Inhoudsopgave
Vorige maand hebben we intern een tweedaagse AI-training gehouden bij Sreski.
Eerlijk gezegd waren er aanvankelijk verschillende meningen binnen het bedrijf. Sommigen vonden dat, gezien onze strakke agenda, twee dagen uittrekken om AI te leren misschien "te idealistisch" was. Anderen maakten zich zorgen dat, hoewel AI momenteel erg populair is, het wellicht niet toepasbaar zou zijn in de praktijk van verkoop en klantinteracties.
Maar na die twee dagen was ieders feedback vrijwel unaniem: het ging er niet om of het nuttig was, maar eerder dat we er voorheen niet achter waren gekomen hoe we het moesten gebruiken.
Wat het verkoopteam echt tegenhoudt, is niet zozeer hun vaardigheden, maar tijdmanagement.
Als je in de B2B-verkoop hebt gewerkt, heb je waarschijnlijk dezelfde ervaring gehad:
Uiteindelijk blijkt de hoeveelheid tijd die daadwerkelijk besteed wordt aan "klantbesluitvorming" en "het afhandelen van opdrachten" verrassend beperkt te zijn.
De meeste tijd wordt verdeeld over deze taken:
- Het herhaaldelijk aanpassen van de toon en formulering van e-mails.
- Klantgegevens opzoeken in meerdere systemen.
- Halverwege het lezen van de productdocumentatie onderbroken worden
- Ik ontvang veel aanvragen, maar vind het lastig om ze snel te prioriteren.
Afzonderlijk genomen zijn deze taken niet ingewikkeld, maar wanneer ze zich opstapelen, verstoren ze volledig het dagritme.
Tijdens onze evaluatie na de training kwamen we tot een vrij eenvoudige conclusie:
Het probleem is niet de lage efficiëntie, maar de lage informatiedichtheid bij de verwerking.
Het echte verschil van AI zit hem niet in het "vervangen van werk", maar in het verlichten van de werkdruk.
Tijdens de training lag de focus niet op theoretische concepten, maar op concrete praktijkvoorbeelden uit het bedrijfsleven.
Neem bijvoorbeeld e-mails in meerdere talen.
Voorheen was de standaardprocedure bij het schrijven van een e-mail in het Duits of Spaans door zakelijke collega's als volgt: concept in het Chinees → vertalen → toon aanpassen → technische terminologie controleren.
Het was gebruikelijk om heen en weer te mailen met revisies, en het beantwoorden van één e-mail duurde vaak 30 tot 40 minuten.
Later zijn we overgestapt op een andere aanpak, waarbij we AI direct lieten deelnemen aan het "genereren van de eerste versie".
Een opvallend voordeel was niet zozeer dat het "sneller" ging, maar eerder dat we niet langer hoefden te piekeren over de formulering.
De meest voorkomende reactie van collega's was: "Eindelijk hoef ik niet meer urenlang naar één zin te staren en erover na te denken."
De feedback van klanten was ook vrij direct; sommigen reageerden zelfs specifiek met de opmerking: "Deze reactie was professioneler en sneller dan voorheen."
Deze verandering lijkt misschien niet ingrijpend, maar voor internationale handels- of overzeese B2B-teams is het in werkelijkheid behoorlijk significant.
De tweede verandering betrof de "verwerking van klantgegevens".
In de B2B-sector zijn de meest arbeidsintensieve taken vaak die taken die ogenschijnlijk slechts een kwestie van "een beetje organiseren" lijken.
Bijvoorbeeld:
- Prioriteren van een reeks aanvragen
- Het aanvullen van ontbrekende achtergrondinformatie over klanten.
- Technische specificaties van verschillende versies vergelijken
- Het categoriseren van feedback na de verkoop op basis van het type probleem.
Deze taken zijn niet moeilijk, maar ze kosten wel veel tijd en zijn foutgevoelig.
Tijdens de training hebben we een experiment uitgevoerd:
We hebben een reeks echte vragen en tientallen pagina's productdocumentatie rechtstreeks aan de AI gevoerd en het team een verwerkingsworkflow laten ontwerpen.
Een duidelijk resultaat was dat:
Het ordenen van content waarvoor voorheen een halve dag nodig was, kan nu in iets meer dan tien minuten worden omgezet in een bruikbare versie, waaronder:
- Welke klanten verdienen prioriteit?
