Autonoomsed müügivihjete kvalifitseerimise ja suunamise agendid CRM-is

Uus tehisintellekti agentide klass suudab kaasaegsetes kliendisuhete haldussüsteemides (CRM) iseseisvalt töödelda ja kvalifitseerida sissetulevaid müügivihjeid. Selle asemel, et müügiesindajad peaksid iga päringu läbi töötama, saab tehisintellekti agent sisestada sissetulevaid müügivihjeid, rikastada nende profiile kolmanda osapoole andmetega, hinnata nende ostutõenäosust, rakendada diskvalifitseerimisreegleid ja automaatselt suunata kvalifitseeritud potentsiaalsed kliendid õigele müügiesindajale või hooldusseeria juurde. Need agendid integreeruvad teie CRM-i ja tööriistadega, käsitledes rutiinseid ülesandeid, nagu profiilide otsing ja ajastamine, et inimestest müüjad saaksid keskenduda parimatele võimalustele. Näiteks pakub Microsofti Dynamics 365 Sales „Müügivihjete kvalifitseerimise agenti“, mis uurib uusi müügivihjeid ja isegi suhtleb nendega e-posti või vestluse kaudu, andes edasi vaid need müügivihjed, mis näitavad tugevat ostukavatsust (learn.microsoft.com) (learn.microsoft.com). See lähenemine ühendab kiire automatiseerimise inimliku järelevalvega – tehisintellekt sorteerib ja suhtleb müügivihjetega, kuid müüjad teevad siiski lõplikud otsused kõrge prioriteediga potentsiaalsete klientide osas.

Tehisintellekti kvalifitseerimisagendi põhivõimalused

Autonoomne müügivihjete kvalifitseerimise agent täidab mitmeid seotud ülesandeid:

• Müügivihjete vastuvõtmine: Agent tõmbab uued kontaktid veebivormidelt, vestlusvidinatest, e-posti kampaaniatest või sündmuste nimekirjadest automaatselt CRM-i. See suudab koguda üksikasju (nimi, ettevõte, päringuandmed) ja isegi töödelda struktureerimata andmeid (vabavormilisi sõnumeid), et luua või uuendada müügivihje kirjet. Veebikonksude või API-de integreerimine võimaldab tal reaalajas kinni püüda iga sissetuleva päringu.

• Profiili rikastamine: Kasutades andmete rikastamise API-sid (nt Clearbit, ZoomInfo, LinkedIn API), täidab agent müügivihje profiili puuduvad väljad. Näiteks saab see e-posti domeeni põhjal otsida ettevõtte suurust, valdkonda, juhtkonna nimesid või sotsiaalprofiile. See rikkalik kontekst (firmograafika, tehnograafika) aitab tehisintellektil müügivihjet täpsemalt hinnata. Juhtivad tehisintellekti CRM-id automatiseerivad seda: Attio AI Attributes mootor näiteks rikastab ja hindab samaaegselt müügivihjeid, analüüsides ettevõtte suurust, e-posti tegevust, kalendrikutseid ja palju muud (www.techradar.com).

• Kavatsuste hindamine: Agent hindab müügivihje huvitaset ehk ostukavatsust. Kasutades reegleid või masinõppemudeleid, analüüsib see andmepunkte nagu allikas (nt veebiseminar vs. uudiskiri), veebisaidi käitumine, vormivastused või isegi sõnumi sentiment. Ennustavad mudelid (nagu Salesforce Einstein või Zoho Zia) annavad igale müügivihjele müügivihje skoori, mis näitab, kui tõenäoline on konverteerimine (www.techradar.com). Tehisintellekt võib esitada ka avastamisküsimusi vestluse või e-posti teel ja kasutada loomuliku keele töötlemist, et hinnata kiirust. B2B-s saab see lennult rakendada standardseid raamistikke (BANT/MEDDIC); B2C-s võib see tuvastada olulisi ostusignaale (nt hinnapäringud või proovisõidusoovid).

