AI dalam Aliran Kerja CSM: Apa yang Menjimatkan Masa Tanpa Merosakkan Hubungan

Seorang CSM yang saya kenal tahun lalu menjalankan QBR untuk akaun strategik yang telah ia jaga selama tiga bulan. Pelanggan itu berada dalam risiko peralihan selepas kitaran pembaharuan yang bermasalah, dan dia telah menghabiskan satu suku tahun untuk membina semula kepercayaan panggilan demi panggilan. QBR itu adalah saat yang sepatutnya menentukan kejayaan.

Dia menggunakan AI untuk menjana persembahan. Empat puluh lima minit terpulih. Slaid kelihatan kemas. Alur naratif mengikut buku teks. Dan kira-kira lapan minit selepas mesyuarat bermula, VP pelanggan itu mendongak dari skrin dan berkata dengan tenang: "Ini tidak kedengaran seperti awak. Dan ia tidak kedengaran seperti ia mengenali kami."

Tiga bulan kepercayaan, hancur dalam satu slaid.

Dia memberitahu saya kemudian bahawa perkara terburuk bukan mesyuarat itu. Perkara terburuk ialah dia tahu, pada saat dia tampal hasil output AI ke dalam persembahan, bahawa ada yang tidak kena. Pemframan itu terlalu umum. Cadangan-cadangan itu adalah jenis yang boleh ditujukan kepada mana-mana pelanggan SaaS. Tetapi dia keletihan, dan tarikh akhir adalah tarikh akhir, dan dia menghantarnya juga.

Itulah kisah yang saya fikirkan setiap kali seseorang bertanya kepada saya di mana AI sesuai dalam kejayaan pelanggan. Bukan AI itu buruk. Ia adalah dalam CS, hubungan adalah produknya. Dan pada saat pelanggan mengesyaki mereka sedang bercakap dengan templat, anda telah kehilangan sesuatu yang tidak boleh diperbaiki dengan bayaran balik atau ciri baharu.

Mengapa AI dalam CS Adalah Kes Penggunaan AI Berisiko Tertinggi dalam Syarikat

Jualan boleh pulih daripada e-mel yang buruk. Pemasaran boleh menjalankan ujian A/B untuk mengatasi tajuk subjek yang janggal. Jurutera boleh membatalkan penggunaan semula. Radius kesan penggunaan AI yang buruk dalam fungsi-fungsi tersebut adalah nyata, tetapi terbatas.

Dalam CS, pelanggan mengupah anda untuk mengenali mereka. Mereka membayar anda, sebahagiannya, untuk menjadi manusia yang mengingati penstrukturan semula organisasi mereka yang lalu, perjanjian yang hampir memusnahkan pembaharuan Q3 mereka, dan perkara sampingan yang diucapkan CRO mereka pada bulan Oktober yang kini menjadi keutamaan nombor satu mereka. AI yang berpura-pura mengenali mereka lebih buruk daripada tiada AI langsung, kerana ia mengesahkan ketakutan yang sudah ada: bahawa mereka hanyalah satu baris dalam CRM, bukan suatu hubungan.

Penggunaan AI yang buruk muncul lebih cepat dalam CS berbanding tempat lain. Prospek jualan tidak tahu bagaimana suara biasa anda kedengarannya. Pembaca pemasaran tidak mempunyai asas perbandingan. Tetapi pelanggan anda telah bercakap dengan anda selama sembilan bulan. Mereka tahu frasa anda. Mereka tahu apa yang tidak pernah anda katakan. Mereka perasan apabila "mari kita tindak lanjut" tiba-tiba menjadi "saya ingin berbincang tentang langkah seterusnya." Mereka perasan apabila persembahan mempunyai sebelas poin peluru di mana anda hanya akan ada tiga.

Inilah sebabnya AI dalam CS bukan soal teknologi. Ia adalah soal penilaian: di mana AI membebaskan masa yang anda habiskan bukan untuk pelanggan, supaya anda boleh menghabiskan lebih banyak masa untuk pelanggan?

Di Mana AI Benar-benar Membantu

Inilah empat tempat yang secara konsisten saya lihat AI menjimatkan 5-8 jam seminggu tanpa seorang pelanggan pun menyedarinya, kerana pelanggan memang tidak sepatutnya menyedarinya.

