Dette får du svar på
Tallet som selger flest lisenser innen salgsintelligens er 30 prosent bedre konvertering fra MQL til SQL. Det stammer fra statistikksammenstillingen hos pipeline.zoominfo.com, 2026, og det er et reelt tall fra en reell kilde. Men det er et gjennomsnitt publisert av en leverandør som selger nettopp denne typen data, i samme artikkel som opplyser at databasen inneholder 500 millioner kontakter. Du kan bruke tallet som retning. Du kan ikke bruke det som budsjett.
Denne artikkelen tar deg gjennom hva AI-drevet lead scoring gjør i et salgsteam, hvilke signaler modellen faktisk kan lese, hvilke datafelt som må være rene før scoringen betyr noe, og hvordan du bygger en første modell i CRM-et du allerede har. Du får også en gjennomgang av hvordan du leser leverandørtall kritisk, hva markedet koster, og hva regelverket krever av deg.
Vår erfaring er at datakvalitet avgjør før verktøyvalg. Når 54 prosent av markedsførerne oppgir dårlig data som hovedbarrieren for AI, er opprydding i kontaktdata den første jobben, ikke en ny lisens. Rekkefølgen er ikke en detalj. Den avgjør om scoringen blir et verktøy eller en dyr tilfeldighetsgenerator.
| Spørsmål | Kort svar |
|---|---|
| Hva er AI lead scoring? | En sannsynlighetsvurdering av hvert lead, basert på utfallsdata fra egen pipeline og signaler om selskapet og personen. |
| Hvor mye bedre konverterer det? | 30 prosent bedre MQL-til-SQL-konvertering er det mest refererte tallet i markedet, og det er et leverandørgjennomsnitt. |
| Hva stopper folk? | Datakvalitet. Dårlig data oppgis som hovedbarriere av 54 prosent av markedsførerne. |
| Hva gjør du først? | Rydder felt og duplikater i CRM-et, og definerer hva et vunnet salg er i data. |
| Trenger du ny lisens? | Ikke i starten. Regelbasert scoring på egne data gir deg fasiten du senere måler en modell mot. |
| Hva med regelverket? | AI Act har vært i kraft siden 1. august 2024. Bruken må avklares, ikke antas å falle utenfor. |
Hva AI-drevet lead scoring faktisk er i et salgsteam
Lead scoring er gammelt. Det nye er at modellen lærer fra utfallet i din egen pipeline i stedet for at en markedssjef gjetter at et nedlastet whitepaper er verdt mer enn et besøk på prisssiden. Når 77 prosent av selskapene bruker eller utforsker AI, og 65 prosent av organisasjonene har generativ AI i minst en forretningsfunksjon, er scoring et av de få bruksområdene der effekten lar seg måle direkte i kroner.
Det praktiske resultatet er en rangert liste. Ikke en magisk liste, men en liste der selgeren starter øverst i stedet for å starte på det som kom inn sist. For et team som håndterer inbound-volum er det forskjellen mellom å ringe de riktige og å ringe de nyeste.
Fra magefølelse til sannsynlighet
En scoringsmodell gjør en enkel ting: den ser på hvilke egenskaper vunnede salg hadde da de var leads, og leter etter de samme egenskapene hos nye leads. Hvis dine beste kunder er mellomstore norske produksjonsbedrifter med eget ERP og en teknisk innkjøper, vil modellen etter hvert løfte slike leads og senke de andre. Det er statistikk, ikke intuisjon. Og det er derfor den trenger ryddige utfallsdata mer enn den trenger smarte algoritmer.
Gevinsten ligger i prioriteringsrekkefølgen. Forbedringen på 30 prosent fra MQL til SQL handler ikke om at flere leads blir gode, men om at selgeren bruker tiden sin på de som alltid var gode. Den samme logikken forklarer hvorfor lekkasjen i salgstrakten sjelden skyldes for få leads. Den skyldes at de riktige leadene blir liggende.
Forskjellen på regelbasert og modellbasert scoring
Regelbasert scoring er poeng du setter selv: bransje gir vekt, rolle gir vekt, demoforespørsel gir mye vekt. Den er gjennomsiktig, lett å forklare i et salgsmøte og krever ingen lisens utover CRM-et. Modellbasert scoring finner vektene selv ut fra historiske utfall, treffer bedre når datagrunnlaget er stort nok, og er vanskeligere å forklare når en selger spør hvorfor et lead fikk lav score.
