CS-transformatieleider deelt wat AI wel (en niet) kan oplossen in klantensucces

Andrea Bumstead is de oprichter en CEO van CS Impact, een consultancy voor klantensucces die B2B SaaS-bedrijven helpt om klantensucces om te vormen tot een omzetmotor. Met meer dan 15 jaar ervaring en een bewezen staat van dienst in het opschalen van organisaties van $15M naar meer dan $3B ARR, heeft ze meerdere wereldwijde transformaties op het gebied van klantensucces geleid bij bedrijven als Quest, Procore en One Identity.

We spraken met Andrea om te horen hoe ze AI gebruikt om de klantervaring te verbeteren. Dit had ze te zeggen.

Klantensucces omvormen tot een omzetmotor

Ik ben de oprichter en CEO van CS Impact, een consultancy die tijdelijke leiderschaps- en strategische adviesdiensten biedt aan B2B SaaS-bedrijven met $50M–$150M ARR.

We maken van klantensucces een omzetmotor die miljoenen dollars aan uitbreiding en behoud genereert.

Waarom AI een tweesnijdend zwaard is voor CX

De integratie van AI in CX heeft aanzienlijke voordelen opgeleverd, maar ook enkele echte uitdagingen aan het licht gebracht.

Dit zijn de voordelen:

• Aanzienlijke tijdsbesparing: AI heeft de handmatige inspanning verminderd bij de voorbereiding, opvolging, CRM-updates en rapportage. In veel gevallen heb ik gezien dat CSM's 1–2 uur per dag besparen, die ze opnieuw kunnen investeren in werk met klanten.
• Sterkere, snellere klantinzichten: tools zoals Claude, Gainsight, Gong AI en andere brengen realtime signalen aan het licht — zoals churnrisico, uitbreidingsmogelijkheden en veranderingen in klantgezondheid — die voorheen uren (of dagen) kostten om te ontdekken.
• Verbeterde consistentie en schaalbaarheid: AI helpt om resultaten zoals succesplannen, QBR's en accountoverzichten te standaardiseren, wat essentieel is bij het opschalen van teams of het ondersteunen van verschillende segmenten.
• Proactievere CX-activiteiten: in plaats van laat te reageren, kunnen teams eerder handelen op basis van door AI aangedreven signalen — of het nu gaat om risicobeperking of uitbreidingsmogelijkheden.

Maar er is ook een nadeel:

• Probleem van signalen versus ruis: niet alle door AI gegenereerde inzichten zijn bruikbaar. Teams kunnen worden overspoeld met waarschuwingen die context of prioritering missen.
• Te grote afhankelijkheid van automatisering: sommige teams leunen te zwaar op door AI gegenereerde content (QBR's, e-mails), wat kan leiden tot generieke klantinteracties met weinig impact.
• Afhankelijkheid van datakwaliteit: AI is slechts zo goed als de gegevens waarop het is gebaseerd. Als je CRM- of productgegevens onvolledig of onjuist zijn, verliezen de resultaten snel hun geloofwaardigheid.
• Verlies van kritisch denkvermogen: er bestaat een risico dat CSM's niet langer strategisch nadenken en vertrouwen op AI-aanbevelingen in plaats van hun eigen oordeel toe te passen.

Waarom goede gegevens essentieel zijn voor goede AI-resultaten

Dit is wat elke CX-leider moet weten: goede gegevens zijn alles.

Ik heb gewerkt met CS-organisaties die hebben geïnvesteerd in goede AI-hulpmiddelen, maar waarvan de onderliggende gegevens rommelig of onvolledig waren. Dit beperkte de waarde die ze eruit haalden volledig.

Een klant had geen goede accountstructuren ingesteld in Salesforce. Ze hadden bijvoorbeeld 15 afzonderlijke accounts met dezelfde naam die onderdeel waren van dezelfde klant — maar ze waren niet met elkaar verbonden. Toen ze daar AI bovenop plaatsten, genereerde het systeem inzichten op het niveau van individuele accounts, maar kon het geen holistisch beeld van de klantrelatie bieden.

In plaats van betere inzichten kregen ze dus gefragmenteerde en soms misleidende signalen.

Het is de tijdsinvestering waard om goede gegevens te verzamelen en slechte gegevens op te schonen!