Ringkasan persediaan mesyuarat. Mengumpulkan sejarah tiket sokongan, trend penggunaan, nota QBR terkini, dan isyarat penggunaan produk terbaru ke dalam satu halaman ringkasan adalah kes penggunaan AI bernilai tertinggi dalam CS. Ia dahulunya mengambil masa 30-45 minit bagi saya untuk setiap panggilan utama. Dengan prompt yang baik, kini hanya 5 minit ditambah ulasan 10 minit. Output itu tidak pernah meninggalkan mesin saya, jadi risiko nada adalah sifar. Dan saya hadir ke panggilan itu dengan lebih bersedia berbanding apabila saya melakukannya secara manual pada pukul 11 malam.

Pengklasifikasian tiket dan pengesanan corak. AI memang pandai menandai tiket masuk, memberi amaran awal tentang peningkatan isu, dan mengesan corak merentas portfolio anda yang tidak akan dapat dikesan secara manual. "Tiga akaun dalam vertikal yang sama semuanya telah mengemukakan tiket tentang aliran kerja yang sama bulan ini" adalah jenis pandangan yang boleh menjadi penyelamatan. Anda tidak akan pernah melihatnya dengan menatal Zendesk.

Pengagregatan isyarat risiko peralihan. Nota: pengagregatan isyarat, bukan keputusan muktamad. AI berguna untuk mengumpulkan penurunan penggunaan, sentimen sokongan, kekerapan log masuk, dan pertukaran eksekutif ke dalam hipotesis peralihan. Ia berbahaya apabila anda merawat output itu sebagai keputusan muktamad. Lebih lanjut mengenai perkara itu dalam bahagian perangkap.

Nota selepas panggilan dan pengekstrakan item tindakan. Rakam panggilan (dengan persetujuan), transkripkan, dan biarkan AI mengekstrak item tindakan dan petikan utama. Anda mengulas, anda menyunting, anda menghantar. Pelanggan mendapat tindak lanjut yang lebih teratur berbanding yang akan anda tulis pada pukul 6 petang selepas panggilan ketujuh anda. Di sinilah saya mendapat manfaat terbesar. Untuk mengetahui cara ini sesuai dengan jadual CSM yang lebih luas, lihat sehari dalam kehidupan seorang CSM.

Corak merentas keempat-empatnya: AI mengendalikan kerja yang berlaku sebelum atau selepas interaksi pelanggan. Pelanggan tidak pernah melihat AI itu. Mereka melihat seorang CSM yang lebih bersedia, lebih responsif, dan lebih peka terhadap corak berbanding sebelumnya.

Di Mana AI Mendatangkan Bahaya (Dan Mengapa Ia Berlaku Begitu Pantas)

Komunikasi menghadap pelanggan yang dihantar tanpa ulasan manusia. Nada adalah cap jari. Kali pertama pelanggan membaca e-mel yang digubal AI dari anda yang tidak anda susun semula, mereka menyedarinya. Mungkin mereka tidak dapat meluahkannya. Tetapi suhu hubungan turun setengah darjah, dan anda tidak mendapatnya kembali. Jika anda akan menggunakan AI untuk draf, anda perlu menyusun semula. Bukan menyunting. Menyusun semula.

Penjanaan kandungan QBR. Pelanggan boleh mengesan. Mereka sentiasa boleh mengesan. QBR adalah satu-satunya saat dalam suku tahun di mana pelanggan memberi perhatian penuh sama ada anda benar-benar memahami perniagaan mereka. Slaid QBR yang dijana AI lalai kepada versi paling umum "nilai yang disampaikan." Ia menepati ketukan struktur yang betul tetapi terlepas satu perkara khusus yang pelanggan anda pedulikan, yang biasanya adalah perkara yang hanya anda ketahui. Kami mempunyai artikel penuh tentang QBR yang pelanggan betul-betul nantikan. Tiada satu pun daripada QBR tersebut dijana oleh AI.

Nada peningkatan isu apabila pelanggan sudah kecewa. AI lalai kepada bahasa selamat korporat. Bahasa selamat korporat adalah tepat apa yang pelanggan yang kecewa tidak mahu. Mereka ingin mendengar bahawa anda faham mereka kecewa, bahawa anda tidak akan memutarbelitkannya, dan bahawa ada manusia di hujung talian yang lain. Peningkatan isu yang ditengahi AI dibaca sebagai syarikat yang bersembunyi di sebalik bahasa. Itulah isyarat paling buruk pada saat yang paling buruk.