De fleste norske B2B-SMB-er bør starte regelbasert og bytte når volumet forsvarer det. Grunnen er praktisk: en regelbasert modell gir deg en målestokk. Uten den har du ingen måte å vite om AI-modellen faktisk er bedre enn den sunne fornuften du erstattet. At 40 prosent av store virksomheter piloterer AI-agenter sier lite om hva et team på et titalls selgere bør gjøre.
Hva scoringen ikke kan gjøre
Scoring forteller deg hvem du bør ringe først. Den ringer ikke. Den skriver ikke en bedre åpning, den booker ikke møtet, og den redder ikke et lead som allerede har ventet i en uke. Når systematisk oppfølging av leads er den faktiske flaskehalsen, flytter en ny score ingenting. Den gjør bare køen bedre sortert.
Modellen kan heller ikke fikse et tomt marked. Hvis ICP-en er for bred, vil scoringen fordele leads som allerede er feil. Den beste bruken er derfor nedstrøms for en skarp målgruppedefinisjon, ikke som erstatning for den.
Signalene som forteller hvem som er kjøpsklar
En score er bare så god som signalene den bygger på. I praksis finnes tre typer: hvem selskapet er, hva de gjør på dine flater, og hva de gjør andre steder. De to første eier du selv. Den tredje kjøper du, og det er der prisen og usikkerheten begynner.
Firmografi og teknologisignaler
Bransje, ansatte, omsetning, geografi og eierstruktur er grunnlinjen. Teknologisignaler er det laget over: hvilket CRM de kjører, om de har et marketing automation-verktøy, om de nylig har byttet ERP, om de har stillingsannonser for roller som indikerer et prosjekt. Slike signaler er sterke fordi de korrelerer med budsjett og tidsvindu, ikke bare med interesse.
Leverandørene bygger hele produkter på dette. finance.yahoo.com omtaler en plattform som kombinerer egen forskning, tredjepartsdata og AI-innsikt, bygget på over 15 000 tredjepartskilder og over 10 000 markedsstudier. Antall kilder er et stort tall. Det sier ingenting om hvor ferske de er for norske selskaper.
Atferdssignaler fra egne flater
Besøk på prisside, gjentatte besøk fra samme domene, nedlasting av en konkret implementeringsguide, svar på en e-post, deltakelse i webinar. Dette er de mest undervurderte signalene i norsk B2B fordi de koster null og er fullt lovlige å bruke når samtykkegrunnlaget er på plass. De er også de ferskeste du har.
Vekt dem etter hvor nær kjøp de ligger. En nedlasting av en bransjerapport er tidlig interesse. En forespørsel om integrasjonsdokumentasjon er sent i prosessen. Når 71 prosent av B2B-markedsførerne bruker AI til personalisering eller segmentering, er det nettopp disse signalene som driver segmenteringen.
Intent-data og hvorfor den er ferskvare
Intent-data er signaler om at noen i selskapet undersøker kategorien din et annet sted på nettet. Verdien er høy når dataene er dager gamle og tilnærmet null når de er måneder gamle. Derfor er oppdateringsfrekvens det viktigste spørsmålet du kan stille en leverandør.
Vår erfaring er at du skal kreve at leverandøren viser hvor dataene kommer fra og hvor ofte de oppdateres, ikke bare hvor mange kilder og kontakter databasen inneholder. En base på 500 millioner kontakter hjelper deg ikke hvis de norske oppføringene stammer fra en innsamling som ikke har vært oppdatert siden forrige konjunktur. Be om stikkprøver på ditt eget segment før du signerer.
Tallene bak 30 prosent bedre leadkonvertering
Effekttallene i dette markedet kommer fra tre steder: leverandørenes egne sammenstillinger, betalte pressemeldinger, og bredere analyser av AI-adopsjon som ikke handler om salg i det hele tatt. De tre har helt ulik beviskraft, og de blandes systematisk i salgsmateriell.
