Ledare inom kundframgång delar vad AI kan (och inte kan) åtgärda inom kundframgång

Andrea Bumstead är grundare och vd för CS Impact, en konsultbyrå inom kundframgång som hjälper B2B SaaS-företag att omvandla kundframgång till en intäktsmotor. Med över 15 års erfarenhet och dokumenterade resultat av att skala organisationer från 15 miljoner till över 3 miljarder dollar i ARR har hon lett flera globala omställningar inom kundframgång på företag som Quest, Procore och One Identity.

Vi satte oss ner med Andrea för att ta reda på hur hon använder AI för att förbättra kundupplevelsen. Så här beskrev hon det.

Att omvandla kundframgång till en intäktsmotor

Jag är grundare och vd för CS Impact, en konsultbyrå som erbjuder deltidsbaserat ledarskap och strategisk rådgivning till B2B SaaS-företag med 50–150 miljoner dollar i ARR.

Vi omvandlar kundframgång till en intäktsmotor som driver in miljonbelopp genom expansion och bibehållande.

Varför AI är ett tveeggat svärd inom CX

Integreringen av AI i CX har gett betydande vinster, men har också synliggjort vissa verkliga utmaningar.

Här är fördelarna:

• Betydande tidsbesparingar: AI har minskat det manuella arbetet med förberedelser, uppföljningar, CRM-uppdateringar och rapportering. I många fall har jag sett CSM:er spara 1–2 timmar per dag, som de kan lägga på kundnära arbete i stället.
• Starkare och snabbare kundinsikter: Verktyg som Claude, Gainsight, Gong AI och andra synliggör realtidssignaler – exempelvis risk för kundbortfall, expansionsmöjligheter och förändringar i kundhälsan – som tidigare tog timmar (eller dagar) att upptäcka.
• Förbättrad konsekvens och skalbarhet: AI hjälper till att standardisera sådant som framgångsplaner, QBR:er och kontosammanfattningar, vilket är avgörande när team skalas upp eller när olika segment ska stödjas.
• Mer proaktiva CX-insatser: I stället för att reagera för sent kan team agera tidigare utifrån AI-drivna signaler – oavsett om det handlar om riskreducering eller expansionsinsatser.

Men det finns även nackdelar:

• Problemet med signaler kontra brus: Alla AI-genererade insikter går inte att agera på. Team kan överväldigas av aviseringar som saknar sammanhang eller prioritering.
• Överdrivet beroende av automatisering: Vissa team förlitar sig alltför mycket på AI-genererat innehåll (QBR:er, e-postmeddelanden), vilket kan leda till generiska kundinteraktioner med låg effekt.
• Beroende av datakvalitet: AI är bara så bra som de data som ligger bakom. Om CRM- eller produktdata är ofullständiga eller felaktiga förlorar resultaten snabbt sin trovärdighet.
• Förlust av kritiskt tänkande: Det finns en risk att CSM:er slutar tänka strategiskt och förlitar sig på AI-rekommendationer i stället för att använda sitt eget omdöme.

Varför bra data är avgörande för bra AI-resultat

Här är vad alla CX-ledare behöver veta: Bra data är allt.

Jag har arbetat med CS-organisationer som har investerat i utmärkta AI-verktyg, men deras underliggande data var rörig eller ofullständig. Det begränsade helt det värde de fick ut av verktygen.

En kund hade inte konfigurerat korrekta kontohierarkier i Salesforce. De hade till exempel 15 separata konton med samma namn som tillhörde samma kund – men de var inte sammankopplade. När de lade AI ovanpå detta genererade systemet insikter på individuella kontonivåer, men kunde inte ge en helhetsbild av kundrelationen.

Så i stället för bättre insikter fick de fragmenterade och ibland missvisande signaler.

Det är värt att investera tid i att samla in bra data och rensa dålig data!

Hur AI och mänskliga uppgifter bör fördelas inom CX

Min syn på AI kontra människor inom kundupplevelse är att AI bör hantera skala, signaler och snabbhet. Människor bör hantera förtroende, omdöme och förändring.

AI är som mest kraftfullt i uppgifter som är datatunga, repetitiva eller tidskrävande:

• Administrativt arbete: Förberedelser inför samtal, kontosammanfattningar, efterforskning om intressenter och uppföljningar efter samtal – inklusive anteckningar, nästa steg och uppdateringar i CRM-system (Salesforce, Gainsight)
• Innehålls- och materialgenerering: Framgångsplaner, QBR:er, kontoplaner, analyser av outnyttjade möjligheter och kundkommunikation
• Insiktsgenerering: Identifiering av konton i riskzonen (minskad användning, förlorade förespråkare, M&A-aktivitet), expansionsmöjligheter och trender i produktfeedback
• Vägledning i stor skala: Ta fram rätt risk- eller expansionshandlingsplan vid rätt tidpunkt
• Digital kundupplevelse: Meddelanden i appar, introduktionsflöden, kunskapsbaser och supportinnehåll

Människor är avgörande överallt där sammanhang, förtroende och nyanser spelar roll:

• Kundsamtal och relationsbyggande: Särskilt med beslutsfattare på ledningsnivå
• Behovsanalys och problemformulering: Att förstå inte bara vad som händer, utan varför
• Att läsa mellan raderna: Att uppfatta känslor, risksignaler och det som inte sägs
• Rådgivning: Att hjälpa kunder att fatta beslut och skapa verkliga affärsresultat
• Ögonblick som bygger förtroende: Möten med ledningen, middagar ansikte mot ansikte, evenemang och interaktioner med stor påverkan

Så leder automatiserade QBR:er till meningsfulla kundsamtal

Andrea delar med sig

Vi har hjälpt företag att automatisera genom att använda AI för att samla in data och insikter, integrera dem i ett repeterbart format och optimera leveransen för presentationer på plats eller elektroniska presentationer…Som ett resultat kan dessa företag ha mer meningsfulla samtal med fler kunder – och leverera större värde.