• Diskvalifitseerimise kontrollid: Süsteem filtreerib välja müügivihjed, mis jäävad ilmselgelt teie sihtrühmast välja või rikuvad poliitikaid. Näiteks saab see müügivihje automaatselt diskvalifitseerida, kui ettevõte on konkurent, kui eelarvekriteeriumid ei täitu või kui kohalikud seadused keelavad kontakti. Rakendatakse ka privaatsus- ja vastavusfiltreid – näiteks kontrollitakse keelatud kõnede nimekirju või GDPR-i märgistusi. Microsofti agendis eemaldatakse automaatselt müügivihjed, mis ei vasta kriteeriumidele või millel puudub kavatsus, tagades, et müügimeeskond tegeleb ainult suure potentsiaaliga võimalustega (learn.microsoft.com).

• Suunamine ja järjestamine: Kvalifitseeritud müügivihjed määratakse õigele müügiesindajale, meeskonnale või automaatsele järeltegevuse jadale. Marsruute saab seadistada geograafia, tootesarja, tehingu suuruse või müügiesindaja kättesaadavuse järgi. Näiteks võib suure ettevõtte kuum sissetulev müügivihje minna otse ettevõtte müügijuhile, samal ajal kui väiksemad müügivihjed toidavad automatiseeritud hooldus-e-kirjade töövoogu. Agent saab uuendada CRM-i müügivihje omanikku ja isegi teavitada esindajaid e-posti või Slacki kaudu. Kui müügivihje broneerib koosoleku (vt allpool), sünkroonib agent selle esindaja kalendrisse. Mõned süsteemid kasutavad ringjaotust või töökoormuse tasakaalustamist, et jaotada müügivihjed ühtlaselt, vältides kitsaskohti.

• Kalendrite ja koosolekute seadistamine: Kui müügivihje väljendab huvi, saab agent ajastamist kiirendada. See võib pakkuda koosolekuaegu selliste tööriistade kaudu nagu Calendly või Microsoft Bookings või isegi saata kalendrikutseid ise. Näiteks võib kindlustusagendi tehisintellekt saata potentsiaalsele kliendile sõnumi: „Olen vaba kolmapäeval kell 15.00 või neljapäeval kell 11.00 – kumb teile sobib?“ ja seejärel koosoleku automaatselt broneerida. Integreerimine Google/Outlooki kalendriga tagab, et topeltbroneeringuid ei teki. See vähendab „tühja õhu“ aega ja võimaldab esindajatel müügivihjetega kiiremini rääkida.

Need seotud võimalused muudavad CRM-i aktiivseks müügitoru halduriks, mitte lihtsalt passiivseks andmebaasiks. Selle asemel, et jätta müügivihjed „CRM-is tegevusetuks“, tagab tehisintellekti agent, et iga päring töödeldakse täielikult minimaalse viivitusega. Nagu Microsoft märgib, vabastab see müüjad „müügivihjeid kiiremini ja tõhusamalt kvalifitseerima“, prioritiseerides nende suhtlust kõige kuumimate müügivihjetega (learn.microsoft.com) (learn.microsoft.com).

Integratsioonid CRM-i ja API-dega

Autonoomsed agendid tuginevad mitme süsteemi ühendamisele:

• CRM-i integratsioon: Agent ühendub teie CRM-platvormiga (Salesforce, HubSpot, Dynamics jne) API või sisseehitatud konnektorite kaudu. See jälgib sissetulevaid kirjeid (uued müügivihjed, kontaktivormid jne) ja kirjutab tagasi kvalifitseerimise oleku, hinded ja omaniku määramised. Näiteks Salesforce Einstein ja Freshworks Freddy peatuvad skoorimisel CRM-i armatuurlaudades (www.techradar.com), kuid väline agent saab kasutada CRM-i API-t ülesannete loomiseks või väljade värskendamiseks. Head lahendused logivad iga toimingu CRM-i auditi jaoks.

• Rikastamise API-d: Profiilide rikastamiseks kutsub agent väliseid andmeteenuseid. Clearbit, ZoomInfo, Lusha või ZoomInfo Enrich saavad tagastada firmograafilisi ja kontaktandmeid. Demokontosid või töödokumente saab valideerida. Need API-kutsed toimuvad ka kulisside taga – näiteks ZoomInfol on API, mis leiab ettevõtte andmed e-posti domeeni järgi. Agent võib aeglased rikastamised järjekorda panna või teha neid tellimuse alusel prioriseeritud müügivihjete puhul. Ideaalis täidetakse automaatselt kümned väljad (ametinimetus, ettevõtte tulu, tehnoloogiastack), et anda otsustusmudelile piisavalt signaali.