| Tall | Hva det faktisk sier | Kildetype | Vekt i en innkjøpsbeslutning |
|---|---|---|---|
| 30 prosent bedre MQL til SQL | Gjennomsnittlig forbedring i konvertering ved AI-drevet lead scoring | Leverandørblogg som samler tredjepartstall | Retning, ikke budsjett |
| 50 prosent kortere research-tid | Redusert tid på manuell research per konto | Leverandørblogg | Testbar i egen pilot, mål den |
| 22 prosent lavere prosesskostnader | Gjennomsnittlig besparelse ved AI-adopsjon generelt | Bred adopsjonsstatistikk | Svak for en salgsspesifikk business case |
| Flerdoblet pipeline og vinnerate | Leverandørens egen påstand om eget produkt | Betalt pressemelding | Ingen |
| 80 prosent produktivitetsforbedring | Selvrapportert opplevd forbedring blant AI-brukere | Spørreundersøkelse | Svak, selvrapportering overdriver |
Hva 30 prosent faktisk måler
Tallet på 30 prosent gjelder overgangen fra markedskvalifisert til salgskvalifisert lead. Det er en intern overlevering, ikke en signert kontrakt. Det betyr at gevinsten i praksis er bedre prioritering i et tidlig ledd, og at effekten nedstrøms avhenger av om selgerne faktisk jobber køen slik modellen foreslår.
Det betyr også at tallet er meningsløst hvis du ikke har en definert overgang mellom MQL og SQL i dag. Mange norske SMB-er har det ikke. Da er den reelle gevinsten ved å innføre scoring todelt: du får en score, og du får for første gang en definisjon av hva et kvalifisert lead er. Det siste er ofte verdt mer enn det første.
Research-tid er den effekten du kan måle selv
Halvering av tiden brukt på manuell research per konto er den mest etterprøvbare påstanden i hele kildesettet. Pressemeldingen hos finance.yahoo.com hevder det samme for sitt eget produkt. Dette kan du teste i en pilot på noen uker: mål hvor lang tid en selger bruker på å forberede et prospektmøte før og etter.
Ta tiden med stoppeklokke på et utvalg kontoer, ikke etter hukommelse. Selgere underrapporterer research-tid fordi den føles som arbeid de burde vært ferdig med. Multipliser det med antallet prospektmøter teamet holder i måneden, og du har en kostnadsside som er din egen og ikke en leverandørs.
Tallene som ikke gjelder deg
Høyere sannsynlighet for omsetningsvekst over 10 prosent blant AI-ledere, 45 prosent økning i bedriftsfortjeneste fra modellforbedringer, og 208 prosent mer omsetning fra AI-drevne ABM-programmer er alle interessante. Ingen av dem er en prognose for ditt salgsteam neste kvartal.
Problemet er seleksjon. Selskaper som lykkes med AI er typisk selskaper som allerede hadde ryddige data, tydelige prosesser og folk som måler. Tallene beskriver hvem de er, ikke hva verktøyet gjorde. Den samme logikken gjelder påstanden om at 90 prosent av ledende selskaper investerer i AI, mot 57 prosent av alle selskaper.
Dårlig data er barrieren for 54 prosent av dem som prøver
Når 54 prosent av markedsførerne oppgir dårlig data som hovedbarrieren for AI, er det ikke en teknisk fotnote. Det er den vanligste grunnen til at et scoringprosjekt blir lagt i skuffen etter et kvartal. Modellen virket, men ingen trodde på resultatet, fordi alle hadde sett et dubletteksempel i listen.
Dette gjelder like mye for norske team som for amerikanske. Fenomenet er grundig beskrevet i gjennomgangen av hvorfor implementering av AI i salg stopper på datakvalitet, og i den praktiske regningen for datakvalitet i CRM-et.
Scoringen forsterker feilene som allerede ligger der
En modell er en forsterker. Hvis bransjefeltet er tomt på en stor andel av kontoene, lærer modellen at tomt bransjefelt er et signal, og du får en score som egentlig måler hvem som har vært flinke til å fylle ut skjemaer. Hvis tapte saker aldri lukkes i CRM-et, lærer modellen bare fra vunne saker og mister kontrasten som gjør prediksjonen mulig.
Resultatet er ikke en dårlig score. Resultatet er en score som ser riktig ut og peker feil. Det er verre, fordi den brukes. Selgeren merker det etter noen uker, slutter å stole på listen, og går tilbake til å ringe det som kom inn sist.
Bias, styring og hvem som eier modellen
56 prosent av organisasjonene har opplevd AI-bias i minst en utrulling, samtidig som bare 35 prosent har en formell AI-styringspolicy. I en scoringsmodell ser bias ut som systematisk nedprioritering av et helt segment, for eksempel mindre selskaper eller en bransje du historisk har solgt lite til fordi ingen har forsøkt.