Merawat skor peralihan AI sebagai keputusan muktamad. Inilah yang halus. AI memberitahu anda akaun 47 mempunyai skor risiko peralihan 78%. Anda sama ada panik dan membuat percubaan menyelamatkan yang canggung, atau mengabaikannya kerana anda mempunyai sepuluh perkara lain yang lebih mendesak. Kedua-duanya salah. Skornya adalah hipotesis. Tugas anda adalah mengujinya: hubungi pelanggan, tanyakan soalan yang akan anda tanya walau bagaimanapun, dan biarkan apa yang mereka katakan mengemas kini model anda. CSM yang terbakar oleh alat peralihan AI adalah mereka yang menyerahkan penilaian kepada papan pemuka.

Enam Prompt AI Sebenar: Baik vs. Buruk

Ini adalah prompt yang saya gunakan sebenarnya, dengan versi buruk yang saya cuba dahulu. Versi buruk bukan buruk kerana model itu buruk. Ia buruk kerana ia meminta model melakukan bahagian kerja yang adalah milik saya.

Prompt 1: Ringkasan Persediaan Mesyuarat

Versi buruk:

"Ringkaskan segala-galanya tentang [Nama Pelanggan] untuk mesyuarat saya esok."

Ini menghasilkan gambaran keseluruhan gaya Wikipedia. Tidak berguna. Model tidak tahu apa yang anda perlu tahu.

Versi baik:

"Saya ada mesyuarat semakan 30-minit esok dengan [Nama Pelanggan], sebuah syarikat pembuatan pertengahan pasaran pada peringkat Pro kami. Konteks CSM-rekod: mereka membaharui pada bulan Oktober selepas Q3 yang tidak menentu, penyokong dalaman utama mereka ialah VP Operasi, dan keutamaan 2026 yang dinyatakan mereka adalah mengurangkan masa-untuk-penerimaan pelanggan bagi tapak baru. Di bawah adalah sejarah tiket (90 hari lepas), trend penggunaan (6 minggu lepas), dan nota dari QBR kali lepas. Jana: (1) tiga perkara yang patut saya ucapkan tahniah kepada mereka, (2) dua risiko khusus yang patut saya terokai, (3) satu soalan yang akan mendedahkan sama ada inisiatif masa-untuk-penerimaan pelanggan masih berjalan. Pastikan setiap item kurang dari 25 perkataan. Jangan cadangkan item umum 'semak semula matlamat'."

Perbezaannya: prompt kedua memberikan model konteks yang hanya anda miliki, dan memberitahu ia dengan tepat bentuk output yang anda perlukan. Ia adalah ringkasan untuk pembantu penyelidik, bukan satu angan-angan.

Prompt 2: E-mel Tindak Lanjut Selepas Panggilan

Versi buruk:

"Tulis e-mel tindak lanjut yang meringkaskan panggilan saya dengan [Pelanggan]."

Anda akan mendapat sesuatu yang kedengaran seperti setiap e-mel tindak lanjut lain yang pelanggan terima suku tahun ini. Mereka akan mengimbas, mengarkib, dan melupakannya.

Versi baik:

"Di bawah adalah transkripsi panggilan 30-minit saya dengan [Nama Juara Pelanggan]. Ekstrak: (1) tiga komitmen yang saya buat, dengan pemilik dan tarikh, (2) dua komitmen yang mereka buat, (3) satu konteks yang mereka kongsi tentang situasi dalaman mereka yang patut saya ingat untuk kali depan. Kemudian draf e-mel tindak lanjut 6-baris dalam SUARA SAYA (ayat pendek, tiada 'tindak lanjut', tiada 'berbincang tentang langkah seterusnya', mulakan dengan satu perkara khusus yang mereka katakan yang ingin saya akui). Tandatangan sebagai 'Camellia.' Output e-mel dan item tindakan sebagai bahagian berasingan."

Yang ini saya hantar sebenarnya (selepas menyusun semula satu atau dua baris). Ia berjaya kerana prompt mengenkod kekangan suara saya dan memaksa model untuk berasas kepada sesuatu yang khusus yang dikatakan pelanggan.

Prompt 3: Penyiasatan Risiko Peralihan

Versi buruk:

"Adakah [Pelanggan] akan beralih?"

Anda akan mendapat skor keyakinan dan tiga sebab umum. Anda sama ada mempercayainya (buruk) atau mengabaikannya (juga buruk).