• Kalendri/e-posti süsteemid: Integratsioon ajastamise tööriistadega on võtmetähtsusega. Agendid ühenduvad sageli Google'i või Microsoft Exchange'i kalendritega API kaudu või kasutavad ajastamisplatvorme (Calendly, Chili Piper). Kui müügivihje nõustub kohtumisega, kirjutab agent kalendrisündmuse esindaja kalendrisse. Väljaminevate sõnumite edastamiseks võib tehisintellekt kasutada ettevõtte SMTP/posti süsteemi mallipõhiste või tehisintellekti loodud e-kirjade saatmiseks. See võiks ka logida e-kirjade avamisi ja vastuseid (CRM-i või kolmandate osapoolte jälgijate kaudu), et tuvastada kaasatust.

• Sõnumside- ja ülesannete tööriistad: Reaalajas märguannete ja koordineerimise jaoks saavad agendid saata teavitusi Slacki, Microsoft Teamsi või SMS-i kaudu. Näiteks võib agent @mainida esindajat Slackis uue müügivihje kokkuvõttega, kui sissetulev müügivihje on kvalifitseeritud. Ka ülesannete haldamise tööriistu (Asana, Trello) saab värskendada. See tagab, et ükski müügivihje ei jää CRM-i tähelepanematuse tõttu kahe silma vahele.

• Haldamine ja ärireeglid: Agendid järgivad ettevõtte poolt määratletud eelseadistatud reegleid. Need hõlmavad, milliseid müügivihjeid vastu võtta (ettevõtte minimaalne suurus, geograafia), kuidas kavatsusi tõlgendada ja heakskiidu töövooge. Näiteks võib ettevõte nõuda, et suurte tehingute puhul saaks iga müügivihje juhtkonna heakskiidu enne määramist. Või võib agent olla konfigureeritud edastama ebatavalised juhtumid inimliku järelevalve kanali kaudu. Kõik toimingud tuleks logida vastavuse tagamiseks. Massachusettsi peaprokuröri sõnul peavad tehisintellektisüsteemid ikkagi järgima kehtivaid tarbijakaitse, õigluse ja mittediskrimineerimise reegleid (apnews.com) (apnews.com), seega peaksid agendid olema läbipaistvad selle suhtes, miks müügivihje kvalifitseeriti või diskvalifitseeriti, ja vältima läbipaistmatuid „musta kasti“ tagasilükkamisi.

Jõudluse mõõtmine

Mõõdikud on kriitilise tähtsusega tagamaks, et agent lisab väärtust. Peamised näitajad on järgmised:

• Kiirus müügivihje juurde: See on aeg müügivihje saabumisest esimese müügisuhtluseni. Kiiremad vastused suurendavad märkimisväärselt konversiooni. Klassikaline uuring leidis, et uuele B2B müügivihjele ühe minuti jooksul helistamine suurendas konversioonimäära peaaegu 4 korda võrreldes aeglasemate vastustega (www.marketingcharts.com). Teine analüüs näitas, et 5 sekundi jooksul ühenduse võtmine andis 30% kõrgema kvalifitseerimismäära kui keskmine, samas kui isegi 1–2-minutiline viivitus vähendas seda eelist järsult (www.marketingcharts.com). Praktikas, kui teie agent võtab kuumade müügivihjetega ühendust sekundite jooksul (kiir-e-posti või vestlussõnumi kaudu), on need müügivihjed palju tõenäolisemalt kaasatud ja konverteeruvad kui siis, kui esindajad teeksid seda tunde hiljem. Kiirus müügivihje juurde on seega nende süsteemide jaoks peamine KPI.

• Konversioon võimaluseks (tehinguks) määr: See mõõdab, milline osa müügivihjetest muutub müügivõimalusteks või tehinguteks. See näitab, kas tehisintellekt filtreerib õigesti välja suure potentsiaaliga müügivihjed. Näiteks hästi kalibreeritud kvalifitseerimine võib anda B2B-s 5–15% müügivihje-võimaluse määra. (Sissetulevate müügivihjete konversioon võimaluseks jääb sageli madalale kahekohalisele arvule (www.cubeo.ai).) Selle jälgimine näitab, kas tehisintellekt on liiga range või liiga leebe. Kui konversioon on liiga madal, võivad kriteeriumid olla liiga ranged; kui müügivihjed ujutavad müügi üle ilma tulemusteta, võivad kriteeriumid olla liiga leebed.