Motgiften er kjedelig og effektiv: en eier av modellen, en fast gjennomgang av hvilke segmenter som får lav score, og en regel om at et utvalg lavt scorede leads alltid blir ringt. Uten den kontrollsløyfen bekrefter modellen bare sine egne antakelser. Legg til at 72 prosent av AI-kjøperne oppgir datapersonvern som toppbekymring, og du har to grunner til å ha styringen på plass før utrullingen.
Rydd kontaktdataene før du scorer et eneste lead
Dette er den jobben ingen vil ha og alle trenger. Den er også raskere enn folk tror, fordi du ikke skal rydde alt. Du skal rydde de feltene scoringen faktisk bruker, på de kontoene som faktisk er i spill.
| Datafelt | Hvorfor det avgjør scoringen | Sjekk denne uken |
|---|---|---|
| Organisasjonsnummer | Eneste pålitelige nøkkel mot norske registre og mot dubletter | Hvor mange kontoer mangler det |
| Bransjekode | Bærer mest vekt i firmografisk scoring | Andel tomme eller «annet» |
| Rolle og tittel | Skiller beslutningstaker fra bruker og påvirker svarsannsynlighet | Frittekstkaos mot faste verdier |
| E-post og telefon | Styrer om et høyt scoret lead i det hele tatt kan kontaktes | Bouncerate siste utsending |
| Leadkilde | Skiller inbound fra kjøpt liste, som konverterer helt ulikt | Om feltet settes automatisk |
| Sist verifisert | Avgjør om et signal er ferskvare eller historie | Om feltet finnes i det hele tatt |
| Utfall og tapsårsak | Hele treningsgrunnlaget for en modell | Andel saker lukket uten årsak |
Begynn med utfallsfeltet, ikke kontaktfeltet
De fleste starter med å vaske e-postadresser fordi det er målbart. Start i stedet med å lukke gamle saker riktig. En modell trenger både vunnet og tapt, og den trenger tapsårsak for å skille mellom «feil selskap» og «feil tidspunkt». Et CRM der tapte saker bare blir liggende åpne, gir deg et datasett som systematisk overdriver hvor godt du selger.
Praktisk grep: gå gjennom åpne saker som ikke har hatt aktivitet siste kvartal, lukk dem med årsak, og innfør en regel om at ingen sak kan lukkes uten årsak. Dette er en ettermiddags arbeid for et lite team, og det er fundamentet for alt annet.
Dedupliseringen ingen vil gjøre
Dubletter ødelegger scoring på to måter. De splitter atferdssignalene fra samme selskap over flere oppføringer, slik at ingen av dem ser interessert nok ut. Og de gjør at to selgere ringer samme kontakt i samme uke, noe som koster deg troverdighet hos nettopp det prospektet som hadde høyest score.
Bruk organisasjonsnummer som nøkkel for selskap og e-postadresse som nøkkel for person. Alt annet, inkludert firmanavn, er for upålitelig i norsk kontekst fordi «AS», avdelingsnavn og skrivemåter varierer. Sett opp en fast rutine for sammenslåing i stedet for en engangsopprydding.
Oppdateringsfrekvens som eget felt
Legg inn et felt for når en kontakt sist ble verifisert, og la det være synlig i listevisningen selgeren jobber i. Det gjør forfallet eksplisitt. Et lead med høy score og gammel verifisering skal behandles annerledes enn et lead med høy score og fersk verifisering, og uten feltet kan ingen se forskjellen.
Dette er også det feltet som gjør leverandørsamtalen konkret. Når du selv fører oppdateringsdato, kan du måle en datakilde mot egne stikkprøver i stedet for å diskutere antall kilder. Det flytter samtalen fra 15 000 kilder til treffsikkerhet på ditt eget segment.