Versi baik:

"Di bawah adalah 90 hari data penggunaan, tiket sokongan, dan aktiviti log masuk untuk [Pelanggan]. Jangan berikan saya skor peralihan. Sebaliknya: (1) senaraikan tiga isyarat yang, jika saya lihat secara berasingan, ingin saya terokai, (2) untuk setiap isyarat, berikan saya satu soalan khusus yang patut saya tanyakan kepada pelanggan yang akan memberitahu saya sama ada isyarat itu nyata atau hanya gangguan, (3) tandakan sebarang isyarat di mana data terlalu tipis untuk membuat kesimpulan. Sedia untuk berkata 'kami tidak tahu' pada mana-mana daripadanya."

Prompt ini melakukan sebaliknya daripada apa yang kebanyakan alat AI ingin lakukan. Ia menolak untuk memberikan keputusan muktamad. Ia merawat AI sebagai pembantu penyelidik yang mengemukakan hipotesis untuk saya uji, yang merupakan satu-satunya cara saya menemui untuk menggunakan AI peralihan tanpa terbakar.

Prompt 4: Ringkasan Akaun Dalaman untuk Rakan Silang-Fungsi

Versi buruk:

"Tulis ringkasan dalaman tentang [Pelanggan] untuk pasukan produk."

Anda akan mendapat sesuatu yang begitu umum sehingga tidak berguna untuk produk. Mereka sudah mempunyai akses kepada papan pemuka yang sama.

Versi baik:

"Saya perlu memaklumkan pasukan produk tentang [Pelanggan] sebelum panggilan pelan hala tuju esok. Mereka ingin tahu: (1) apakah masalah khusus pelanggan dengan aliran penerimaan pelanggan semasa kami, dipetik di mana mungkin, (2) penyelesaian alternatif apakah yang telah mereka bina dan adakah ia boleh bertahan, (3) seperti apa 'penyelesaian' itu kepada mereka dalam perkataan mereka, bukan perkataan kami. Di bawah adalah sejarah tiket dan transkripsi panggilan penemuan bulan lepas. Output sebagai tiga bahagian berpeluru dengan petikan langsung. Jangan parafrasa petikan. Saya mahu pasukan produk mendengar perkataan sebenar pelanggan."

Trik di sini adalah memaksa AI untuk memelihara bahasa pelanggan. Pasukan produk sedang mengenal pasti corak. Mereka memerlukan perkataan sebenar, bukan tafsiran anda.

Prompt 5: Draf E-mel Pelanggan yang Sukar

Versi buruk:

"Tulis e-mel kepada pelanggan yang kecewa tentang [isu]."

Output akan kedengaran seperti skrip meja bantuan. Pelanggan akan tahu dalam ayat pertama bahawa ia tidak ditulis oleh seseorang yang mempunyai hubungan dengan mereka.

Versi baik:

"Saya TIDAK mahu anda menulis e-mel ini. Sebaliknya: (1) senaraikan tiga perkara yang TIDAK patut saya katakan dalam e-mel ini (frasa selamat korporat yang akan memburukkan keadaan), (2) senaraikan tiga perkara yang MESTI saya akui secara khusus tentang situasi pelanggan ini (konteks di bawah), (3) cadangkan alur struktural untuk e-mel: apa yang datang pertama, apa yang datang kedua, apa yang datang terakhir. Saya akan menulis ayat sebenar sendiri."

Ini adalah prompt kegemaran saya. Ia menggunakan AI untuk menajamkan pemikiran saya tanpa membiarkannya menulis perkataan. Untuk pelanggan yang kecewa, perkataan itu mestilah milik saya.

Prompt 6: Draf Bahagian QBR (Gunakan dengan Berhati-hati)

Versi buruk:

"Tulis slaid QBR bertajuk 'Nilai Yang Disampaikan Q1' untuk [Pelanggan]."

Anda akan mendapat lima poin nilai umum yang boleh digunakan untuk mana-mana pelanggan SaaS.

Versi baik (dan yang ini pun saya susun semula banyak):

"Di bawah adalah matlamat 2026 yang dinyatakan pelanggan (mengurangkan masa-untuk-penerimaan pelanggan bagi tapak baru sebanyak 40%), data penggunaan sebenar mereka Q1, dan tiga projek yang kami kerjakan bersama. Jangan tulis slaid. Sebaliknya, berikan saya: (1) satu nombor dari data yang, jika saya adalah VP Operasi, ingin saya ketahui, (2) satu projek di mana hasilnya tidak sepadan dengan matlamat asal, dan apakah pemframan jujurnya, (3) satu soalan yang patut saya letakkan pada slaid sebagai ganti jawapan, untuk mengajak perbualan yang sebenarnya ingin saya ada. QBR ini untuk saya tulis. Anda membantu saya mengetahui apa yang slaid itu sepatutnya tentang."

