{"id":8359,"date":"2025-09-05T14:10:54","date_gmt":"2025-09-05T14:10:54","guid":{"rendered":"https:\/\/www.salescodeai.com\/blog\/mengapa-sebagian-besar-perusahaan-menyingkirkan-sfa-dan-dms-mereka\/"},"modified":"2026-01-03T07:45:43","modified_gmt":"2026-01-03T07:45:43","slug":"mengapa-sebagian-besar-perusahaan-menyingkirkan-sfa-dan-dms-mereka","status":"publish","type":"post","link":"https:\/\/www.salescodeai.com\/id\/mengapa-sebagian-besar-perusahaan-menyingkirkan-sfa-dan-dms-mereka\/","title":{"rendered":"Mengapa sebagian besar perusahaan menyingkirkan SFA dan DMS mereka??"},"content":{"rendered":"\n
\n

Kesimpulan:<\/strong> Lorem Ipsum hanyalah teks tiruan dari industri percetakan dan penataan huruf. Lorem Ipsum telah menjadi teks tiruan standar industri sejak tahun 1500-an <\/p>\n<\/blockquote>\n\n

\u201cPemenang dalam siklus bisnis ini bukanlah yang paling teknis<\/em>,\u201d kata Ben Edwards kepada saya selama percakapan LinkedIn Live kami baru-baru ini. \u201cMereka akan menjadi bisnis yang paling adaptif. Dan mungkin yang lebih penting lagi; mereka adalah yang paling jujur tentang apa yang berhasil dan tidak berhasil di dalam bisnis mereka. <\/em>\u201c<\/p>\n\n

Wawasan tersebut menyentuh inti paradoks yang mengkhawatirkan yang kita saksikan di seluruh organisasi perusahaan saat ini. Meskipun investasi rekor dalam teknologi AI, skor kepuasan pelanggan terus menurun<\/a>. Perusahaan menerapkan alat yang lebih canggih dari sebelumnya, namun entah bagaimana terhubung dengan pelanggan lebih sedikit dibandingkan setahun yang lalu. <\/p>\n\n

Pelakunya? Apa yang kami sebut \u201ckesenjangan kejujuran\u201d\u2014jarak yang tidak nyaman antara apa yang menurut eksekutif rusak dalam organisasi mereka versus apa yang sebenarnya menyebabkan gesekan bagi pelanggan dan karyawan setiap hari. <\/p>\n\n

Ini bukan tentang mengejar hiruk pikuk AI atau ikut-ikutan tren teknologi terbaru. Ini tentang menggunakan AI untuk memperbaiki apa yang benar-benar tidak berfungsi dalam bisnis Anda saat ini. Dan itu membutuhkan tingkat kesadaran diri organisasi yang sulit dicapai oleh banyak perusahaan. <\/p>\n\n

Di antara kami berdua, kami dengan mudah telah melakukan lebih dari 4.000 percakapan dengan para pemimpin perusahaan tentang perjalanan AI mereka tahun ini saja. Saya (Vikas) dari sisi penjualan dan strategi, dan Ben dari sisi implementasi dan pemberdayaan mitra. Yang kami pelajari adalah bahwa organisasi yang melihat kesuksesan nyata bukanlah yang memiliki anggaran AI terbesar atau peta jalan paling canggih. Mereka adalah yang bersedia melihat operasi mereka secara jujur dan memulai dengan kebenaran tentang di mana mereka kurang. <\/p>\n\n

Apa yang Ribuan Percakapan Pelanggan Ajarkan kepada Saya Tentang Kesiapan AI<\/h2>\n\n

Oleh Vikas Bhambri, Wakil Presiden Senior Penjualan di Yellow.ai<\/em><\/p>\n\n

Jika Anda menghabiskan waktu di LinkedIn akhir-akhir ini, Anda mungkin telah melihat postingan dari para eksekutif yang mengumumkan mandat seperti \u201cSaya tidak dapat merekrut orang lain di departemen saya sampai saya menguji AI untuk mengatasi kesenjangan tersebut.<\/em>\u201d Tekanan dari atas ke bawah ini nyata, dan semakin cepat di setiap fungsi\u2014mulai dari CFO dan chief people officer hingga kepala pengalaman pelanggan dan operasional.<\/p>\n\n

Namun inilah yang saya pelajari dari ribuan percakapan penjualan: ada perbedaan besar antara organisasi yang mengatakan \u201ckami membutuhkan AI<\/em>\u201d dan mereka yang dapat mengartikulasikan \u201cinilah masalah spesifik kami yang mungkin dapat dipecahkan oleh AI.<\/em>\u201d<\/p>\n\n

1. Organisasi Penasaran AI vs. Siap AI<\/h3>\n\n

Organisasi yang penasaran AI mendekati percakapan dengan antusiasme tentang berbagai kemungkinan. Mereka mengajukan pertanyaan seperti \u201cApa yang bisa AI lakukan untuk kami?<\/em>\u201d dan \u201cSeberapa cepat kami bisa melihat transformasi?<\/em>\u201d Percakapan ini sering melibatkan kelompok pemangku kepentingan besar yang mencoba membangun peta jalan komprehensif yang mengatasi setiap kasus penggunaan potensial. <\/p>\n\n