Hoe taken van AI en mensen binnen CX moeten worden verdeeld

Mijn visie op AI versus mensen binnen klantervaring is dat AI schaal, signalen en snelheid moet afhandelen. Mensen moeten vertrouwen, beoordelingsvermogen en transformatie voor hun rekening nemen.

AI is het krachtigst bij taken die veel gegevens bevatten, herhaalbaar of tijdrovend zijn:

• Administratief werk: voorbereiding van gesprekken, klantsamenvattingen, onderzoek naar belanghebbenden en opvolging na gesprekken — inclusief notities, vervolgstappen en CRM-updates (Salesforce, Gainsight)
• Genereren van content en middelen: succesplannen, QBR's, klantplannen, analyse van onbenutte mogelijkheden en klantcommunicatie
• Genereren van inzichten: klanten met een verhoogd risico identificeren (dalend gebruik, verlies van voorvechters, M&A-activiteiten), mogelijkheden voor uitbreiding en trends in productfeedback
• Begeleiding op schaal: de juiste draaiboeken voor risico's of uitbreiding op het juiste moment onder de aandacht brengen
• Digitale klantervaring: berichten in de app, onboardingprocessen, kennisbanken en supportcontent

Mensen zijn overal essentieel waar context, vertrouwen en nuance belangrijk zijn:

• Klantgesprekken en relatieopbouw: vooral met leidinggevende belanghebbenden
• Verkenning en probleemdefinitie: begrijpen wat er gebeurt, maar ook waarom
• Tussen de regels door lezen: gevoel, risicosignalen en wat niet wordt gezegd oppikken
• Consultatieve begeleiding: klanten helpen beslissingen te nemen en echte bedrijfsresultaten te behalen
• Momenten die vertrouwen opbouwen: vergaderingen met leidinggevenden, diners op locatie, evenementen en interacties met grote impact

Hoe geautomatiseerde QBR's leiden tot betekenisvolle klantgesprekken

Andrea deelt

We hebben bedrijven geholpen te automatiseren door AI te gebruiken om gegevens en inzichten te verzamelen, deze te integreren in een herhaalbaar format en de presentatie ervan voor presentaties op locatie of elektronische presentaties te optimaliseren…Daardoor kunnen deze bedrijven betekenisvollere gesprekken voeren met meer klanten — en meer waarde leveren.

Ik noemde QBR's — we hebben de QBR van 15 minuten gecreëerd. Deze behandelt:

1. De waarde die de klant tot nu toe heeft ontvangen
2. Hoe ze meer waarde kunnen verkrijgen
3. Drie aanbevelingen voor de volgende stappen

We hebben bedrijven geholpen dit te automatiseren door AI te gebruiken om gegevens en inzichten te verzamelen, deze te integreren in een herhaalbaar format en de presentatie ervan voor presentaties op locatie of elektronische presentaties te optimaliseren. Wat tools betreft, verzamelen we gegevens uit Salesforce, Gong en Gainsight om automatisch QBR-presentaties te genereren met Claude.

Daardoor kunnen deze bedrijven betekenisvollere gesprekken voeren met meer klanten — en meer waarde leveren.

Voordat je de QBR van 15 minuten implementeert, raad ik leidinggevenden op het gebied van klantensucces aan zich te richten op vijf cruciale fundamenten:

1. Wees duidelijk over de problemen die je oplost: identificeer de 2–3 belangrijkste bedrijfsproblemen die je product oplost — dit wordt het anker voor elk klantgesprek.
2. Definieer doelstellingen en succesmetingen: stem KPI's af op het realiseren van waarde, zodat je de impact duidelijk kunt meten en communiceren.
3. Volg de voortgang van klanten: je moet inzicht hebben in hoe elke klant presteert ten opzichte van zijn doelen, niet alleen in het productgebruik.
4. Vergelijk je beste klanten: begrijp wat je beste klanten anders doen, zodat je hiaten en kansen kunt benadrukken.
5. Bouw een aanbevelingsengine: ontwikkel herhaalbare aanbevelingen met grote impact die klanten helpen meer waarde te ontsluiten.

