Bahasa Melayu

87% Perusahaan Gagal Capai Sasaran Hasil Walaupun Perbelanjaan AI Mencatat Rekod. Penyelesaiannya Bermula Dengan Data Anda

87% perusahaan gagal capai sasaran hasil walaupun perbelanjaan AI mencatat rekod

Belanjawan meningkat. Alatan bertambah. Namun sasaran masih tidak tercapai.

Itulah kesimpulan tidak selesa daripada penyelidikan terbaru Clari Labs, diterbitkan pada Januari 2026, yang mendapati 87% perusahaan gagal mencapai sasaran hasil 2025 mereka walaupun perbelanjaan AI untuk hasil mencatat paras tertinggi dalam sejarah. Kajian ini meninjau pemimpin hasil merentasi organisasi jualan perusahaan dan mendedahkan corak yang sudah disyaki oleh kebanyakan pasukan Sales Ops: masalahnya bukan pada liputan alatan. Masalahnya pada data di sebalik alatan tersebut.

Menurut Clari Labs, 48% pasukan hasil menyatakan data mereka belum bersedia untuk pelaksanaan AI. Dan 55% mengalami isyarat pipeline yang bercanggah daripada sumber data yang tidak bersambung -- bermakna AI tidak menghasilkan kejelasan, malah menghasilkan kebisingan yang lebih pantas.

Mengapa Lebih Banyak AI pada Data Buruk Memperburuk Keadaan

Inilah bahagian yang jarang muncul dalam ucaptama vendor. Model AI tidak membaiki masalah data. Ia melipatgandakan masalah tersebut.

Apabila data hasil anda tersimpan dalam silo terpisah -- CRM, automasi pemasaran, tiket sokongan, log penggunaan produk -- setiap sistem memberikan cerita yang berbeza tentang kesihatan sesuatu perjanjian. Seorang penganalisis manusia boleh menggabungkan cerita-cerita itu menggunakan konteks. Ejen AI tidak mampu berbuat demikian. Ia memadankan corak berdasarkan isyarat yang dapat dilihatnya, dan jika isyarat tersebut bercanggah antara satu sama lain, ia menghasilkan output yang tidak konsisten. Itulah tepat yang dialami oleh 55% perusahaan dalam kajian Clari Labs.

87% perusahaan gagal capai sasaran hasil 2025 berbanding 96% ketepatan ramalan untuk pasukan dengan data bersatu

Perbezaan dalam penyelidikan ini sangat ketara. Syarikat yang menyatukan dan mentadbir data hasil mereka mencapai ketepatan ramalan 96%, peningkatan kadar pembaharuan sebanyak 20 mata, dan ROI sebanyak 398%, iaitu lebih kurang $96.2 juta dalam faedah tiga tahun. Keupayaan AI yang sama. Hasil yang jauh berbeza. Pemboleh ubahnya ialah kualiti dan tadbir urus data, bukan timbunan teknologi AI itu sendiri.

Fakta Utama

  • 87% perusahaan gagal mencapai sasaran hasil 2025 mereka walaupun pelaburan AI mencatat rekod (Clari Labs, Jan 2026)
  • 55% mengalami isyarat pipeline yang bercanggah daripada sumber data yang tidak bersambung (Clari Labs, Jan 2026)
  • Syarikat dengan data hasil yang bersatu dan dikawal selia mencapai ketepatan ramalan 96% dan ROI 398% (Clari Labs, Jan 2026)

Jurang tadbir urus juga nyata. Clari Labs mendapati 42% perusahaan tidak mempunyai rangka kerja formal untuk konsistensi data dan akauntabiliti merentasi operasi hasil. Dan 39% hanya mengkalibrasi semula model ramalan mereka secara mingguan atau bulanan, bukan secara berterusan. Kedua-duanya adalah masalah struktur yang tidak dapat ditampung oleh sebarang jumlah perbelanjaan AI.

Pasaran Sedang Mengejar Apa yang Sales Ops Telah Ketahui

Entiti gabungan Clari dan Salesloft, yang telah bergerak daripada integrasi ke peringkatan Sistem Hasil Ramalan mereka sejak penggabungan selesai, telah dinamakan dalam Gartner Magic Quadrant perdana untuk kategori yang Gartner kini gelar "Revenue Action Orchestration." Nama kategori itu sendiri memberitahu banyak perkara.

Orkestrasian. Bukan penjanaan. Bukan automasi. Orkestrasian.

