kurdum. Bu deneyim, fikir üretme, finansman sağlama ve bir fikri sıfırdan pazara sunma konularında bana sağlıklı bir tevazu kazandırdı. Sonuçta işletme çeşitli nedenlerle ölçeklenemedi ve ben de faaliyetleri sonlandırmaya karar verdim.

Supermetrics'te yaklaşık 20 çapraz işlevli çalışandan oluşan bölgesel bir ekibe liderlik ediyorum. JAPAC yapılanmasını, özel bir pazar içi varlıktan yoksun bir başlangıçtan önemli bir bölgesel operasyona dönüştürdük. Buna, güçlü pazar içi uygulama ve teknoloji uzmanlarına erişim sağlayan bir iş ortaklığı ekosistemi de dâhil. Bu ekosistem, sürdürülebilir ölçeklendirme ve müşterilerimizin uzun vadeli başarısı için hayati önem taşıyor.

Yapay zekâdan iki açıdan etkilenen bir gelir organizasyonu

Daha yakın zamanda bu durum iki açıdan yapay zekâya da uzandı. İçeride, kendi verilerimize dayanan ve satış hunisinin sağlığı, müşteri riski ve anlaşma koçluğu gibi alanları kapsayan yapay zekâ destekli gelir altyapımızı kurduk. Bu deneyim bana yapay zekâ kullanımının öncelikle teknoloji değil, güven ve değişim yönetimi sorunu olduğunu bizzat öğretti.

Dışarıdaysa aynı dönüşümün müşterilerimiz arasında da yaşandığını gördüm: markalar ve ajanslar veri fazlalığı içinde boğuluyor. Asıl çözüm daha fazla veri değil, daha hızlı karar vermelerine yardımcı olmak oldu.

Bölgedeki Google Gemini Enterprise lansman iş ortağı olarak üstlendiğimiz daha yakın tarihli rol de dâhil olmak üzere LLM iş ortaklıklarımız, tam bu kesişim noktasında yer alıyor ve yapay zekâ destekli pazarlama zekâsını doğrudan pazarlamacıların kullanımına sunuyor. Açıkçası bunun teknolojiyle ilgili olmadığını öğrendim; insanlar yalnızca güvendikleri içgörü doğrultusunda harekete geçiyor. İster bir satış temsilcisinin koçluk önerisine güvenmesi, ister bir müşterinin pazarlama yatırımı planlarını değiştirecek kadar bir öneriye güvenmesi söz konusu olsun.

Yapay zekânın başarılı olduğu ve faydasının sona erdiği noktalar

Yapay zekâ, içgörüler sunarak kararları güçlendirir. En açık örnek, yükseltme eğilimidir; self servis bir modelde kullanım, faturalandırma ve etkileşim sinyalleri, aralarında doğal bir bağlantı bulunmayan ayrı sistemlerde yer alabilir. Yapay zekâ bu veri kaynaklarını bir araya getirerek büyümeye hazır müşterilerin kimler olduğunu gösteren net bir sinyal ortaya çıkarır.

Ancak yapay zekâ hiçbir zaman tek başına belirleyici değildir. Tamamen insana özgü kalan unsurlar arasında fiyatlandırma, müzakere ve güvene dayalı her türlü konu ile kişiler arası etkileşim yer alır. Yapay zekâ bana bir hesabın hazır olduğunu söyleyebilir. Ancak bu görüşmeyi gerçekleştiremez.

Ayrıca her yapay zekâ yatırımının, yapay zekâya duyulan heyecanın gösterdiği kadar hızlı bir şekilde gelire dönüşmediğini de belirtmek gerekir. Bazıları, kayda değer bir çıktı üretmeden önce önemli miktarda kapasite tüketir.

Bu nedenle en çok dikkat ettiğim risk, yanlış güven duygusudur. Yapay zekâ çıktısı, dayandığı veri yetersiz olsa bile özenli ve kesin görünebilir. Ona genç bir analistin ilk taslağı gibi yaklaşıyorum: faydalı, ancak doğrulamadan harekete geçmiyorum.

Yapay zekânın gelir organizasyonlarında hedefi ıskaladığı iki alan

Gelir süreçlerinde yapay zekâ söz konusu olduğunda iki tehlikeli noktada başarısızlık görüyorum.