Perhatikan corak merentas kesemua enam. Prompt yang baik mempersempit skop, mengenkod konteks yang hanya CSM miliki, dan memaksa AI melakukan kerja pembantu penyelidik berbanding kerja hubungan. Prompt yang buruk meminta AI melakukan kerja saya.

Pokok Keputusan "AI Di Sini, Bukan Di Sana"

Sebelum anda menempatkan AI pada sebarang tugasan, tanya mengikut urutan ini:

1. Adakah pelanggan akan melihat output ini secara langsung, dalam sebarang bentuk? Jika ya, AI boleh membuat draf, tetapi anda mesti menyusun semula (bukan menyunting, menyusun semula). Jika tidak, pergi ke 2.

2. Adakah ini memerlukan pengetahuan tentang pelanggan khusus ini yang tidak ada dalam data yang saya suapkan kepada AI? Jika ya (politik mereka, perbualan terakhir anda dengan mereka, sensitiviti mereka terhadap sesuatu topik), jangan gunakan AI. Jika tidak, pergi ke 3.

3. Adakah saya menggunakan AI untuk melangkau pemikiran, atau melangkau pengetikan? Jika melangkau pemikiran, berhenti. Jika melangkau pengetikan, pergi ke 4.

4. Jika output ini dipotong skrin dan ditunjukkan kepada pelanggan, adakah saya akan malu? Jika ya, susun semula atau buangkan. Jika tidak, hantar.

Itulah keseluruhan pokok keputusan. Cetaknya. Letak di sebelah monitor anda. Versi empat soalan ada dalam bahagian seterusnya.

Senarai Semak Pra-Hantar untuk Apa Sahaja yang Menghadap Pelanggan

Sebelum sebarang output yang dibantu AI dihantar kepada pelanggan, jalankan empat soalan ini. Baca dengan kuat jika perlu.

1. Adakah ia kedengaran seperti saya? Bukan "adakah ia ditulis dengan baik." Adakah ia kedengaran seperti cara saya sebenarnya bercakap dengan pelanggan ini?

2. Adakah ia mengenali mereka? Adakah terdapat sekurang-kurangnya satu perkara khusus yang membuktikan saya (atau AI saya) memahami situasi mereka, bukan sekadar pelanggan SaaS secara amnya?

3. Adakah saya akan malu jika mereka memotong skrin ini dan menghantarnya kepada rakan sebaya? Ini adalah ujian potong skrin. Jika jawapan anda "mungkin," ia adalah tidak.

4. Adakah saya menggunakan AI untuk melangkau pemikiran, atau melangkau pengetikan? Jika melangkau pemikiran, anda akan kehilangan hubungan itu akhirnya, walaupun anda terlepas dengan bebas kali ini.

Jika mana-mana jawapan salah, output itu belum bersedia. Tidak kira betapa lewatnya.

Perangkap Biasa (Yang Saya Perhatikan Membakar Orang)

Menghantar e-mel pelanggan sepenuhnya dari AI kerana "ia dibaca dengan baik." Ia dibaca dengan baik sehingga tidak. Pelanggan biasanya tidak menegur anda secara terang-terangan. Mereka hanya perlahan-lahan berhenti memberi respons seperti dahulu. Apabila anda menyedarinya, anda telah kehilangan kepercayaan yang tidak boleh anda pulihkan melalui audit.

Persembahan QBR yang dijana AI yang terlepas satu perkara yang pelanggan peduli. AI tidak tahu bahawa bonus VP bergantung kepada metrik penerimaan pelanggan. Anda tahu. AI membina 80% persembahan yang generik. 20% yang penting adalah bahagian yang anda kena masukkan sendiri, dan hampir selalu bahagian itulah yang QBR bergantung.

Merawat skor peralihan AI sebagai perkara mutlak. Sama ada anda panik dan bertindak balas berlebihan (pelanggan berasa diurus, bukan bermitra), atau mengabaikannya kerana anda telah melihat terlalu banyak positif palsu (dan salah satunya adalah yang penting). Rawatnya sebagai hipotesis untuk diuji dalam panggilan seterusnya anda. Tiada lebih daripada itu.