Scoringsmodellen du kan bygge i CRM-et denne uken
Du trenger ikke en plattform for å komme i gang. Du trenger en definisjon, en håndfull vekter og en liste selgerne faktisk åpner. Nedenfor er en modell som fungerer i HubSpot, Pipedrive, Dynamics eller et regneark, og som senere gir deg målestokken en AI-modell må slå.
| Signal | Vekt | Hvor det ligger | Hvor fort det forfaller |
|---|---|---|---|
| Forespørsel om demo eller pris | Høy | Skjema i CRM | Dager |
| Rolle med budsjettansvar | Høy | Kontaktkort | Måneder |
| Bransje i kjerne-ICP | Høy | Firmografi | Svært sakte |
| Teknologisignal som indikerer prosjekt | Middels | Beriket felt eller manuell research | Uker |
| Gjentatte besøk fra samme domene | Middels | Nettstedsanalyse | Dager |
| Nedlasting av tidlig innhold | Lav | Skjema i CRM | Uker |
| Generell nyhetsbrevpåmelding | Lav | Markedsverktøy | Måneder |
| Manglende kontaktdata | Negativ | Kontaktkort | Til det rettes |
Start med utfallsdataene du allerede har
Trekk ut alle vunne og tapte saker fra siste år. Sorter dem etter bransje, selskapsstørrelse, rolle hos kontakten og leadkilde. Du leter etter en ting: hvilke kombinasjoner har en treffrate som skiller seg tydelig fra snittet. Dette er en enkel pivottabell, ikke et datavitenskapsprosjekt.
Mønsteret du finner er førsteutkastet til vektene dine. Hvis en uforholdsmessig stor del av kundene dine kom fra en bransje som utgjør en liten del av leadene, har du funnet et signal som er sterkere enn noe en leverandør kan selge deg. Du eier det, det er gratis, og det er allerede norsk.
Sett vektene manuelt og skriv dem ned
Bruk få nivåer: høy, middels, lav og negativ. Flere nivåer gir en falsk presisjon ingen klarer å vedlikeholde. Negativ vekt er den som oftest glemmes, og den er viktig: manglende telefonnummer, generisk e-postadresse eller en rolle uten innflytelse skal trekke ned, ellers havner umulige leads øverst.
Dokumenter vektene i et dokument selgerne har tilgang til. En modell som ingen kan forklare, blir ignorert i det øyeblikket den gir et rart svar. Åpenheten er også det som gjør at du kan rette opp en skjevhet raskt, i stedet for å vente på at en leverandør retrener noe.
Tre bånd og en regel for hvert av dem
Del listen i bånd A, B og C. A-leads ringes samme dag, av en navngitt person, med en avtalt sekvens. B-leads får en kortere, delvis automatisert oppfølging. C-leads går til nurturing og vurderes på nytt når et nytt signal kommer inn. Poenget er at hvert bånd har en handling, ikke bare en farge.
Legg til en kontrollregel: et utvalg C-leads skal alltid ringes. Det er din eneste måte å oppdage at modellen tar feil. Og hold fast på at scoring ikke erstatter utholdenhet. Grunnen til at oppfølgingsdisiplinen i salgsteamet svikter er sjelden at køen var feil sortert.
Markedet for salgsintelligens og hva plattformene lover
Du kjøper inn i et marked i sterk vekst, og det påvirker hvordan du blir solgt til. Selgerne du møter har aggressive mål, og markedsmaterialet er bygget for å tåle sammenligning med andre leverandører, ikke for å tåle en pilot hos deg.
Størrelsen setter tempoet i salgsprosessen
Det globale AI-markedet passerte 200 milliarder dollar i 2023 og anslås til 1,8 billioner dollar innen 2030. Generativ AI alene var verdt 16,87 milliarder dollar i 2024 og anslås til 109,37 milliarder dollar innen 2030. Vekstratene som oppgis for begge markedene er høye, men de er anslag og ikke observerte tall, og de sier ingenting om hva ditt salgsteam får igjen for en lisens.
PwC-anslaget om at AI kan tilføre 15,7 billioner dollar til verdensøkonomien innen 2030 brukes i nesten alle pitcher du vil se. Det er et makrotall. Det hører ikke hjemme i en vurdering av om du skal bruke penger på scoring, og når det dukker opp i et tilbud er det et tegn på at den konkrete dokumentasjonen er tynn.
Hva plattformene faktisk lover
Pressemeldingen hos finance.yahoo.com fra februar 2025 er et godt eksempel på sjangeren. Produktet skal kombinere egen forskning, tredjepartsdata og AI-innsikt i sanntid, halvere research-tiden og flerdoble pipeline og vinnerate. Selskapets leder hevder at eksisterende verktøy bare gir overordnede finansdata eller kontakter, ikke innsikt i hva som driver vekst hos kunden.