Jag nämnde QBR:er – vi skapade QBR:en på 15 minuter. Den omfattar:

1. Det värde kunden har fått hittills
2. Hur de kan få ännu mer värde
3. Tre rekommendationer för nästa steg

Vi har hjälpt företag att automatisera detta genom att använda AI för att samla in data och insikter, integrera dem i ett repeterbart format och optimera leveransen för presentationer på plats eller elektroniska presentationer. När det gäller verktyg samlar vi in data från Salesforce, Gong och Gainsight för att automatiskt generera QBR-presentationer med hjälp av Claude.

Som ett resultat kan dessa företag ha mer meningsfulla samtal med fler kunder – och leverera större värde.

Innan QBR:en på 15 minuter implementeras rekommenderar jag att CS-ledare fokuserar på fem kritiska grunder:

1. Få klarhet i vilka problem ni löser: Identifiera de 2–3 viktigaste affärsproblemen som er produkt löser – detta blir utgångspunkten för varje kundsamtal.
2. Definiera mål och framgångsmått: Enas om KPI:er kopplade till värderealisering så att ni tydligt kan mäta och kommunicera effekten.
3. Följ kundernas utveckling: Ni behöver insyn i hur varje kund presterar i förhållande till sina mål, inte bara i produktanvändningen.
4. Jämför era främsta kunder: Förstå vad era bästa kunder gör annorlunda så att ni kan synliggöra luckor och möjligheter.
5. Bygg en rekommendationsmotor: Utveckla repeterbara rekommendationer med stor effekt som hjälper kunderna att frigöra mer värde.

Därefter rekommenderar jag ett enkelt lanseringssätt:

1. Börja i liten skala: Genomför ett pilotprojekt med en fokuserad grupp och förfina arbetssättet.
2. Automatisera där det är möjligt: Använd AI för att hämta data och generera insikter i stor skala.
3. Skala sedan upp: Utöka till fler segment när det har visat sig fungera.
4. Och minst lika viktigt: Ge teamet möjlighet att leverera detta effektivt. Träna dem i att leda med självförtroende, ställa bra kartläggningsfrågor och driva samtalet ur ett rådgivande och värdedrivet perspektiv.

Andrea delar

Börja i liten skala. Automatisera där det är möjligt och skala sedan upp. Och minst lika viktigt: Ge teamet möjlighet att leverera detta effektivt.

Varför AI inte räcker till för QBR:er och innehåll

En utmaning med QBR-arbetsflödet är att AI visserligen är mycket bra på att generera innehåll, men fortfarande har svårt att strukturera det i ett användbart och affärsmässigt format, till exempel en presentation redo för ledningsgruppen.

I praktiken påskyndar AI de första 70 procenten av arbetet, men de sista 30 procenten – som ofta gör innehållet användbart och effektfullt – kräver fortfarande mänsklig bearbetning.

Hur AI förbättrar prognoser inom CX – och vad som fortfarande behövs

Jag har använt Gong för prognoser inom flera organisationer, och verktyget har de starkaste funktionerna jag har sett inom kundframgång.

Det sammanställer signaler från hela kundkontot: kundernas inställning, aktivitetsnivåer och viktiga data från Salesforce, såsom ARR, TCV, affärsstadium, anteckningar och nästa steg.

Det ger CS-ledare en mycket mer heltäckande bild i realtid av kontots hälsa och möjliga utfall.

Processen är dock fortfarande till stor del manuell. CSM:er ansvarar fortfarande för att:

• Hantera kontaktprocessen i Salesforce
• Uppdatera affärsmöjligheternas stadier
• Fatta bedömningar om förnyelser – om ett konto kommer att förbli oförändrat, nedgraderas eller utökas.

Nästa utvecklingssteg är AI-assisterade prognoser. I stället för att börja från noll bör AI:

• Analysera historiska trender
• Inkludera hälsopoäng och produktanvändning
• Hämta signaler från kundsamtal
• Och generera en rekommenderad prognos.

Då skulle CSM:ens roll förändras till att förfina och validera prognosen, snarare än att bygga den från grunden.

Jag ser också en bristande insyn i förändringar över tid. Prognoser bör inte bara vara en ögonblicksbild – de bör tydligt visa förändringar från vecka till vecka och exakt vad som drev förändringen. Blev till exempel ett stort konto plötsligt ett riskkonto? Eller lyckades vi återvinna intäkter som vi tidigare hade flaggat som bortfall?

Den insynen, tillsammans med AI-drivna rekommendationer, skulle inte bara förbättra prognosernas träffsäkerhet utan också göra dem betydligt mer handlingsinriktade, skalbara och anpassade till hur CS-team arbetar.

Varför CX-ledare måste bli bekväma med att misslyckas

Mitt råd är följande: Var inte rädd för att experimentera och prova nya saker. Var inte rädd för att misslyckas.

Testa nya AI-arbetsflöden, gå kurser och vidga dina vyer.

Pavilion har en stark kurs om GTM och AI. Och evenemang från Kollektivet för kundframgång, som deras toppmöten om kundframgång i USA, Storbritannien och APAC, fokuserar på AI-drivna arbetsflöden.

Följ med

Följ Andrea Bumstead på LinkedIn för insikter om hur man omvandlar kundframgång till en intäktsmotor, bygger högpresterande strategier för kundframgång och använder AI för att skapa kundvärde. Prenumerera på hennes Substack, Ärligt talat med CS Impact, för praktiska handlingsplaner och ramverk. Och följ henne på Instagram.

Fler expertintervjuer kommer på CX-ledaren!