De meeste B2B-organisaties bouwen hun AI-capabilities tool voor tool op.
Marketing krijgt AI voor contentcreatie. Sales krijgt geautomatiseerde prospectie en gespreksanalyse. Revenue operations voegt voorspellende scores toe. Customer success experimenteert met modellen die klantverloop voorspellen. CRM-leveranciers voegen copilots en agents toe. Gespecialiseerde leveranciers bouwen daar nog een automatiseringslaag omheen.
Iedere investering kan op zich logisch zijn. Maar samen laten ze een belangrijkere vraag open:
Hoe zou de commerciële organisatie eruitzien als we haar als één systeem ontwerpen?
Die vraag wordt steeds praktischer.
Microsoft heeft inmiddels agents voor leadkwalificatie en het beheren van verkoopkansen. Adobe introduceert agents voor het samenstellen van doelgroepen, buying groups en het regisseren van klantreizen. 6sense stelt inzicht in koopfase en koopintentie direct beschikbaar aan externe AI-agents. Gong ontwikkelt een uitvoeringslaag voor beheerde agents in het hele omzetproces.
Het zijn nog steeds verschillende technologieën met verschillende niveaus van volwassenheid. Maar samen wijzen ze op een andere commerciële architectuur.
Begin met het commerciële proces, niet met de AI-tools
Ik zou de toekomstige commerciële B2B-motor langs acht verbonden domeinen in kaart brengen:
- De markt aanvoelen
Doorlopend klantbehoeften, concurrentie, marktontwikkelingen, koopintentie, bedrijfsgebeurtenissen en nieuwe kansen signaleren. - Bepalen waar je speelt
Markten, ideale klantprofielen en segmenten bepalen, doelaccounts en buying groups samenstellen, kansen scoren en middelen toewijzen. - Vraag creëren
Proposities, campagnes en content ontwikkelen; betaalde, eigen en accountgerichte kanalen inzetten; digitale ervaringen personaliseren en blijven experimenteren. - Vraag herkennen en activeren
Accounts en personen herkennen, koopintentie duiden, data verrijken, prospects prioriteren, accounts onderzoeken, inbound en outbound contact leggen, interesse kwalificeren en afspraken plannen. - Kansen ontwikkelen
Gesprekken voorbereiden en analyseren, stakeholders in kaart brengen, de gezondheid van kansen beoordelen, vervolgstappen aanbevelen, dealrisico’s herkennen en pijplijn en prognoses beheren. - De deal vormgeven en sluiten
Oplossingen samenstellen, businesscases opstellen, prijzen bepalen, aanbestedingen beantwoorden, voorstellen maken, voorwaarden onderhandelen, goedkeuringen en contracten beheren en de deal afronden. - Klantwaarde laten groeien
Context uit het verkooptraject overdragen naar onboarding, gebruik en klantgezondheid volgen, het risico op opzegging voorspellen, uitbreidingskansen herkennen en ambassadeurs ontwikkelen. - Leren en verbeteren
Gewonnen en verloren deals, gesprekken, klantgedrag, campagneresultaten, winstgevendheid en experimenten terugkoppelen naar proposities, doelgroepkeuze en commerciële strategie.
Geen van deze domeinen is nieuw.
Wat verandert, is hoeveel van het werk daartussen kan worden verbonden.
De echte architectuur loopt van signaal naar actie
Neem een wisseling van bestuurder bij een doelaccount.
Nu verschijnt die gebeurtenis misschien in een sales-intelligenceplatform. Een verkoper merkt het misschien op, zoekt de nieuwe bestuurder op, bepaalt of het relevant is, zoekt eerdere contacten met het account op, bedenkt een invalshoek, schrijft een e-mail, denkt aan de opvolging en werkt het CRM bij.
In een model met steeds meer agents kan die reeks worden:
signaal gedetecteerd → account herkend → commerciële relevantie beoordeeld → buying group bijgewerkt → account opnieuw geprioriteerd → onderzoek gedaan → propositie gekozen → bericht opgesteld → beleid gecontroleerd → contact gelegd → reactie geduid → afspraak gepland → CRM bijgewerkt
De interessante technologie zit niet in één afzonderlijke stap.