Organisasi yang siap AI, di sisi lain, memulai percakapan secara berbeda. Mereka memulai dengan masalah-masalah spesifik: \u201cAgen pusat kontak kami menghabiskan 90 detik setelah setiap panggilan untuk mengetik catatan alih-alih membantu pelanggan berikutnya.<\/em>\u201d Atau \u201cKami kewalahan dengan panggilan penjadwalan janji temu setiap Senin pagi, dan itu mengalihkan staf kami dari interaksi pasien yang lebih penting.<\/em>\u201d <\/p>\n\n

Perbedaan titik awal ini memprediksi keberhasilan lebih dari faktor lain yang saya amati.<\/p>\n\n

2. Mandat AI dan Pemeriksaan Realitas<\/h3>\n\n

Yang sangat menarik adalah mengamati bagaimana tekanan mandat saat ini berjalan. Para eksekutif diminta untuk menjelajahi AI sebelum memperluas tim, tetapi banyak yang menemukan bahwa implementasi AI yang berhasil tidak sesederhana yang mereka kira pada awalnya. <\/p>\n\n

Bahkan ketika seorang kepala departemen \u201csepenuhnya terlibat\u201d dalam AI, mereka dengan cepat menyadari bahwa mereka masih membutuhkan TI untuk akses dan keamanan data, kepatuhan untuk persyaratan regulasi, dan seringkali bagian hukum untuk hubungan vendor. Keinginan untuk bergerak cepat berhadapan dengan realitas kompleksitas organisasi. <\/p>\n\n

Namun di sinilah organisasi yang jujur membedakan diri mereka: alih-alih merasa frustrasi oleh persyaratan ini, mereka melihatnya sebagai peluang untuk membangun fondasi yang tepat sejak awal.<\/p>\n\n

Terkait: Permintaan Mustahil untuk Memberikan CX Kelas Dunia dalam Skala Besar Sambil Memangkas Biaya<\/a><\/p>\n\n

3. Mengapa Titik Awal Memprediksi Keberhasilan<\/h3>\n\n

Prospek yang bergerak cepat dari evaluasi ke implementasi memiliki beberapa karakteristik:<\/p>\n\n

Mereka dapat menjelaskan titik-titik gesekan dalam istilah operasional, bukan abstraksi strategis. Alih-alih mengatakan \u201ckami perlu meningkatkan pengalaman pelanggan,<\/em>\u201d mereka mengatakan \u201cwaktu penanganan rata-rata kami meningkat 23% kuartal lalu karena agen kesulitan dengan sistem basis pengetahuan baru kami.<\/em>\u201d <\/p>\n\n

Mereka memahami bahwa AI memperkuat proses yang ada\u2014baik atau buruk. Jika proses layanan pelanggan Anda saat ini rusak, AI hanya akan merusaknya lebih cepat dan dalam skala yang lebih besar. Organisasi yang jujur memperbaiki masalah proses yang mendasarinya terlebih dahulu. <\/p>\n\n

Mereka realistis tentang jadwal dan metrik keberhasilan. Daripada mengharapkan transformasi instan, mereka mencari peningkatan spesifik di area yang terukur dalam 8-12 minggu. <\/p>\n\n

Mungkin yang terpenting, mereka melihat implementasi AI sebagai proses berulang daripada proyek sekali jadi. Mereka memahami bahwa tujuannya bukan untuk menerapkan AI yang sempurna, tetapi untuk menerapkan AI yang berguna yang semakin baik seiring waktu. Mengingat bahwa AI adalah pembelajaran mandiri dan otonom, ini adalah titik awal yang jauh lebih baik daripada otomatisasi tradisional. <\/p>\n\n

Realitas Implementasi: Mengapa Niat Baik Berakhir Buruk<\/h2>\n\n

Oleh Ben Edwards<\/em>, Direktur CX dan AI di Sandler Partners<\/em><\/p>\n\n

Dari medan implementasi, saya dapat memberitahu Anda bahwa kesenjangan antara antusiasme AI dan keberhasilan AI seringkali bermuara pada bagaimana organisasi mendekati keputusan awal\u2014terutama seputar ukuran tim dan cakupan.<\/p>\n\n

1. Jebakan Komite<\/h3>\n\n

Pembunuh implementasi terbesar yang saya lihat adalah apa yang saya sebut jebakan komite. Organisasi merasa perlu untuk membuat \u201csemua orang terlibat\u201d sebelum melangkah maju, sehingga mereka membentuk komite pengarah dengan perwakilan dari setiap unit bisnis yang mungkin terdampak oleh AI. <\/p>\n\n

\n

Inilah masalahnya: karena kematangan AI saat ini dan kecepatan implementasi yang dapat kita capai, komite-komite besar ini justru lebih memperlambat Anda daripada membantu. Saat Anda mencoba membangun konsensus di antara 15 pemangku kepentingan dengan prioritas dan kekhawatiran yang berbeda, pesaing Anda sedang menerapkan solusi dan membangun momentum. <\/p>\n<\/blockquote>\n\n

Saya tidak mengatakan masukan pemangku kepentingan tidak penting\u2014itu sangat penting. Namun ada perbedaan antara konsultasi dan wewenang pengambilan keputusan. Implementasi paling sukses yang saya lihat membatasi tim inti pengambil keputusan menjadi tiga jenis orang: <\/p>\n\n