Argumentet er ikke dumt. Premisset om at B2B-økonomien ser fremveksten av 25 billioner dollar i nye inntektsstrømmer, og at mange toppselskaper flytter en betydelig del av inntektskildene til ny teknologi og nye markeder, er heller ikke urimelig som trendbeskrivelse. Men en betalt pressemelding er markedsføring, uansett hvor seriøs avsenderen er.
Leverandørpåstander og hva det koster deg å tro på dem
Vår erfaring er at tall fra betalte pressemeldinger, som påstanden om flerdoblet pipeline og vinnerate, er markedsføring og ikke skal brukes som grunnlag for en innkjøpsbeslutning uten egen pilot. Det er ikke mistillit til leverandøren. Det er en erkjennelse av at ingen publiserer tallene fra kundene der det ikke virket.
| Kostnadspost | Hva den dekker | Spørsmål du må stille |
|---|---|---|
| Lisens per sete | Tilgang til plattform og scoring | Hva skjer med prisen når teamet vokser midt i avtaleperioden |
| Dataabonnement | Berikelse og kontaktdata | Hvor kommer de norske dataene fra, og hvor ofte oppdateres de |
| Integrasjon mot CRM | Felt-mapping, toveis synk, feilhåndtering | Hvem eier synken når feltene endres hos oss |
| Datavask ved oppstart | Deduplisering og feltstandardisering | Er dette inkludert eller fakturert som timer |
| Intern tid | Opplæring, prosessendring, oppfølging av modellen | Hvem hos oss eier modellen etter innføring |
| Exit | Uttak av egne data ved oppsigelse | Får vi ut berikede felt, eller bare det vi la inn |
Pilot som faktisk kan feile
En pilot som ikke kan feile er en demo. Definer på forhånd hva som må skje for at du kjøper: hvor stor forbedring i konvertering fra kvalifisert lead til møte, målt mot en kontrollgruppe som jobber som før. Kjør den på ett segment, med de samme selgerne, i minst en full salgssyklus.
Mål også de kjedelige tingene: andel leads der kontaktdataene var feil, antall dubletter som dukket opp etter berikelse, og hvor lang tid selgerne faktisk brukte i det nye verktøyet. Det er disse tallene som avgjør om løsningen lever om et år, ikke om scoringen var elegant.
Kostnadsposten som alltid undervurderes
Intern tid er den største skjulte kostnaden. Noen må eie feltdefinisjoner, følge opp at selgerne lukker saker med årsak, og se på modellens utslag hvert kvartal. I et team på en håndfull selgere er dette typisk salgslederen, og da er det en reell del av regnestykket.
Gevinstsiden er på sin side målbar hvis du gjør jobben. Halvert research-tid og 22 prosent lavere prosesskostnader er tall du kan forsøke å reprodusere i egen drift. Hvis du ikke klarer å måle dem i en pilot, har du heller ingen business case å forsvare internt.
Hva AI Act betyr for scoring av norske prospekter
Vår erfaring er at AI Act har vært i kraft siden 1. august 2024, og at norske salgsteam bør avklare egen scoring-bruk mot regelverket framfor å anta at salgsverktøy faller utenfor. Antakelsen om at dette bare gjelder ansiktsgjenkjenning og kredittvurdering er utbredt, og den er ikke noe å bygge en prosess på.
Hva som faktisk gjelder, og hvor du sjekker det
EU-kommisjonen, 2024 opplyser at AI Act trådte i kraft 1. august 2024 og etablerer harmoniserte regler for pålitelig AI i det indre markedet, med formål om å fremme bruk samtidig som risiko for helse, sikkerhet og grunnleggende rettigheter håndteres. Kommisjonens Single Information Platform tilbyr interaktive verktøy for å avgjøre om du er underlagt rettslige forpliktelser og hvilke tiltak som kreves.
Tre ting er praktisk nyttige der: AI Act Explorer for å lese kapitler og vedlegg, Compliance Checker for å vurdere et konkret system mot kravene, og Service Desk der du kan sende inn spørsmål og få svar fra et ekspertteam som samarbeider tett med EU AI Office. Bruk dem før du kjøper, ikke etter.