Ze zit in de verbinding ertussen.
Dat vraagt om een andere kijk op de commerciële technologiestack. In plaats van die vooral rond applicaties te organiseren, zou ik haar rond zes vragen organiseren:
Wat kunnen we waarnemen?
Welke context hebben we?
Welke beslissing moet worden genomen?
Wie of wat moet die nemen?
Welke actie kan worden uitgevoerd?
Hoe leren we van de uitkomst?
AI maakt elk van deze lagen krachtiger. Agents kunnen ze met elkaar verbinden.
Niet iedere beslissing moet autonoom worden
Hier wordt de discussie over AI-automatisering naar mijn idee te simpel.
Technisch kunnen is niet hetzelfde als wenselijke autonomie.
Een bedrijfsrecord automatisch verrijken is iets heel anders dan de onderhandelingsstrategie voor een strategisch contract bepalen. Een samenvatting van een overleg maken is iets anders dan de onderlinge verhoudingen in een inkoopteam duiden. Duizenden prospects met weinig koopintentie automatisch opvolgen is iets anders dan contact opnemen met de CEO van je grootste klant.
Daarom vind ik het nuttiger om in niveaus van autonomie te denken.
Op het laagste niveau voeren mensen het werk uit en biedt AI ondersteuning.
Op het volgende niveau beveelt AI een actie aan, maar beslist een persoon.
Daarna kan AI een actie voorbereiden voor menselijke goedkeuring.
Daarna kunnen agents binnen expliciet gedefinieerde grenzen beslissen en uitvoeren.
Uiteindelijk kunnen sommige workflows zelflerend worden: het systeem ziet de resultaten en past binnen die grenzen zijn aanpak aan.
Het hoogste niveau hoeft niet automatisch de ambitie te zijn.
Een beslissing over het toewijzen van een lead kan vrijwel volledig autonoom zijn. Een grote prijsuitzondering waarschijnlijk niet. En in een complexe onderhandeling met een grote klant kan menselijke aandacht zelf deel van de waarde zijn.
De ontwerpvraag is daarom niet alleen:
Kunnen we dit automatiseren?
Maar:
Welke autonomie willen we hier overdragen, onder welke voorwaarden, en wie blijft verantwoordelijk?
Dit verandert ook commerciële rollen
Als deze architectuur zich verder ontwikkelt, verschuift het werk in marketing en sales niet simpelweg van mensen naar AI.
De menselijke rol verandert.
Ik zie minstens vijf rollen belangrijker worden.
De strateeg bepaalt markten, proposities, doelstellingen en afwegingen.
De relatie-eigenaar begrijpt vertrouwen, onderlinge verhoudingen, onzekerheid en context die moeilijk in systemen te vangen zijn.
De expert brengt oordeel in wanneer product, sector, juridische of commerciële complexiteit het mandaat van de agent te boven gaat.
De uitzonderingsbehandelaar neemt het over wanneer waarde, onzekerheid of risico boven een bepaalde drempel uitkomen.
En steeds vaker bepaalt de agentsupervisor of workflowontwerper hoe commerciële agents werken, meet hij hun prestaties en verbetert hij hun instructies, context, tools en grenzen.
Die laatste rol verdient meer aandacht.
Als een agent duizenden prospects kan onderzoeken en kwalificeren, moet iemand nog steeds bepalen wat een goede kwalificatie is. Als een agent vervolgstappen voor een verkoopkans aanbeveelt, moet iemand zien wanneer die aanbevelingen stelselmatig tekortschieten. Als een agent klantreizen kan maken en optimaliseren, moet iemand bepalen waarop hij mag optimaliseren.
Automatisering maakt het ontwerp van het operating model niet overbodig. Het maakt het juist belangrijker.
Van martechstack naar commercieel besturingssysteem
Onder dit toekomstige commerciële proces ligt een andere technologiearchitectuur.
