AI-agents zonder strategie?
Het begon veelbelovend. Een van je accountmanagers liet zien hoe een AI-assistent in een paar minuten een offertetekst schreef voor een leiderschapsprogramma. Binnen een maand had de helft van het team een eigen account, een eigen set prompts en een eigen manier van werken.
Een halfjaar later is het enthousiasme bekoeld. De teksten lezen vlot, maar zijn inwisselbaar. Een voorstel voor een zorginstelling lijkt sterk op een voorstel voor een ingenieursbureau. Klanten reageren er niet anders op dan voorheen, en je senior consultants herschrijven een groot deel alsnog zelf. In de wandelgangen hoor je de conclusie al: "AI is leuk, maar het levert ons weinig op."
Dat verhaal horen wij vaak bij opleidings- en HR-dienstverleners. De oorzaak ligt zelden bij de tool. Een AI-agent kan alleen versterken wat er al ligt. Is er geen scherp beeld van wie je klant is, wat die belangrijk vindt en waarom jullie aanpak voor hem verschil maakt, dan krijg je precies dat terug: algemene tekst over algemene voordelen.
Welke laag raakt dit? Technologie, maar niet alleen
Wij kijken naar commerciële groei vanuit vier lagen: Mens, Structuur, Inhoud en Technologie. AI-experimenten horen bij de laag Technologie. Wat we in de praktijk zien: technologie wordt als eerste laag ingezet, terwijl hij pas goed werkt als de andere lagen staan.
Een AI-agent is een AI-toepassing die zelfstandig taken uitvoert, zoals het opstellen van een conceptofferte of het samenvatten van klantinformatie voor een gesprek. Zo'n agent heeft input nodig. Die input komt uit de andere drie lagen:
Structuur: de koopreis van je klant en de vaste stappen in jullie verkoopproces.
Inhoud: de waardeproposities per klantsituatie.
Mens: het vakmanschap van je consultants, die de output beoordelen en aanscherpen.
Ontbreekt die basis, dan automatiseer je vooral middelmatigheid. Sneller, dat wel.
De methodiek: Value-Based Selling als brandstof voor je AI
De vraag is dus niet welke tool je kiest, maar waarmee je hem voedt. Daarvoor gebruiken wij Value-Based Selling. Dat is een manier van verkopen waarin je niet je product centraal zet, maar de waarde die het voor deze specifieke klant oplevert: wat verandert er in zijn organisatie, en wat is dat hem waard?
Een praktisch hulpmiddel binnen Value-Based Selling is de FBV-opbouw: Feature, Benefit, Value.
Feature: wat het is. "Een leiderschapsprogramma van zes modules met coaching on the job."
Benefit: wat het de deelnemer oplevert. "Nieuwe leidinggevenden passen wat ze leren direct toe in hun eigen team."
Value: wat het de organisatie oplevert, in de taal van de beslisser. "Minder verloop van talent in het eerste jaar na een promotie."
Generieke AI-content blijft bijna altijd hangen op feature en benefit. Dat is logisch: die informatie staat in je brochure en op je website. De value-laag staat nergens, tenzij je hem zelf vastlegt. En die value verschilt per sector en per rol in de DMU. DMU staat voor Decision Making Unit: de groep mensen die samen over een aankoop beslist. Een HR-directeur zoekt iets anders dan een L&D-adviseur of een financieel directeur.
Leg je die FBV-proposities per sector en per vraagstuk vast, dan heb je iets waar een AI-agent echt mee kan werken. De output wordt specifieker, omdat de input specifiek is. En je consultants herkennen hun eigen vakmanschap in wat eruit komt, waardoor ze de tool ook gaan gebruiken.
Drie vragen voordat je je volgende AI-experiment start
Kun je voor je drie belangrijkste klantsectoren in één zin uitleggen welke waarde jullie aanpak daar oplevert? Lukt dat niet zonder te zoeken, dan weet je AI-agent het ook niet.
Welke stap in jullie verkoopproces kost nu de meeste tijd, en werkt iedereen in die stap op dezelfde manier? AI werkt het best op stappen die al gestructureerd zijn, zoals gespreksvoorbereiding of de opbouw van een offerte. Een stap die iedereen anders doet, valt lastig te automatiseren.
Wie in je team beoordeelt of de AI-output goed genoeg is, en op basis van welke criteria? Zonder gedeelde maatstaf blijft kwaliteit een kwestie van smaak, en wordt elke tekst opnieuw herschreven.
Beantwoord je één of meer van deze vragen met "dat weten we eigenlijk niet"? Dan zit de winst eerder in de lagen Inhoud en Structuur dan in een nieuwe tool.
Hoe dit er in de praktijk uitziet
Op dit moment begeleiden wij het Commerciële Team van GITP bij het opzetten van een AI-gedreven, schaalbare verkooporganisatie. Technologie is daarin één van de vier lagen, geen startpunt op zichzelf.
Dat technologie pas rendeert op een stevige basis, zagen we ook bij DudeSquare, een softwareontwikkelaar uit Haarlem. Met hun systeem Tijdvooreensite hadden ze een goed product in handen, maar nog geen antwoord op de vraag hoe ze het moesten verkopen. De aanpak begon met een analyse van de waardepropositie en de groeikansen. Op basis daarvan ontwikkelden we samen een SaaS-waardepropositie en een end-to-end koopreis, implementeerden we een CRM, zetten we leadgeneratiecampagnes op en trainden we medewerkers op de nieuwe systemen en hun verkoopvaardigheden. Het resultaat: een continue stroom binnenkomende leads, meer controle op en inzicht in de verkoopactiviteiten, en aanzienlijk meer klanten. Technologie speelde daarin een rol, maar wel bovenop een heldere propositie en koopreis.
Begin bij de basis
AI kan je salesteam werk uit handen nemen, maar alleen als het weet wat goed werk is. Begin daarom niet bij de vraag welke tool je nodig hebt, maar bij de vraag welke waarde jullie voor welke klant leveren. Leg dat vast, en geef je AI-agent daarna pas een taak.
Benieuwd hoe dit voor jullie team zou werken? Plan hier een kennismaking.