Lider transformacji w obszarze sukcesu klienta dzieli się tym, co sztuczna inteligencja może naprawić w obsłudze klienta (a czego nie może)

Andrea Bumstead jest założycielką i dyrektorką generalną CS Impact, firmy konsultingowej zajmującej się sukcesem klienta, która pomaga firmom B2B SaaS przekształcać Customer Success w źródło przychodów. Dzięki ponad 15-letniemu doświadczeniu i udokumentowanym sukcesom w skalowaniu organizacji od 15 mln do ponad 3 mld USD ARR kierowała wieloma globalnymi transformacjami w obszarze Customer Success w firmach takich jak Quest, Procore i One Identity.

Spotkaliśmy się z Andreą, aby dowiedzieć się, jak wykorzystuje sztuczną inteligencję do poprawy jakości obsługi klienta. Oto, co miała do powiedzenia.

Przekształcanie Customer Success w źródło przychodów

Jestem założycielką i dyrektorką generalną CS Impact, firmy konsultingowej świadczącej usługi tymczasowego przywództwa i doradztwa strategicznego dla firm B2B SaaS generujących od 50 mln do 150 mln USD ARR.

Przekształcamy Customer Success w źródło przychodów, generując miliony dolarów dzięki rozszerzaniu współpracy i utrzymywaniu klientów.

Dlaczego sztuczna inteligencja jest mieczem obosiecznym w obszarze CX

Integracja sztucznej inteligencji z CX przyniosła znaczące korzyści, ale ujawniła również kilka rzeczywistych wyzwań.

Oto zalety:

• Znaczna oszczędność czasu: sztuczna inteligencja ograniczyła nakład pracy manualnej związanej z przygotowaniami, działaniami następczymi, aktualizacjami CRM i raportowaniem. W wielu przypadkach widziałam, że CSM-owie oszczędzają 1–2 godziny dziennie, które mogą przeznaczyć na pracę z klientami.
• Lepsze i szybsze informacje o klientach: narzędzia takie jak Claude, Gainsight, Gong AI i inne ujawniają sygnały w czasie rzeczywistym — takie jak ryzyko rezygnacji, możliwości rozszerzenia współpracy i zmiany kondycji klienta — których wcześniej odkrycie zajmowało godziny (a czasem dni).
• Większa spójność i skalowalność: sztuczna inteligencja pomaga standaryzować takie materiały jak plany sukcesu, QBR-y i podsumowania kont, co ma kluczowe znaczenie podczas skalowania zespołów lub obsługi różnych segmentów.
• Bardziej proaktywne działania w obszarze CX: zamiast reagować z opóźnieniem, zespoły mogą działać wcześniej na podstawie sygnałów generowanych przez sztuczną inteligencję — zarówno w celu ograniczania ryzyka, jak i rozszerzania współpracy.

Są jednak również wady:

• Problem z odróżnieniem sygnałów od szumu: nie wszystkie informacje wygenerowane przez sztuczną inteligencję można wykorzystać w praktyce. Zespoły mogą zostać przytłoczone alertami pozbawionymi kontekstu lub priorytetyzacji.
• Nadmierne poleganie na automatyzacji: niektóre zespoły zbyt mocno opierają się na treściach generowanych przez sztuczną inteligencję (QBR-ach, e-mailach), co może prowadzić do ogólnikowych interakcji z klientami o niewielkim wpływie.
• Zależność od jakości danych: sztuczna inteligencja jest tak dobra, jak dane, na których się opiera. Jeśli dane w CRM-ie lub dane o produkcie są niepełne albo nieprawidłowe, wyniki szybko tracą wiarygodność.
• Utrata krytycznego myślenia: istnieje ryzyko, że CSM-owie przestaną myśleć strategicznie i będą polegać na rekomendacjach sztucznej inteligencji zamiast stosować własny osąd.

Dlaczego dobre dane mają kluczowe znaczenie dla uzyskiwania dobrych wyników sztucznej inteligencji

Oto, co każdy lider CX powinien wiedzieć: dobre dane są najważniejsze.

Pracowałam z organizacjami CS, które zainwestowały w świetne narzędzia sztucznej inteligencji, ale ich dane bazowe były nieuporządkowane lub niekompletne. To całkowicie ograniczało wartość, jaką mogły z nich uzyskać.

Jeden z klientów nie miał prawidłowo skonfigurowanych hierarchii kont w Salesforce. Na przykład 15 oddzielnych kont o tej samej nazwie należało do tego samego klienta — ale nie były ze sobą połączone. Gdy nałożyli na to sztuczną inteligencję, system generował informacje na poziomie pojedynczych kont, ale nie mógł zapewnić całościowego obrazu relacji z klientem.

Zamiast lepszych informacji uzyskali więc fragmentaryczne i czasami wprowadzające w błąd sygnały.