• Suunamise täpsus: See on müügivihjete osakaal, mis määratakse esimesel katsel õigele esindajale/meeskonnale. Suur täpsus (nt üle 95%) tähendab, et reeglid (territoorium, ekspertiis jne) on hästi paika pandud. Kui paljud müügivihjed vajavad pärast esindaja tagasilükkamist ümbermääramist, võib suunamise loogika vajada kohandamist. Mõned süsteemid mõõdavad ümbermääramiste või esindajate vaidluste arvu suunamise täpsuse indikaatorina. Regulaarsed auditid või esindajate tagasiside (vt allpool) näitavad samuti ebakõlasid.

• Müügiesindajate rahulolu: Kuigi subjektiivne, on see oluline. Esindajad peaksid tundma, et tehisintellekt aitab, mitte ei spämmi neid. Rahulolu saab mõõta uuringutega (nt müügivihjete jaotussüsteemi Net Promoter Score) või käitumuslike vihjetega. Näiteks kui esindajad sageli tühistavad või ignoreerivad tehisintellekti poolt kvalifitseeritud müügivihjeid, annab see märku usaldamatusest. Eesmärkide hulka võivad kuuluda „<10% esindajate poolt tagasi lükatud kvalifitseeritud müügivihjetest“ või sarnased. Jaotuse õiglus (ühtlane töökoormus esindajate vahel) mõjutab samuti moraali. Akadeemilised uuringud näitavad, et töökoormuse õigluse tajumine mõjutab müüjate rahulolu (ja tulemuslikkust) (www.tandfonline.com). Seega on oluline, et agent jaotaks müügivihjeid õiglaselt või lisaks reeglid kvootide tasakaalustamiseks.

• Äritulemused: Lõppkokkuvõttes saab jälgida laiemat KPI-d, nagu võimaluste võidumäär, tehingu suurus või müügitsükli pikkus, et näha, kas üldine müügitoru efektiivsus paraneb pärast tehisintellekti agendi kasutuselevõttu. Hästi toimiv agent peaks suurendama koosolekuteks ja tehinguteks muutuvate müügivihjete protsenti, isegi kui töödeldud müügivihjete koguarv on väiksem (kuna diskvalifitseeritud rämps filtreeritakse välja).

B2B vs B2C mustrid

B2B kontekst: Äridevahelises (B2B) keskkonnas esindavad müügivihjed sageli ettevõtteid või otsustajaid. Ostuprotsess on pikem ja suurema väärtusega. Tehisintellekti agent võib integreeruda nii turundusautomaatika (sissetulevate kampaaniate jaoks) kui ka müügipersonali automatiseerimisega. See võib käsitleda mitut müügivihjet samalt kontolt, kontrollida firmograafilisi andmeid (ettevõtte suurus, valdkond, tehnoloogiapakk) ja mõista rollide hierarhiaid. B2B agendid rõhutavad sageli ka kontopõhiseid signaale: kui müügivihje registreerub sihtkontolt, võib see kohe saada kõrge skoori. Juhtumi näide: tarkvaraettevõte saaks kasutada agenti sündmustele registreerumiste (veebiseminarid) skannimiseks, registreeruja LinkedIn profiili rikastamiseks, kvalifitseerimiseks ettevõtte aastase korduva tulu (ARR) alusel ja seejärel edastada kuumad müügivihjed kontohaldurile. B2B agendid integreeruvad sageli LinkedIn Sales Navigatori või Data.com-iga sügavamate ettevõtte ülevaadete saamiseks.