Vanaf daar raad ik een eenvoudige uitrol aan:

1. Begin klein: voer een pilot uit met een gerichte groep en verfijn de aanpak.
2. Automatiseer waar mogelijk: benut AI om op grote schaal gegevens op te halen en inzichten te genereren.
3. Schaal daarna op: breid de aanpak uit naar verschillende segmenten zodra deze zich heeft bewezen.
4. En minstens zo belangrijk: stel het team in staat om dit effectief uit te voeren. Train hen om vol vertrouwen het voortouw te nemen, sterke verkennende vragen te stellen en het gesprek te voeren vanuit een adviserende, waardegedreven invalshoek.

Andrea deelt

Begin klein. Automatiseer waar mogelijk en schaal daarna op. En minstens zo belangrijk: stel het team in staat om dit effectief uit te voeren.

Waar AI tekortschiet bij QBR's en content

Een uitdaging binnen de QBR-werkstroom is dat AI weliswaar uitblinkt in het genereren van content, maar er nog steeds moeite mee heeft om die content te structureren in een bruikbaar, bedrijfsklaar format, zoals een presentatie voor de directie.

In de praktijk versnelt AI de eerste 70% van het werk, maar voor de laatste 30% — die er vaak voor zorgt dat het bruikbaar en impactvol wordt — is nog steeds menselijke verfijning nodig.

Hoe AI prognoses binnen CX verbetert — en wat er nog nodig is

Ik heb Gong gebruikt voor prognoses binnen verschillende organisaties en het beschikt over de sterkste mogelijkheden die ik binnen klantsucces heb gezien.

Het verzamelt signalen uit het hele account: klanttevredenheid, activiteitsniveaus en belangrijke gegevens uit Salesforce, zoals ARR, TCV, dealfase, notities en vervolgstappen.

Dat geeft CS-leiders een veel vollediger, realtime beeld van de gezondheid van accounts en mogelijke uitkomsten.

Dat gezegd hebbende, is het proces nog grotendeels handmatig. CSM's zijn nog steeds verantwoordelijk voor:

• Het beheren van het contactproces in Salesforce
• Het bijwerken van de fasen van verkoopkansen
• Het nemen van beslissingen over verlengingen — of een account gelijk blijft, wordt afgewaardeerd of uitbreidt.

De volgende ontwikkeling is prognoses met ondersteuning van AI. In plaats van vanaf nul te beginnen, zou AI het volgende moeten doen:

• Historische trends analyseren
• Gezondheidsscores en productgebruik meenemen
• Signalen uit klantgesprekken ophalen
• En een aanbevolen prognose genereren.

Op dat moment zou de rol van de CSM verschuiven naar het verfijnen en valideren van de prognose, in plaats van deze vanaf nul op te bouwen.

Ik zie ook een gebrek aan inzicht in veranderingen door de tijd heen. Een prognose zou niet alleen een momentopname moeten zijn — deze zou duidelijk de ontwikkeling van week tot week moeten laten zien en precies moeten aangeven waardoor die verandering is veroorzaakt. Is een groot account bijvoorbeeld plotseling risicovol geworden? Of hebben we met succes omzet teruggewonnen die we eerder als churn hadden aangemerkt?

Dat niveau van inzicht, gecombineerd met AI-gestuurde aanbevelingen, zou niet alleen de nauwkeurigheid van prognoses verbeteren, maar deze ook veel beter uitvoerbaar, schaalbaar en afgestemd maken op de manier waarop CS-teams werken.

Waarom CX-leiders zich op hun gemak moeten voelen bij falen

Dit is mijn advies: wees niet bang om te experimenteren en nieuwe dingen uit te proberen. Wees niet bang om te falen.

Probeer nieuwe AI-werkstromen uit, volg cursussen en verbreed je horizon.

Pavilion heeft een sterke cursus over GTM en AI. En evenementen van Customer Success Collective, zoals hun Customer Success Summits in de VS, het VK en APAC, richten zich op door AI aangestuurde werkstromen.

Volg mee

Volg Andrea Bumstead op LinkedIn voor inzichten in het transformeren van klantensucces tot een motor voor omzetgroei, het opbouwen van impactvolle klantensuccesstrategieën en het benutten van AI om klantwaarde te stimuleren. Abonneer je op haar Substack, Real Talk with CS Impact, voor praktische draaiboeken en raamwerken. En volg haar ook op Instagram.

Er volgen nog meer interviews met experts op The CX Lead!