- Welke verzoeken brengen potentiële risico's met zich mee?
- Welke informatie ontbreekt duidelijk?
Dit betekent natuurlijk niet dat de AI direct "beslissingen neemt"; het organiseert eerst de voorheen verspreide informatie in een gestructureerd formaat, waarna mensen het uiteindelijke oordeel vellen.
Dit onderscheid is in de dagelijkse praktijk erg belangrijk:
AI neemt geen beslissingen voor je, maar verkort de tijd die je besteedt aan het zoeken naar informatie.
De derde verandering is nog interessanter: iedereen begon zijn eigen werkprocessen te ontwikkelen.
Op de laatste trainingsdag vroegen we iedereen om een relatief open taak uit te voeren:
Identificeer de drie meest terugkerende taken in hun dagelijkse routine en bedenk hoe je deze met behulp van AI aan elkaar kunt koppelen.
Er waren geen programmeervereisten en er waren ook geen vaste antwoorden.
De resultaten waren behoorlijk interessant:
Eén persoon combineerde concurrentieonderzoek, het schrijven van wekelijkse rapporten en interne rapportages in één workflow. Wat voorheen meerdere uren per week in beslag nam, kan nu in ongeveer een half uur worden afgerond.
Anderen ontwikkelden een ‘nieuw onboardingproces voor klanten’, dat het volgende omvatte:
- Automatisch organiseren van de bedrijfsachtergrond
- De belangrijkste communicatiepunten eruit halen
- Het opstellen van gespreksonderwerpen voor de eerste bijeenkomst.
Het verkoopteam merkte op dat de meest opvallende verandering niet de snelheid was, maar eerder dat "er niets meer over het hoofd wordt gezien".
Dit punt is eigenlijk van cruciaal belang:
Veel efficiëntieproblemen komen niet voort uit traagheid, maar uit inconsistentie.
De veranderingen waren niet zo dramatisch als we hadden verwacht, maar ze waren wel gestaag.
Na de training hebben we een eenvoudige vergelijking gemaakt over een periode van één maand:
- De verwerkingstijd van e-mails is aanzienlijk gedaald (naar schatting met ongeveer 60%).
- Het screenen van aanvragen ging sneller.
- De tijd die besteed werd aan het handmatig ordenen van informatie nam af.
- Het foutenpercentage daalde ook licht.
Maar nog opvallender dan deze cijfers was de verandering in onze manier van werken.
Vroeger hanteerde iedereen de aanpak: "eerst taken afhandelen, dan pas informatie zoeken."
Nu gaat het er meer om "het systeem eerst de informatie te laten ordenen en daarna de taak af te handelen".
Deze verschuiving in volgorde is subtiel, maar de impact ervan is aanzienlijk.
Een punt dat gemakkelijk over het hoofd wordt gezien: AI zorgt niet alleen voor meer efficiëntie, het verandert ook de structuur van het werk.
We hebben later intern een probleem besproken:
Als we ons uitsluitend richten op efficiëntiewinsten, is het gemakkelijk de impact van AI te onderschatten.
De belangrijkste veranderingen zijn in feite:
- Mensen besteden hun tijd tegenwoordig voornamelijk aan 'oordelen' en 'communicatie'.
- De "organisatie" en "repetitieve taken" worden geleidelijk aan verminderd.
- De mate waarin het team afhankelijk is van informatie is veranderd.
Met andere woorden, het is niet zo dat een specifieke taak sneller is geworden, maar dat de focus van het werk is verschoven.
Conclusie: AI is geen kwestie van tools, maar van processen.
Veel bedrijven praten tegenwoordig over AI, maar als het op de daadwerkelijke implementatie aankomt, lopen ze vaak vast op één punt:
Het gaat er niet om "of we het moeten gebruiken", maar "hoe we het moeten integreren".
Onze ervaring was dit keer vrij eenvoudig:
Als AI slechts een op zichzelf staand hulpmiddel is, is de waarde ervan beperkt;
Maar als het in processen wordt geïntegreerd, zal het geleidelijk de manier waarop teams werken veranderen.
Dit was tevens de meest concrete conclusie van Sresky's trainingssessie.