Warto poświęcić czas na gromadzenie dobrych danych i oczyszczanie nieprawidłowych danych!

Jak podzielić zadania między sztuczną inteligencję a ludzi w obszarze CX

Moje zdanie na temat AI w porównaniu z ludźmi w doświadczeniu klienta jest takie, że AI powinna zajmować się skalą, sygnałami i szybkością. Ludzie powinni zajmować się zaufaniem, osądem i transformacją.

AI jest najskuteczniejsza w zadaniach wymagających dużej ilości danych, powtarzalnych lub czasochłonnych:

• Praca administracyjna: przygotowanie do rozmów, podsumowania kont, analiza interesariuszy oraz działania następcze po rozmowach — w tym notatki, kolejne kroki i aktualizacje CRM (Salesforce, Gainsight)
• Tworzenie treści i materiałów: plany sukcesu, QBR-y, plany kont, analiza niewykorzystanego potencjału oraz komunikacja z klientami
• Generowanie analiz: identyfikowanie kont zagrożonych utratą (spadki wykorzystania, utrata ambasadora, aktywność związana z fuzjami i przejęciami), możliwości ekspansji oraz trendów w opiniach na temat produktu
• Wskazówki na dużą skalę: przedstawianie właściwych procedur dotyczących ryzyka lub ekspansji we właściwym czasie
• Cyfrowe doświadczenie klienta: komunikaty w aplikacji, procesy wdrażania, bazy wiedzy i treści wsparcia

Ludzie są niezbędni wszędzie tam, gdzie liczą się kontekst, zaufanie i niuanse:

• Rozmowy z klientami i budowanie relacji: szczególnie z interesariuszami na szczeblu kierowniczym
• Rozpoznanie i definiowanie problemu: zrozumienie nie tylko tego, co się dzieje, lecz także dlaczego
• Czytanie między wierszami: wychwytywanie nastrojów, sygnałów ryzyka i tego, co nie zostało powiedziane
• Doradztwo konsultacyjne: pomaganie klientom w podejmowaniu decyzji i osiąganiu rzeczywistych wyników biznesowych
• Momenty budujące zaufanie: spotkania z kadrą kierowniczą, kolacje na żywo, wydarzenia i interakcje o dużym znaczeniu

Jak zautomatyzowane QBR-y prowadzą do wartościowych rozmów z klientami

Andrea dzieli się wiedzą

Pomogliśmy firmom zautomatyzować działania, wykorzystując AI do gromadzenia danych i analiz, integrując je w powtarzalnym formacie oraz optymalizując sposób prezentacji na spotkaniach stacjonarnych lub elektronicznych…W rezultacie firmy te mogą prowadzić bardziej wartościowe rozmowy z większą liczbą klientów — i dostarczać większą wartość.

Wspomniałam o QBR-ach — stworzyliśmy 15-minutowy QBR. Obejmuje on:

1. Wartość, jaką klient otrzymał do tej pory
2. Sposoby na uzyskanie większej wartości
3. Trzy rekomendacje dotyczące kolejnych kroków

Pomogliśmy firmom zautomatyzować ten proces, wykorzystując AI do gromadzenia danych i analiz, integrując je w powtarzalnym formacie oraz optymalizując sposób prezentacji na spotkaniach stacjonarnych lub elektronicznych. Jeśli chodzi o narzędzia, agregujemy dane z Salesforce, Gong i Gainsight, aby automatycznie generować prezentacje QBR za pomocą Claude.

W rezultacie firmy te mogą prowadzić bardziej wartościowe rozmowy z większą liczbą klientów — i dostarczać większą wartość.

Przed wdrożeniem 15-minutowego QBR zalecam liderom CS skupienie się na pięciu kluczowych fundamentach:

1. Jasno określ problemy, które rozwiązujesz: zidentyfikuj 2–3 najważniejsze problemy biznesowe, które rozwiązuje Twój produkt — staną się one punktem odniesienia dla każdej rozmowy z klientem.
2. Zdefiniuj cele i wskaźniki sukcesu: uzgodnij KPI powiązane z realizacją wartości, aby móc jasno mierzyć i komunikować wpływ.
3. Śledź postępy klientów: potrzebujesz wglądu w to, jak każdy klient realizuje swoje cele, a nie tylko w sposób korzystania z produktu.
4. Porównuj swoich najlepszych klientów: zrozum, co robią inaczej najlepsi klienci, aby móc wskazywać luki i możliwości.
5. Zbuduj silnik rekomendacji: opracuj powtarzalne rekomendacje o dużym wpływie, które pomogą klientom uzyskać większą wartość.