Praktisk minimum for et salgsteam
Kjør scoringen gjennom Compliance Checker og dokumenter konklusjonen, uansett hva den blir. Skriv ned hvilke datakilder som brukes, hvilket behandlingsgrunnlag du har for persondata, hvem som kan overstyre en score, og hvor lenge dataene lagres. Dette er dokumenter du uansett trenger når en kunde eller revisor spør.
Hensynet er ikke bare juridisk. 65 prosent av forbrukerne er bekymret for AI-beslutninger uten menneskelig tilsyn, mens 79 prosent er villige til å dele persondata når de forstår hvordan de brukes, og for 52 prosent påvirker selskapets AI-etikk kjøpsbeslutningen. I B2B møter du de samme menneskene. At 30 amerikanske delstater har AI-relatert lovgivning er en påminnelse om at dette ikke er et europeisk særfenomen.
Vanlige feil når salgsteam tar i bruk AI lead scoring
Feilene er forutsigbare, og de har lite å gjøre med teknologi. De handler om rekkefølge, eierskap og hva som skjer i uken etter at verktøyet er på.
Scoring før utfallsdata
Den vanligste feilen er å score leads før CRM-et vet hva et vunnet og et tapt salg er. Da er modellen basert på aktivitet, og aktivitet korrelerer med hvor flink selgeren var til å logge, ikke med hvem som kjøper. Du ender med en score som måler din egen CRM-disiplin.
Rettelsen er den samme som i kapittelet om opprydding: lukk saker med årsak, fyll inn de få feltene som bærer vekt, og aksepter at den første modellen bare skal være litt bedre enn ingenting.
En modell ingen selger forstår
Hvis ingen kan forklare hvorfor et lead havnet i bånd C, blir båndet ignorert. Svart boks fungerer i et stort team med dedikerte analytikere og fungerer dårlig i et norsk SMB-salgsteam der salgslederen selv ringer. Velg forklarbarhet over treffsikkerhet i starten, og bytt først når teamet stoler på systemet.
Et enkelt tiltak virker: vis de to eller tre signalene som løftet eller senket scoren, rett i listevisningen. Selgeren får da en begrunnelse å bruke i samtalen, og modellen får en gratis kvalitetskontroll fra folk som kjenner markedet.
Score som erstatning for oppfølging
Et høyt scoret lead som ringes en gang og legges bort er like tapt som et lavt scoret. Scoring flytter rekkefølgen, ikke utholdenheten. Team som innfører scoring uten å samtidig stramme oppfølgingskadensen, ser typisk en kort forbedring som flater ut når de enkleste leadene er tatt.
Koble derfor hvert bånd til en sekvens med definert antall berøringer og kanaler. Det er her den faktiske konverteringsgevinsten ligger, og det er også grunnen til at kadensen i oppfølgingen fortjener minst like mye oppmerksomhet som scoringsmodellen.
Ingen eier dataene etter innføring
Et scoringprosjekt uten navngitt eier forfaller i løpet av noen måneder. Felt endres, nye skjemaer legges til, berikelsen slutter å treffe, og ingen oppdager det før en selger klager. Sett en fast kvartalsgjennomgang med tre punkter: andel tomme felt i de vektbærende feltene, treffrate per bånd, og hvilke segmenter som systematisk får lav score.
Dette er også stedet å fange opp at markedet ditt har endret seg. En modell trent på fjorårets kunder vil nedprioritere et nytt segment du nettopp har begynt å lykkes i, helt til noen tvinger inn de nye utfallsdataene.
Din situasjon og vår anbefaling
Det finnes ikke ett svar for alle. Men det finnes et tydelig mønster: jo mindre leadvolum, jo mer av gevinsten ligger i datakvalitet og oppfølgingsdisiplin, og jo mindre ligger den i modellen.
| Din situasjon | Første grep | Vår anbefaling |
|---|---|---|
| Daglig leder som selger selv, lite inbound | Rydd utfallsfeltet og definer ICP skriftlig | Regelbasert scoring i regneark eller CRM. Ikke kjøp plattform. |
| Lite salgsteam med jevnt inbound | Dedupliser og sett faste verdier på bransje og rolle | Regelbasert scoring i CRM, med tre bånd og sekvens per bånd. |
| Inbound-team med høyt volum | Mål dagens konvertering fra MQL til SQL som baseline | Pilot på modellbasert scoring mot kontrollgruppe, ett segment. |
| Outbound-team med kjøpte lister | Stikkprøver på datakvalitet i eget segment | Prioriter dataleverandør og oppdateringsfrekvens over scoringfunksjoner. |
| CRM som ikke brukes av selgerne | Fiks adopsjonen først | Utsett scoring. Modellen vil bare måle hvem som logget. |
Hvis du har lite volum
Med et lavt antall leads i måneden er statistikken for tynn til at en modell finner pålitelige mønstre. Da er gevinsten å få en skriftlig ICP, rene felt og en oppfølgingskadens som ikke slipper noe. Den jobben gir deg også treningsdataene du trenger den dagen volumet rettferdiggjør mer.