Menyerahkan penilaian hubungan kepada papan pemuka. Ini adalah perangkap meta. Kerja CSM bukan untuk mengurus output AI. Ia adalah untuk menjadi manusia dalam gelung yang diupah oleh pelanggan. Pada saat anda melupakan itu, AI mula menjalankan hubungan, dan pelanggan dapat merasakannya.

Untuk mengetahui lebih lanjut tentang perangkap yang lebih luas membiarkan alat menjalankan hari anda, lihat melarikan diri dari perangkap pemadaman kebakaran CSM.

Mengukur Sama Ada AI Membantu atau Mendatangkan Bahaya

Tiga nombor. Jejaki setiap bulan.

Masa pentadbiran yang dijimatkan setiap minggu. Sasaran: 5-8 jam kembali. Jika anda tidak mendapat sekurang-kurangnya lima jam kembali, prompt anda tidak cukup ketat. Audit mereka.

Masa persediaan QBR. Sasaran: pengurangan 50% daripada asas pra-AI anda. Jika anda dahulu menghabiskan 4 jam setiap QBR dan kini anda menghabiskan 2, itu berjaya. Jika anda masih berada pada 3.5 jam, anda menggunakan AI untuk mempersoalkan diri sendiri berbanding membuat draf.

CSAT atau NPS pada komunikasi CSM, kekal stabil atau bertambah baik seiring peningkatan penggunaan AI. Ini adalah penanda amaran. Jika metrik masa yang dijimatkan meningkat tetapi metrik kepuasan pelanggan menurun, anda menggunakan AI di tempat yang salah. Berhenti. Audit interaksi mana yang dibantu AI. Alihkan AI kembali di belakang tabir dan keluar dari pandangan pelanggan.

Perangkap yang perlu dielakkan: mengoptimumkan masa yang dijimatkan tanpa memantau CSAT. Anda akan berasa produktif sehinggalah musim pembaharuan tiba, di mana anda akan mendapati anda tidak.

Bagaimana Rework Sesuai dengan Aliran Kerja CSM yang Dibantu AI

Perkara yang menjadikan AI berguna dalam CS bukan AI itu sendiri. Ia adalah betapa bersihlah input mengalir masuk. Kebanyakan CSM kehilangan jam bukan untuk menulis, tetapi untuk mengumpulkan: menarik sejarah tiket dari satu alat, data penggunaan dari alat lain, nota QBR terkini dari Google Doc, dan tarikh pembaharuan dari CRM yang tidak seorang pun mengemas kini. Apabila anda selesai mengumpulkan input, anda sudah menghabiskan masa yang sepatutnya AI jimatkan.

Rework Work Ops memberi anda satu permukaan di mana nota akaun, item tindakan, dan komitmen pelanggan tinggal bersama data tiket dan penggunaan. Ini bermakna prompt persediaan mesyuarat anda mempunyai tempat untuk dituju: satu URL, satu rekod pelanggan, semua konteks, berbanding penyiasatan salin-tampal merentasi lima tab. Untuk CSM di bahagian hasil, Rework CRM menyimpan saluran paip pembaharuan, skor kesihatan akaun, dan kenalan eksekutif di tempat yang sama nota akaun anda berada, supaya prompt yang anda tulis sebenarnya mempunyai sesuatu untuk diproses. Work Ops bermula pada $6/pengguna/bulan, CRM pada $12/pengguna/bulan. Untuk pandangan lebih luas tentang di mana ini berada dalam tumpukan teknologi CSM, lihat alat dan tumpukan teknologi CSM.

Satu Ayat untuk Diingati

Gunakan AI untuk membebaskan masa yang anda habiskan bukan untuk pelanggan, supaya anda boleh menghabiskan lebih banyak masa untuk pelanggan. Bukan untuk menggantikan kerja menghadap pelanggan. Hubungan adalah produknya. Pada saat AI menggantikan perkara itu, anda telah mengautomasikan perkara yang anda diupah untuk lakukan, dan pelanggan menyedarinya sebelum anda.

Ketahui Lebih Lanjut

• Sehari dalam Kehidupan Seorang CSM
• QBR yang Pelanggan Betul-betul Nantikan
• Alat dan Tumpukan Teknologi CSM
• Melarikan Diri dari Perangkap Pemadaman Kebakaran CSM