Następnie zalecam proste podejście do wdrożenia:

1. Zacznij od małych kroków: przeprowadź pilotaż z wybraną grupą i udoskonal podejście.
2. Automatyzuj tam, gdzie to możliwe: wykorzystaj AI do pobierania danych i generowania spostrzeżeń na dużą skalę.
3. Następnie skaluj: rozszerz rozwiązanie na kolejne segmenty, gdy zostanie sprawdzone.
4. Równie ważne jest umożliwienie zespołowi skutecznego dostarczania tego rozwiązania: przeszkol go, aby działał z pewnością siebie, zadawał trafne pytania rozpoznawcze i prowadził rozmowę z perspektywy konsultacyjnej, skoncentrowanej na wartości.

Andrea dzieli się

Zacznij od małych kroków. Automatyzuj tam, gdzie to możliwe, a następnie skaluj. Równie ważne jest umożliwienie zespołowi skutecznego dostarczania tego rozwiązania.

Gdzie AI nie radzi sobie w przypadku QBR-ów i treści

Jednym z wyzwań związanych z procesem QBR jest to, że choć AI doskonale radzi sobie z generowaniem treści, wciąż ma trudności z uporządkowaniem jej w użytecznym, gotowym do wykorzystania w biznesie formacie, takim jak prezentacja dla kadry kierowniczej.

W praktyce AI przyspiesza pierwsze 70% pracy, ale ostatnie 30% — które często decyduje o jej użyteczności i wpływie — nadal wymaga dopracowania przez człowieka.

Jak AI usprawnia prognozowanie w CX — i czego wciąż potrzeba

Używałam Gong do prognozowania w kilku organizacjach i ma on najsilniejsze możliwości, jakie widziałam w obszarze sukcesu klienta.

Agreguje sygnały z całego konta: odczucia klienta, poziom aktywności oraz kluczowe dane z Salesforce, takie jak ARR, TCV, etap transakcji, notatki i kolejne kroki.

Dzięki temu liderzy ds. sukcesu klienta zyskują znacznie pełniejszy, aktualny obraz kondycji konta i potencjalnych wyników.

Mimo to proces nadal jest w dużej mierze ręczny. CSM-y wciąż odpowiadają za:

• Zarządzanie procesem kontaktu w Salesforce
• Aktualizowanie etapów szans sprzedaży
• Podejmowanie decyzji dotyczących odnowień — czy konto pozostanie bez zmian, zostanie pomniejszone czy się rozszerzy.

Kolejnym etapem rozwoju jest prognozowanie wspomagane przez AI. Zamiast zaczynać od zera, AI powinno:

• Analizować historyczne trendy
• Uwzględniać wskaźniki kondycji i korzystanie z produktu
• Uwzględniać sygnały z rozmów z klientami
• Generować rekomendowaną prognozę.

W tym momencie rola CSM-a polegałaby na dopracowaniu i zweryfikowaniu prognozy, a nie na tworzeniu jej od podstaw.

Widzę również lukę w zakresie widoczności zmian zachodzących w czasie. Prognozowanie nie powinno być jedynie obrazem sytuacji w określonym momencie — powinno wyraźnie pokazywać zmiany z tygodnia na tydzień oraz dokładnie wskazywać, co je spowodowało. Na przykład: czy duże konto nagle stało się zagrożone? A może udało nam się odzyskać przychody, które wcześniej oznaczyliśmy jako zagrożone odpływem?

Taki poziom widoczności, połączony z rekomendacjami generowanymi przez AI, nie tylko poprawiłby dokładność prognoz, lecz także sprawiłby, że byłyby one znacznie bardziej praktyczne, skalowalne i zgodne ze sposobem działania zespołów ds. sukcesu klienta.

Dlaczego liderzy CX muszą oswoić się z porażką

Oto moja rada: Nie bój się eksperymentować i próbować nowych rzeczy. Nie bój się porażki.

Wypróbuj nowe procesy pracy z AI, uczęszczaj na kursy i poszerzaj swoje horyzonty.

Pavilion ma rozbudowany kurs dotyczący GTM i AI. Wydarzenia organizowane przez Customer Success Collective, takie jak ich szczyty dotyczące sukcesu klienta w USA, Wielkiej Brytanii i regionie APAC, koncentrują się na przepływach pracy opartych na AI.

Śledź na bieżąco

Śledź Andreę Bumstead na LinkedInie, aby poznawać spostrzeżenia dotyczące przekształcania sukcesu klienta w motor przychodów, budowania strategii sukcesu klienta o dużym wpływie oraz wykorzystywania AI do zwiększania wartości dla klientów. Zasubskrybuj jej newsletter na Substacku, Real Talk with CS Impact, aby otrzymywać praktyczne podręczniki działań i ramy postępowania. Śledź ją również na Instagramie.

Więcej wywiadów z ekspertami już wkrótce na The CX Lead!