En belirgin olanı, yapay zekâ tarafından oluşturulan dışa dönük kişiselleştirme. Her etkileşim ölçütünde verimli, ancak alıcılar yapay kişiselleştirmeyi anında fark edebildiği için kazanma oranını artırmadı.

Daha incelikli olanı ise şu: Bir modelin anlaşma riskini otomatik olarak puanlamasına izin vermek. Güvenilmesini sağlayacak kadar sık doğru sonuç verdi, ancak tam da önemli olduğu yerde yanıldı — ilişkilerin soğuması gibi yapılandırılmış verilerde asla görünmeyen durumlarda.

Her iki durumda da döngüde bir insanın bulunması gerekiyor.

Performans yönetiminde ve pazar stratejisinde yapay zekâ kullanmak kararları nasıl iyileştiriyor?

Yakın zamanda iki büyük değişiklik yaptım:

1. Performans yönetimi: Artık bireysel ve ekip risklerini bir performans sorununa dönüştükten sonra değil, dönüşmeden önce görünür hâle getiriyoruz. Sonradan inceleme yaklaşımı yerine proaktif çözümler üretiyoruz. Bunu arama kayıtlarını, satış hattı geçmişini, CRM notlarını, ürün hattı gelirlerini ve müşteri geri bildirimlerini bir araya getirerek yapıyoruz — yapay zekâ da temel davranışları ortaya çıkarıyor.
2. Pazar stratejisi: Bölge genelindeki 4 yıllık operasyon verilerini bir araya getirmek, özellikle Tayland'da bir eğilimi ortaya çıkardı ve bu da bizi önce iş ortağı stratejisiyle büyümeye yöneltti. Sahaya kendimiz yerleşmek yerine pazarda güçlü bir çözüm ortağı ağı oluşturduk.

Bunu, tüm dahili verilerimizi ve üçüncü taraf platformlarımızı Claude ortamımıza bağlayarak gerçekleştirdik. Sonuç olarak bu, ölçekli ve ticari açıdan etkili kararları tekrarlanabilir biçimde almak için temel oluşturuyor. Tek seferlik kapsamlı bir inceleme değil, uzun vadeli ve tutarlı bir yaklaşım.

Byron Paylaşıyor

Sahaya kendimiz yerleşmek yerine pazarda güçlü bir çözüm ortağı ağı oluşturduk.

Yapay zekâ ile müşteri odaklı iş birliği nasıl mümkün hâle geliyor?

Satış ve Müşteri Başarısı her zaman yan yana yürüdü: aynı müşteri, iki işlev, iki kayıt sistemi, gerçeğin iki farklı versiyonu. Bu bir ortaklık değil. Paralel çalışma.

Sektör bu teşhise yetişti. Ciddi gelir liderleri artık "Tek sayı, tek hareket, tek gerçek kaynağı" konusunda hemfikir. GTM, elden ele aktarılan bir süreç değil, birbirine bağlı bir sistem.

Bu fikir artık tartışmalı değil. Ancak çoğu kişi yapıyla sınırlı kalıyor: ortak kotalar, birleşik gösterge panelleri, CRM konsolidasyonu. Bunlar altyapıdır. "İki farklı sistemde çalışan iki işlev, aynı müşteriyi nasıl aynı şekilde tanımlayabilir?" sorusunu yanıtlamaz.

İşleyiş şu: Her müşteri temas noktasından gelen dil (satış, işe alım ve yenileme) verilerinize yönlendirilmiş bir LLM'de bulunduğunda, artık müşterinin satış versiyonu ve müşteri başarısı versiyonu diye iki ayrı versiyon olmaz.

İş birliği ve şeffaflık pratikte böyle ortaya çıkar. Bir slayttaki değer olarak değil, ekiplerin müşteriyi gözden kaçırmasını imkânsız hâle getiren yapı olarak. Müşteri odaklı iş birliği de böyle görünür.

Gelir organizasyonlarında yapay zekâ nasıl başarıyla benimsenir?

Ekiplerin %89'u yapay zekâyı benimseme baskısı hissediyor. Yalnızca %6'sı bunu gerçekten hayata geçirdi. Bu fark, fırsatın kendisi (Supermetrics, Pazarlama Veri Raporu 2026).