CRM en andere bronsystemen blijven belangrijk. Dat geldt ook voor klant- en accountdata, het koppelen van identiteiten, externe informatie over koopintentie en bedrijven, kennisbanken, voorspellende modellen, beslissystemen, contentsystemen, marketingautomatisering en systemen voor offertes en contracten.
Maar daartussen ontstaan nieuwe lagen.
Agents hebben toegang tot betrouwbare context nodig. Ze hebben toestemming nodig om tools te gebruiken. Meerdere agents moeten worden geregisseerd. Hun acties moeten zichtbaar zijn. En organisaties hebben controles nodig op identiteit, bevoegdheden, escalatie en kosten.
Die architectuur ontstaat nu al.
6sense maakt bijvoorbeeld voorspelde koopfasen, accountkwalificatie en zoekintentie via MCP toegankelijk voor externe agents. De Agent Orchestrator van Adobe is ontworpen om AI-gestuurde workflows over klantervaringen heen te coördineren. Gong introduceerde een uitvoeringslaag om eigen agents door het hele omzetproces heen te beheren en te verbinden.
De applicatie is niet langer vanzelfsprekend de plek waar de intelligentie zit.
En de persoon die de applicatie gebruikt, is niet langer vanzelfsprekend degene die de actie in gang zet.
Dat is een wezenlijke verschuiving in de architectuur.
Een betere checklist voor commerciële leiders
Dit vraagt ook om een andere manier om AI-volwassenheid te beoordelen.
Ik zou niet beginnen met de vraag:
Hebben we een AI-SDR? Hebben we generatieve content? Hebben we voorspellende leadscores?
Neem in plaats daarvan het complete commerciële proces en beoordeel iedere belangrijke capability met dezelfde vragen:
- Businesswaarde — welke klant- of commerciële uitkomst willen we verbeteren?
- Signaal — wat vertelt ons dat ingrijpen nodig kan zijn?
- Beslissing — welk oordeel moet er worden geveld?
- Context — welke data en kennis zijn nodig om die beslissing goed te nemen?
- Agentrol — wat kan AI betrouwbaar analyseren, aanbevelen of uitvoeren?
- Menselijke rol — waar blijven oordeel, relatie, expertise of verantwoordelijkheid belangrijk?
- Gewenste autonomie — moet AI ondersteunen, aanbevelen, voorbereiden, binnen grenzen uitvoeren of zichzelf bijsturen?
- Controle — welke goedkeuring, monitoring en escalatie zijn nodig?
- Technologie — welke bestaande systemen en nieuwe capabilities maken de workflow mogelijk?
- Leren — hoe verbetert de uitkomst de volgende beslissing?
Dat levert een heel andere roadmap op dan een catalogus van AI-toepassingen.
Het maakt ook gaten zichtbaar die een overzicht van tools mist.
Een organisatie kan uitstekende technologie voor koopintentie hebben, maar geen proces om een signaal in een beslissing om te zetten. Ze kan een krachtige contentagent hebben, maar te weinig klantcontext om de output relevant te maken. Ze kan een autonome prospectie-agent inzetten terwijl sales en marketing het nog niet eens zijn over wat een waardevol account is.
Meer AI automatiseert de versnippering dan in plaats van haar op te lossen.
Het eindpunt is niet maximale automatisering
Mijn huidige overtuiging is dat de AI-first B2B-organisatie niet wordt bepaald door het aantal agents dat ze heeft.
Ze wordt bepaald door hoe goed ze signalen, context, beslissingen, acties en leren verbindt over de hele klantlevenscyclus.
Sommige beslissingen blijven bij traditionele software. Steeds meer beslissingen gaan naar agents. Andere moeten bewust menselijk blijven.
Het lastige is om die grenzen als één commercieel systeem te ontwerpen.
Dat is een nuttigere ambitie dan maximale automatisering.
Het is ook een veel beter vertrekpunt om te bepalen welke technologie je echt nodig hebt.