Gartner secara rasmi mengiktiraf bahawa kelebihan persaingan seterusnya dalam teknologi hasil bukan terletak pada penambahan alatan AI terpencil lain dalam timbunan teknologi. Ia terletak pada penyelarasan tindakan AI melalui lapisan data yang bersih, bersatu, dan dikawal selia. Itulah hujah Sales Ops selama bertahun-tahun. Pasaran akhirnya mengejar.

Clari dan Salesloft turut melantik Brian Benfer sebagai Chief Revenue Officer dan Rajesh Krishnaswami sebagai Chief Technology Officer pada Mei 2026, menandakan pelaburan berterusan dalam usaha perusahaan platform gabungan tersebut. Anda boleh mengikuti perkembangan ini di pusat akhbar Clari.

Jika anda menilai bagaimana landskap platform yang lebih luas sedang berubah, ulasan kami tentang pencapaian ARR $500 Juta Gong merangkumi apa yang sebenarnya diperlukan oleh "kecerdasan hasil pada skala" daripada infrastruktur data anda. Dan panduan penilaian CRO kami untuk penggabungan Clari dan Salesloft memberikan huraian lebih mendalam tentang apa yang platform gabungan itu bermakna untuk timbunan teknologi sedia ada anda.

Semakan Kesediaan Data Hasil (Diagnostik Sales Ops)

Sebelum organisasi anda meluluskan penerapan ejen AI yang lain, Sales Ops perlu menjalankan apa yang kami gelar Semakan Kesediaan Data Hasil. Tiga soalan. Jawapan jujur sahaja.

Soalan 1: Adakah data hasil anda bersatu? Bolehkah satu pertanyaan mengembalikan pandangan yang konsisten tentang kesihatan sesuatu perjanjian merentasi CRM, pemasaran, sokongan, dan penggunaan produk? Jika jawapannya memerlukan pendamaian manual eksport daripada pelbagai sistem, data anda belum bersatu.

Soalan 2: Adakah data hasil anda dikawal selia? Adakah anda mempunyai pemilikan yang didokumenkan, peraturan pengesahan, dan akauntabiliti untuk setiap medan data yang menyuap ramalan anda? Jika pasukan yang berbeza mentakrifkan "peluang berkelayakan" secara berbeza, anda mempunyai masalah tadbir urus, bukan masalah teknologi.

Soalan 3: Adakah model ramalan anda terkini? Seberapa kerap pasukan anda mengkalibrasi semula model berdasarkan hasil sebenar? Penyelidikan Clari Labs mendapati 39% perusahaan melakukan ini hanya secara mingguan atau bulanan. Dalam pasaran di mana halaju perjanjian berubah lebih pantas daripada kadens suku tahunan, kelewatan itu menjadi ralat ramalan yang sistematik.

Jika mana-mana daripada tiga jawapan ini ialah "tidak" atau "kami tidak pasti," penambahan lebih banyak ejen AI akan mempercepatkan masalah kebisingan, bukan menyelesaikannya.

Urutan Data-Sebelum-Ejen

Berikut ialah urutan praktikal yang kami cadangkan untuk pasukan Sales Ops yang ingin menukar perbelanjaan AI kepada prestasi hasil sebenar:

Langkah 1: Audit sumber data anda. Petakan setiap sistem yang menyumbang data kepada ramalan hasil anda. Tandakan mana-mana yang tidak menyegerakkan secara automatik, memerlukan pendamaian manual, atau menghasilkan medan dengan takrifan yang tidak konsisten.

Langkah 2: Wujudkan lapisan tadbir urus. Tentukan pemilikan untuk setiap medan data kritikal. Lantik penjaga data bagi setiap sistem. Dokumenkan bagaimana rupa "bersih" untuk setiap metrik dan bina semakan pengesahan ringkas ke dalam aliran kerja CRM anda.

Langkah 3: Tetapkan kadens pengkalibrasi semula. Beralih daripada kemas kini model mingguan atau bulanan kepada pengkalibrasi semula berterusan atau sekurang-kurangnya mingguan yang dikaitkan dengan data tutup/hilang sebenar. Ketepatan ramalan merosot apabila model menyimpang daripada keadaan pasaran semasa.

Langkah 4: Kemudian terapkan AI. Dengan data yang bersatu, dikawal selia, dan terkini, ejen AI akan beroperasi pada isyarat yang konsisten secara dalaman. Itulah ketika hasil ketepatan ramalan 96% menjadi boleh dicapai.

Urutan ini terpakai sama ada anda menilai platform baharu atau cuba mendapat lebih nilai daripada timbunan teknologi semasa anda. Untuk pasukan yang memikirkan kualiti data pipeline sebagai sebahagian daripada kerja ini, asasnya tidak berubah: sampah masuk, sampah keluar, hanya pada kelajuan AI.