Du kan likevel hente ut mye av research-gevinsten. Halvering av tiden brukt på manuell research per konto krever ingen scoringsmodell, bare en strukturert måte å forberede møter på. Start der, fordi effekten er umiddelbar og uavhengig av datamengde.
Hvis du har volum og vil kjøpe
Mål baseline først. Uten dagens konverteringsrate fra MQL til SQL kan du ikke vurdere om du fikk noe i nærheten av de 30 prosentene som brukes i markedsføringen. Still de tre spørsmålene som faktisk skiller leverandører: hvor kommer de norske dataene fra, hvor ofte oppdateres de, og hva får vi ut ved oppsigelse.
Krev referanser fra selskaper i din størrelse og ditt marked, ikke globale logoer. Og hold fast på at løftene i en pressemelding er utgangspunktet for en pilot, ikke konklusjonen på en vurdering.
Ofte stilte spørsmål om AI lead scoring
Spørsmålene under er de vi oftest møter fra salgsledere i norske B2B-selskaper som vurderer å prioritere leads med AI.
Hva er AI lead scoring, enkelt forklart?
Det er en metode der et system rangerer leadene dine etter hvor sannsynlig det er at de blir kunder, basert på hva som kjennetegnet tidligere vunne og tapte saker. Forskjellen fra tradisjonell scoring er at vektene kommer fra data i stedet for fra antakelser. Resultatet er en sortert kø selgeren jobber ovenfra og ned.
Hvor mye bedre blir konverteringen?
Det mest refererte tallet er 30 prosent bedre konvertering fra MQL til SQL, hentet fra en leverandørsammenstilling. Behandle det som en øvre retning, ikke en prognose. Påstander om flerdoblet pipeline og vinnerate kommer fra en betalt pressemelding og bør ikke inn i en business case.
Trenger jeg et eget verktøy, eller holder CRM-et?
CRM-et holder langt. Regelbasert scoring med noen få vektede felt, tre bånd og en definert handling per bånd dekker behovet for de fleste norske SMB-er. Et eget verktøy blir interessant når leadvolumet er høyt nok til at modellen har noe å lære fra, og når du har en baseline å måle den mot.
Hvor mye data må vi ha før en modell gir mening?
Nok lukkede saker, både vunne og tapte, til at mønstrene ikke er tilfeldige. Mangler du tapsårsak på det meste, har du i praksis ikke datagrunnlag uansett hvor mange rader CRM-et inneholder. Start derfor med å lukke saker riktig, og la volumet bygge seg opp mens du kjører regelbasert.
Er AI lead scoring lovlig under AI Act?
Mange salgsverktøy vil havne i de lavere risikokategoriene, men det skal du dokumentere, ikke anta. EU-kommisjonen, 2024 tilbyr en Compliance Checker for å vurdere konkrete systemer og en Service Desk der du kan sende inn spørsmål. Kjør vurderingen, skriv ned konklusjonen, og noter hvem som kan overstyre en score manuelt.
Hva gjør jeg hvis dataene våre er for dårlige?
Da er det den jobben du starter med, og den er verdt å gjøre uansett om du kjøper scoring senere. Når 54 prosent oppgir dårlig data som hovedbarrieren for AI, er det ingen grunn til å tro at du er unntaket. Gjennomgangen av datakvalitet i CRM-et og hvorfor AI i salg stopper på datakvalitet gir deg rekkefølgen på oppryddingen.
Vil du se hva AI faktisk gjør for salgstallene dine? Vi hjelper norske salgsteam med å ta i bruk AI der det gir målbar effekt: flere kvalifiserte møter, kortere salgssyklus og bedre kontaktdata. Ingen hype, bare det som virker for din situasjon.
Book en uforpliktende samtale: vi går gjennom salgsprosessen din og peker på de tre stedene AI gir raskest gevinst.