Miért akad el az AI a magyar KKV-knál?

A technológia a legkisebb probléma

Amikor egy magyar középvállalatnál elakad egy AI-projekt, a beszámoló szinte mindig így hangzik: „kipróbáltuk, de nem hozta, amit vártunk”. A gyakorlatban viszont ritkán a modell teljesített rosszul. Sokkal gyakrabban az történt, hogy a bevezetés olyan folyamatra épült, ami eleve nem működött — az AI pedig csak gyorsabban és láthatóbban csinálta ugyanazt a rosszat.

Ez fontos különbség, mert a két diagnózis ellentétes lépést kíván. Ha a technológia gyenge, várni kell a következő generációra. Ha a folyamat hiányzik, a várakozás semmit nem old meg — jövőre ugyanott leszel, csak egy drágább modellel.

Három akadály jön vissza újra és újra. Egyik sem technológiai.

1. Az alapító naptára a növekedés plafonja

Sok magyar B2B cégnél az új üzlet ajánlásból és az alapító személyes hívásaiból jön. Ez remekül működik addig, amíg a cég kicsi — és pontosan akkor áll le, amikor a legjobban kellene skálázni. A modell nem rossz; egyszerűen van egy kemény felső korlátja, és az egy ember munkaideje.

Az AI ezen önmagában nem segít. Ha nincs kihez delegálni, és nincs leírva, mitől lesz jó egy beszélgetés, akkor az automatizálás csak több rossz megkeresést állít elő gyorsabban. A mennyiség nő, a konverzió romlik, és a végén az a tanulság marad, hogy „a hideg e-mail nálunk nem működik”.

Az egyik ügyfelünknél ezért nem az eszközzel kezdtünk, hanem az ideális ügyfélprofil élesítésével: egy rövid tanácsadási szakaszban tisztáztuk, hol nyer a cég ténylegesen ügyfelet, és hol pazarolja az idejét. Csak ezután jött a lead-kutatás és az automatizált utánkövetés. A havi minősített beszélgetések száma négyről tizenkilencre ment fel — új SDR felvétele nélkül.

2. Mindenki lead, aki felveszi a telefont

A második akadály az, hogy nincs valódi ICP. Ha bárki lead, akkor a prospektálás órákig tartó LinkedIn-keresgélés, a hideg e-mail pedig annyira általános lesz, hogy spamként kezelik — és így is bánnak vele.

Az AI itt élesít, nem helyettesít: az adatvezérelt lead-pontozás akkor ad értéket, ha van mihez mérni. Pontszámot bármire lehet adni; a kérdés az, hogy a pontszám olyan tulajdonságot mér-e, ami tényleg együtt jár a megnyert üzlettel. Ha az ICP nincs meg, a modell a múltbeli véletlent fogja mintázatnak látni.

Erről részletesen a prospektálás és lead-generálás útmutatóban írtunk.

Ez a lépés általában kellemetlen, mert azzal jár, hogy ki kell mondani, kivel nem akarunk dolgozni. Egy szűkülő piacon ez ellentmond az ösztönnek. Enélkül viszont nincs mit automatizálni — csak szórni lehet.

3. A CRM, amit senki nem tölt

A harmadik a legismerősebb: a CRM adattemető. A képviselők utálják tölteni, az adat elévül, és amikor végre kellene valami, kiderül, hogy a megbízható információ három ember fejében van.

Ilyenkor szokott elhangzani, hogy „túl kusza az adatunk az AI-hoz”. A tapasztalatunk ennek pont a fordítottja: az AI gyakran éppen az adattisztításban hozza a leggyorsabb megtérülést, mert a duplikátumok összevonása és az egyeztetés pontosan az a fajta türelmet igénylő mintázatkeresés, amiben a gép jó és az ember rossz.

Egy vendéglátóipari nagykereskedésnél húsz év duplikált ERP-adatából három hét alatt lett egyetlen, megbízható ügyfélkép. Az adatminőség itt nem előfeltétel volt, hanem az első eredmény.

A működési logikáról az AI a CRM-ben útmutató szól — arról, hogyan lesz az adattemetőből a következő lépést javasló rendszer.

Mi a közös bennük

Mindhárom akadály ugyanarra vezethető vissza: a cég olyan folyamatot próbál automatizálni, amit még nem írt le. Az AI nem pótolja a döntést arról, hogy kinek adunk el, mitől jó egy beszélgetés, és hol lakik a tudás. Ezeket a döntéseket felgyorsítja és felnagyítja — mindkét irányban.

Ezért kezdünk mi is mindig rövid felméréssel, nem eszközválasztással; a szolgáltatásainkat is erre a sorrendre építettük. Aki fordítva csinálja, annak az AI-projekt nem megbukik, hanem egyszerűen elhal: bevezetik, két hónapig használják, aztán csendben visszaáll minden.

Van ennek egy emberi rétege is, amit könnyű alábecsülni. Az emberek akkor is elfordulnak egy algoritmustól, ha az bizonyítottan jobb náluk — különösen azután, hogy látták hibázni egyszer. Erről szól az algoritmus-idegenkedés útmutató, és a bevezetési tervben érdemes vele előre számolni, nem utólag csodálkozni rajta.

A gyakori bevezetési hibákról az AI a B2B értékesítésben útmutatóban van bővebb összefoglaló.