B2C kontekst: Tarbijaturgudel tulevad müügivihjed palju suuremalt publikult ja tavaliselt madalama müügihinna punktidega. Siin on kiirus ja maht veelgi olulisemad. Näiteks võib autode müügiesindus, mis kasutab tehisintellekti, koheselt tekstisõnumi saata või helistada igale veebipõhisele müügivihjele ööpäev läbi, esitades mõned kvalifitseerimisküsimused („Mis mudelist te huvitatud olete? Millal saate proovisõitu teha?“) ja seejärel broneerida kohtumise, kui müügivihje on tõeline. Kriteeriumid võivad olla lihtsamad (asukoht, vanus, põhilised finantskontrollid). B2C agendid võivad rohkem tugineda mitmekanalilisele sõnumsidele (SMS, veebilehtede vestlusrobotid, WhatsApp), kuna tarbijad ootavad kiireid vastuseid. Nad integreeruvad sageli ka tarbija krediidi- või vastavus-API-dega taustakontrollide tegemiseks. Näiteks QualifLeads.ai (kindlustusautomaatika startup) väidab, et saadab igale sissetulevale kindlustusotsijale SMS-i 30 sekundi jooksul ja broneerib kohtumisi pärast kvalifitseerimist.

Erinevustest hoolimata on põhitöövoog sarnane. B2C agent võib olla rohkem vestluspõhine (kuna vestluste maht on tohutu), samas kui B2B agent võib keskenduda mitme sidusrühma töövoogudele (nt ettevõtte tegevjuhi ja müügijuhi hoiatamine, kui suur müügivihje saabub). Mõlemad peavad järgima juhtimisreegleid – isegi B2C peab müügivihjeid filtreerima (nt kraapimise või mängude registreerumisi) – ja vastama privaatsusseadustele (GDPR, CCPA), mis kehtivad igas kontekstis (www.techradar.com).

Ehita vs. osta

Organisatsioonid peavad valima valmislahenduse ostmise (või sisseehitatud CRM-funktsioonide kasutamise) ja kohandatud agendi ehitamise vahel.

• Osta: Paljud suured CRM-i müüjad pakuvad nüüd müügivihjete kvalifitseerimise tehisintellekti. Microsofti Dynamics 365 Sales pakub (nagu mainitud) müügivihjete kvalifitseerimise agenti, et müügivihjeid automaatselt kvalifitseerida. Salesforce pakub Einstein Lead Scoring-ut automatiseeritud hindamiseks Sales Cloudis (www.techradar.com). HubSpot CRM-il on tehisintellektil põhinevad e-posti mallid ja rikastamine (HubSpot Breeze). Spetsialiseeritud müüjad nagu Patagon.ai, Luron AI, Reactiv Labs või 11x.ai pakuvad võtmed kätte müügivihjete helistamise/vestlusrobotite agente. Ostmine tähendab kiiremat seadistamist (müüja käsitles tehisintellekti ja integratsiooni) ning kaasa arvatud tuge. Kuid valmis tööriistadel võib paindlikkus puududa. Näiteks üldine tööriist ei pruugi teie unikaalset tootesarja käsitleda või jätta vahele olulise heakskiidu sammu. Litsentsimiskulud võivad olla kõrged ja kohandamine piirduda konfiguratsioonipaneelidega.

• Ehita: Kasutades platvorme nagu GPT-4 (API kaudu) või kohandatud masinõppe töövoogusid, saaks ettevõte arendada oma agendi. See pakub maksimaalset kontrolli ja võimalust kohandada iga reeglit ja andmeallikat. Näiteks saaks meeskond luua mitmeetapilise „agendi töövoo“, kus LLM töötleb müügivihje e-kirju, kutsub esile rikastamise API-sid (Clearbit), kontrollib kohandatud hindamismudelit ja käivitab kalendri API-sid kohtumiste planeerimiseks. Avatud lähtekoodiga tööriistakomplekt (nt Airbyte andmete jaoks, LangChain orkestreerimiseks) muudab selle teostatavaks. Kompromiss: agendi tehisintellekti ehitamine ettevõttesiseselt on keeruline ja ressursimahukas. See nõuab andmeteaduse teadmisi, ranget testimist ning masinõppemudelite ja API-võtmete pidevat hooldust. Selle loomine võib võtta ka kuid.

Hübriidlähenemine on tavaline: kasutada CRM-i sisseehitatud tehisintellekti hindamist ja rikastamist, kuid kohandada suunamise loogikat madala koodiga tööriistadega (Zapier, n8n, Salesforce Flows). Või alustada ostetud CRM+AI-ga ja laiendada seda iteratiivselt kohandatud koodi kirjutamise või uute API-de ühendamisega. Küsimus ehitada vs. osta taandub sageli andmete kontrollile ja domeeni spetsiifikale. Kui teie müügiprotsessil on väga unikaalsed kriteeriumid (nt tugev tehniline kvalifitseerimine), võib kohandamine olla väärt. Vastasel juhul kiirendab standardlahenduse kasutamine väärtuse loomise aega.