Jika anda ingin memahami bagaimana AI membentuk semula peranan Sales Ops itu sendiri, perpustakaan Pengendali Jualan AI kami merangkumi empat corak yang mentakrifkan bagaimana fungsi ini berkembang.

Bacaan berkaitan tentang soalan penerapan ejen AI: Salesforce Agentforce kini rakan sekerja, dan RevvyAI 6sense memindahkan kelayakan akaun kepada AI. Kedua-dua artikel menangani ketegangan yang sama: keupayaan AI sudah bersedia, tetapi soalan kesediaan data masih menjadi faktor penentu.

Soalan Lazim

Mengapa alatan AI tidak meningkatkan ketepatan ramalan jualan kami?

Kebanyakan alatan ramalan AI hanya sebaik data yang digunakan. Jika data hasil anda tersimpan dalam sistem yang tidak bersambung, menggunakan takrifan medan yang tidak konsisten, atau dikalibrasi semula jarang-jarang, AI akan mengeluarkan isyarat yang bercanggah dan bukannya pandangan yang koheren. Clari Labs mendapati 55% perusahaan sudah mengalami ini. Penyelesaiannya ialah tadbir urus dan penyatuan data terlebih dahulu, kemudian penerapan AI.

Apakah maksud "Revenue Action Orchestration" untuk Sales Ops?

Ia adalah kategori yang diperkenalkan Gartner untuk menerangkan platform yang menyelaraskan tindakan AI merentasi kitaran hasil penuh melalui lapisan data yang bersatu. Bagi Sales Ops, ini bermakna pasaran mengesahkan apa yang fungsi ini telah lama ketahui: nilainya bukan pada mempunyai lebih banyak alatan AI, tetapi pada mempunyai persekitaran data tunggal yang dikawal selia di mana semua alatan beroperasi. Sales Ops berada pada kedudukan semula jadi untuk memiliki lapisan itu.

Bagaimana kami mula membaiki pemecahan data hasil tanpa menggantikan keseluruhan platform?

Mulakan dengan tiga soalan diagnostik di atas (bersatu, dikawal selia, terkini). Pilih jurang yang paling besar kesannya terlebih dahulu. Rangka kerja tadbir urus sering kali boleh dilaksanakan dengan perkakas sedia ada, penetapan pemilikan peringkat medan, dan takrifan yang didokumenkan, sebelum sebarang pembelian teknologi baharu. Asas itu menjadikan setiap penerapan AI seterusnya lebih berkesan, termasuk alatan yang sudah anda miliki.

Apa yang Patut Sales Ops Lakukan Minggu Ini

  1. Jalankan Semakan Kesediaan Data Hasil. Jawab tiga soalan di atas untuk data ramalan semasa anda. Tuliskan jawapannya. Jika ada yang "tidak" atau "tidak jelas," itulah item risiko keutamaan tertinggi anda sebelum sebarang pelancaran AI baharu.

  2. Petakan sumber data anda. Senaraikan setiap sistem yang menyentuh ramalan hasil anda. Kenal pasti mana yang menyegerakkan secara automatik dan mana yang memerlukan campur tangan manual. Pendamaian manual adalah tempat ralat berganda.

  3. Jadualkan semakan tadbir urus. Kumpulkan pentadbir CRM, ketua RevOps, dan sekurang-kurangnya seorang wakil AE dalam satu bilik. Selaraskan takrifan "peluang berkelayakan." Dokumenkannya. Jadikan rasmi.

  4. Audit kadens pengkalibrasi semula anda. Jika model ramalan anda belum dikalibrasi semula berdasarkan hasil sebenar dalam 30 hari yang lalu, jadualkan sekarang. Model lapuk adalah kilang ralat sistematik.

  5. Bina kes perniagaan. Angka Clari Labs sangat menarik: ROI 398% dan ketepatan ramalan 96% daripada penyatuan data. Gunakan penanda aras tersebut untuk membingkai pelaburan kesediaan data kepada CFO anda sebelum permintaan pembelian ejen AI seterusnya tiba.

Perusahaan dalam kajian Clari Labs yang terlepas sasaran mereka bukan kekurangan alatan AI. Mereka kekurangan disiplin data. Sales Ops memiliki disiplin itu. Inilah masa anda.

Platform seperti Rework dibina berdasarkan premis bahawa data hasil yang bersatu dan dikawal selia adalah asasnya, bukan sekadar ciri. Tetapi walau apa pun timbunan teknologi anda, urutannya tetap sama: bersihkan data, kawal selianya, kemudian biarkan AI berjalan.

Ketahui Lebih Lanjut