Varför AI-agenter misslyckas: Bristande data i CRM-system
Många AI-agentprojekt misslyckas på grund av bristfällig, felaktig och ostrukturerad data i CRM-system som är olämplig för automatisk inferens. Gartner förutspår en avbruten projektandel på över 40 procent.
Enligt prognoser från analysföretaget Gartner kommer över 40 procent av alla projekt som involverar AI-agenter att avbrytas innan slutet av 2027. Den primära orsaken till dessa misslyckanden ligger sällan i själva AI:n, utan snarare i de underliggande CRM-systemen (Customer Relationship Management).
Problemet härrör från att CRM-system ursprungligen byggdes för en tid då människor manuellt matade in data. Dessa system förutsätter att säljare konsekvent matar in information, men i verkligheten sker detta sporadiskt. Stängningsdatum för affärer skjuts upp upprepade gånger, och anteckningar är ofta personliga påminnelser snarare än strukturerad data. Fält som finns i gränssnittet kan vara tomma i databasen.
Medan människor kan hantera dessa dataluckor genom inferens och kontext, kan AI-agenter inte göra det. Saknad data utgör ett brott i informationskedjan. Om ett stängningsdatum har skjutits upp upprepade gånger utan förklaring, vet agenten inte hur den ska agera. Otydliga anteckningar skapar liknande problem. De luckor som människor utan eftertanke kompenserar för är exakt de punkter där agenterna fallerar.
Keith Peiris, medgrundare och VD för Lightfield, som fokuserar på att omstrukturera CRM för agenteran, menar att agenter misslyckas för att datan är ofullständig, felaktig och saknar den nödvändiga strukturen för förståelse. Företaget har säkrat 47 miljoner dollar i finansiering för detta ändamål.
Enligt Salesforcen "State of Sales"-rapport är manuella fel det största dataproblemet för säljteam som använder AI-agenter. Säljare spenderar upp till 60 procent av sin arbetsvecka på icke-säljande aktiviteter, inklusive manuell datainmatning, vilket understryker behovet av uppdaterade CRM-system.