Kaitsemeetmed: kallutatus, privaatsus ja haldamine

Müügivihjete otsuste automatiseerimisel on olulised eetilised ja privaatsuse kaitsemeetmed. Ajalooliste andmete põhjal treenitud tehisintellekti mudelid võivad tahtmatult õppida ebasoovitavaid eelarvamusi (nt eelistades müügivihjeid, mis „näevad välja nagu“ varasemad ostjad). Selle leevendamiseks tuleks:

• Audit ja jälgimine: Vaadake regulaarselt üle, milliseid funktsioone või signaale tehisintellekt müügivihjete kvalifitseerimiseks kasutab. Kui see hakkab ebaõiglaselt eelistama üht demograafilist rühma või piirkonda, märkige see. Tehnika, nagu vastufaktiline testimine (nt kaitstud atribuutide eemaldamine ja otsuste muutumise jälgimine), aitab kontrollida õiglust. Tegelikult on reguleerijad hoiatanud, et isegi tahtmatu tehisintellekti kallutatus võib rikkuda mittediskrimineerimise seadusi (apnews.com). Kaasaegsed uuringud (nt ParaBANT mudel) uurivad adaptiivseid meetodeid, mis on spetsiaalselt loodud müügivihjete hindamise algoritmide kallutatusele vastu seismiseks.

• Inimene ahelas: Hoidke inimesi olulistes otsustes kaasatuna. Isegi enamasti autonoomne agent võib nõuda juhtkonna heakskiitu kõrge väärtusega müügivihje diskvalifitseerimiseks. Nagu üks ekspertkokkuvõte märgib, on agendi töövoogud kõige tugevamad siis, kui tehisintellekt tegeleb rutiinsete sammudega ja inimesed vaatavad üle kõige olulisemad otsused (www.techradar.com). Näiteks kui tehisintellekt jätab müügivihje välja, sest see „ei vasta kriteeriumidele“, võib esindaja CRM-is kiire ülevaatusetapi abil seda vajadusel tühistada. See kaitseb tehisintellekti halbade mustrite õppimise eest.

• Selgitatavus ja läbipaistvus: Logige, kuidas tehisintellekt jõudis numbriliste müügivihjete skoorideni. Kui müügivihje küsib: „Miks minuga ühendust ei võetud?“ või vastavuse audit seda nõuab, peaksite suutma loogika (isegi kui see on masinõppemudel, peaksid funktsioonid olema kontrollitavad) jälgida. Mõned tööriistad võimaldavad lisada märkmeid iga auto-tegevuse kohta. Läbipaistvus loob usaldust esindajate ja klientide seas.

• Andmete privaatsus ja vastavus: CRM-i müügivihjed sisaldavad isikuandmeid, seega peavad tehisintellekti agendid järgima privaatsusseadusi. Määrused nagu GDPR (EL) ja CCPA (California) nõuavad juba isikuandmete ranget käitlemist (www.techradar.com). See tähendab:

  • Kasutades ainult seaduslikult kogutud andmeid (nt ärge kraapige lisainfot ilma nõusolekuta).
  • Salvestatud andmete minimeerimine ja kirjete kustutamine vastavalt vajadusele.
  • Andmete turvamine edastamisel ja puhkeolekus (CRM-i müüjad pakuvad krüpteerimist).
  • Juurdepääsu logimine tundlikele andmetele.
  • Kui väljaminev sõnumside on automatiseeritud, järgides loobumisi (nt tellimuse tühistamised, DNC nimekirjad).

  Mõned kaasaegsed CRM-id märgivad isegi teatud väljad „tundlikeks andmeteks“, et blokeerida tehisintellekti juurdepääs. Näiteks HubSpot võimaldab teil märkida väljad, nagu terviseinfo või finantsandmed, tundlikeks, et automatiseerimine neid ei kasutaks (www.hubspot.jp). Teie tehisintellekti agendi tagamine rikastab andmeid ainult avalikest või nõusoleku alusel saadud allikatest on võtmetähtsusega.