Bu farkı nasıl kapatabileceğiniz aşağıda açıklanıyor:

1. Boşluklarınızı ve ihtiyaçlarınızı denetleyin. Hedeflerinizi belirleyin, gerçek uzun vadeli yönü ortaya çıkarmak için A/B testlerini haritalandırın. Ardından verilerinizi haritalandırın. Verilerinizi birbirine bağlamazsanız LLM'in hiçbir bağlamı olmaz. Yarım kalan "yapay zekâ girişimlerinin" çoğunun temelinde veri hijyeni sorunları yatar. Girdilere güvenmiyorsanız çıktılara da güvenemezsiniz.
2. İlk günden itibaren yapay zekâyı tüm organizasyonda kullanıma sunmayın. Ekibinizin en fazla sürtünme yaratan tek görevini bulun: anlaşma özetleri, QBR hazırlığı, satış hunisi veri hijyeni. Tüm bağlamıyla birlikte yalnızca o iş akışını yeniden oluşturun. Ölçeklendirmeden önce verimlilik kazanımlarını kanıtlayın.
3. Kuralları yazılı hâle getirin. Temsilcileriniz belgelendirilmemiş muhakemeler kullanır: sağlıklı bir anlaşmanın nasıl göründüğü, dokuzuncu ayda "beklemede" olmanın ne anlama geldiği ve yenilemeleri üst satışlardan nasıl ayırdıkları. Yazılı hâle getirmezseniz LLM'iniz de bunu kullanamaz, yeni işe alınanlar da.
4. Kullanımı etkinleştirilen lisanslarla değil, değişen kararlarla ölçün. Lisans sayıları ve giriş istatistikleri size hiçbir şey söylemez. Yapay zekânın ortaya çıkardığı içgörülerin tahmin görüşmelerini, anlaşma stratejilerini veya koçluk konuşmalarını değiştirip değiştirmediğini takip edin. Gerçek uygulamayı, pilot aşamasını hiçbir zaman aşamayanlardan ayıran tek sinyal budur.

Byron Paylaşıyor

İşte bu boşluğu kapatmanın yolu: Boşluklarınızı ve ihtiyaçlarınızı denetleyin. İlk günden itibaren yapay zekâyı tüm organizasyonda kullanıma sunmayın. Kuralları yazılı hâle getirin. Kullanımı etkinleştirilen lisanslarla değil, değişen kararlarla ölçün.

LLM'ler neden yeni işe alınanlar gibi işe alıştırılmalı?

Bir şey daha var: LLM'inizi yeni işe alınmış bir çalışanı işe alıştırdığınız gibi işe alıştırın. Bu işe alıştırmayı atlarsanız yeterlilik olmadan özgüven elde edersiniz.

Yeni bir çalışana, görev ve sorumlulukları bilmeden ve "iyinin" nasıl göründüğünü anlamadan CRM'inize veya iş kılavuzunuza erişim verilmez. Bir LLM'in canlı verilere dokunmadan önce aynı dört temel unsura ihtiyacı vardır:

• Hedefleriniz: Bu satış hunisi, bu çeyrek ve bu bölge için "sağlıklı" olmanın ne anlama geldiği
• Tanımlarınız: "Risk altında" olmanın ne anlama geldiği ve sağlıklı bir satış hunisinin nasıl göründüğü
• Sınırlarınız: Tek başına asla karar vermemesi gerekenler — örneğin, insan denetimi olmadan bir anlaşmanın aşamasını yeniden sınıflandırmamak veya bir müşteri kaybı nedeni belirtmemek.
• Geçmişiniz: Bir sayının anlamını değiştiren bağlam — örneğin, "satış hunisi kapsamı düşük" ifadesi, büyük bir yenilemeyi bir çeyrek öne aldığımızı öğrendiğinizde çok farklı okunur.

Bu işe alıştırmayı atlarsanız model sessizce başarısız olmaz — ikna edici biçimde başarısız olur.

Gelişmeleri takip edin

Byron Munson'ın çalışmalarını LinkedIn üzerinden takip edebilirsiniz.

CRO Club'da daha fazla uzman röportajı sizlerle olacak!