• Tarbijakaitseseadused: Lisaks üldistele privaatsusseadustele on mõnes kohas spetsiifilised reeglid. Massachusettsis (ja paljudes USA osariikides) kehtivad olemasolevad tarbijakaitse- ja diskrimineerimisvastased seadused juba tehisintellektile (apnews.com). Müügipoolset tehisintellekti ei saa lihtsalt „metsikuks lasta“ – tehnilised meeskonnad peavad vastavuse dokumenteerima. Näiteks kui müügivihje kvalifitseeritakse vestlusrobotiga suheldes, peaks bot end identifitseerima (mõnes piirkonnas nõuavad sissetungiseadused botide enesetuvastust). Eelseisvad määrused, nagu EL-i tehisintellekti seadus, võivad kehtestada tehisintellekti agentidele täiendavaid läbipaistvuse ja riskikontrolle.

Kokkuvõttes hõlmavad kaitsemeetmed nii tehnilisi meetmeid (jälgimine, privaatsusele orienteeritud disain (www.techradar.com)) kui ka organisatsioonilisi poliitikaid (tehisintellekti ülevaatusnõukogud, müügieetika koolitus). Õigesti rakendatuna võib tehisintellekti kvalifitseerimine olla kiirem ja õiglasem kui käsitsi protsessid; kuid see peab olema integreeritud üldisesse usaldusraamistikku.

Järeldus ja tuleviku suunad

Autonoomsed müügivihjete kvalifitseerimise ja suunamise agendid võivad muuta müügi CRM-i passiivsest andmebaasist proaktiivseks nõudluse genereerimise mootoriks. Iga sissetuleva päringu vastuvõtmise, profiilide rikastamise, kavatsuste hindamise, sobimatute potentsiaalsete klientide diskvalifitseerimise ja ainult parimate müügivihjete suunamisega aitavad need tehisintellekti agendid ettevõtetel kiiremini reageerida ja parandada müügitoru kvaliteeti. Oleme näinud mõõdikuid seda kinnitamas: näiteks sekunditega saavutatud müügivihjele reageerimise kiiruse paranemine võib konversioonimäärasid peaaegu neljakordistada (www.marketingcharts.com). Peamised edunäitajad hõlmavad reageerimisaega, kvalifitseeritud võimaluste konversioonimäärasid, suunamise täpsust ja lõppkokkuvõttes müügitulemusi.

Nii B2B kui ka B2C valdkondades varieeruvad mustrid – kõrge puutepunktiga, kontokesksed protsessid ettevõtete müügis võrreldes suuremahuliste, kiire reageerimise vajadustega tarbijaäris – kuid mõlemad saavad kasu samast põhiagendi arhitektuurist. Praegused turulahendused (Salesforce Einstein, Dynamics 365 Sales Agent, Freshworks Freddy ja nišimängijad nagu Patagon, 11x.ai, Luron) katavad paljud vajadused. Siiski on lünki. Näiteks vähesed pakkumised ühendavad sujuvalt mitmekanalilist suhtlust (e-post/vestlus/hääl) tugeva selgitatavuse ja avatud kohandamisega. Ettevõtjad võiksid luua agendiplatvormi, mis integreerub hõlpsasti mis tahes CRM-iga, toetab inimeste edasikandmise reegleid ja vastavuskontrolle ning pakub läbipaistvaid armatuurlaudu selle kohta, miks iga müügivihje hinnati või eemaldati. Vastutustundlike tehisintellekti põhimõtete sisseviimine esimesest päevast alates – sealhulgas range kallutatuse testimine ja andmete privaatsuse kaitsemeetmed (www.techradar.com) (apnews.com) – eristaks sellist lahendust.

Lähitulevikus ootame rohkem „koodita tehisintellekti agendi“ loojaid, mis võimaldavad müügimeeskondadel määratleda kvalifitseerimise töövoogusid loomuliku keele abil (sarnaselt suurtele tehisintellekti mudelite agentidele). Seni peaksid organisatsioonid hindama, kas osta olemasolev tehisintellektil põhinev CRM-moodul või ehitada kohandatud agent kaasaegsete API-dega. Mõlemal juhul on eesmärk selge: püüda kinni iga müügivihje, raiskamata samal ajal müügiesindaja aega. Õige tehnoloogia ja haldamisega saab autonoomne müügiagent olla esimene reageerija, mis muudab päringud võimalusteks – järjepidevalt ja vastavust tagades.