Verkoopprofessionals staan vaak voor een moeilijk dilemma tijdens outbound salesgesprekken: of ze de potentiële klant blijven betrekken of het gesprek beëindigen om een andere lead na te gaan. Deze screeningbeslissing is van groot belang, vooral in situaties waarin verkopers met veel leads werken maar beperkt worden door beperkte tijd en frequente afwijzingen. Ondanks het belang is er weinig onderzoek gedaan naar hoe deze beslissingen worden genomen, hoe optimaal ze zijn en hoe het proces kan worden verbeterd. Een recent onderzoek vult dit gat door besluitvorming in hoog-volume outbound sales te onderzoeken, gekenmerkt door overvloed aan leads, strakke tijdslimieten en hoge kans op mislukking van gesprekken. Het onderzoek past een kader toe gebaseerd op een optimale stopstrategie—een wiskundige methode die het beste moment bepaalt om te stoppen met een activiteit om de beloning te maximaliseren. De onderzoekers ontwikkelden een sequentieel beslissingsmodel op basis van een generatief taalmodel, genaamd een "stopzetting-agent", die leert wanneer een verkoopgesprek te beëindigen door een optimale stopstrategie na te bootsen, afgeleid van eerdere verkoopgegevens. Deze AI-tool analyseert complexe tekstuele gegevens uit gesprekken en gebruikt natuurlijke taalinput om te bepalen wanneer het gesprek gestopt moet worden. Het ondersteunt integratie met zowel open source- als propriëtaire grote taalmodellen, wat de flexibiliteit aantoont. Uit tests met outbound calls van een grote Europese telecommunicatiebedrijven bleek dat de stopzettings-agent de tijd besteed aan niet-succesvolle gesprekken met 54% verlaagde, wat een aanzienlijke efficiëntieverbetering is, terwijl bijna alle succesvolle verkopen behouden bleven ondanks kortere gesprekken.

De bespaarde tijd kon worden hergebruikt voor nieuwe gesprekken, wat de verwachte verkoopvolume met tot wel 37% verhoogde. Nadere analyse toonde aan dat verkopers zich vooral richtten op enkele duidelijke linguïstische signalen van desinteresse en subtielere aanwijzingen over het hoofd zagen. Dit leidde tot een slechte voorspelling van risico’s op het mislukken van gesprekken en wijst op cognitieve biases die de optimale realtime besluitvorming beperken. Deze bevindingen onderstrepen de waarde van AI-gedreven tools zoals de stopzettings-agent om menselijke cognitieve beperkingen te overwinnen, en zo de tijdsbesteding en verkoopprestaties te verbeteren. In de hedendaagse competitieve markt is het optimaliseren van verkoopcontacten en de tijd van agenten cruciaal, en AI-systemen bieden een veelbelovende oplossing. Buiten sales toont dit onderzoek ook de bredere potentie van AI om snelle besluitvorming in complexe, dynamische situaties te verbeteren. Toekomstige studies zouden deze aanpak kunnen aanpassen voor andere gesprekgerichte contexten zoals klantenservice, telemarketing en onderhandelingen, wat mogelijk de operationele efficiëntie in diverse sectoren kan vergroten. Al met al markeert dit onderzoek een belangrijke vooruitgang in het toepassen van AI om menselijke besluitvorming in verkoop te optimaliseren, waardoor bedrijven tijd kunnen besparen en hun prestaties aanzienlijk kunnen verbeteren door intelligent te bepalen wanneer een onproductief gesprek beëindigd moet worden. De combinatie van menselijke expertise en AI-besluitondersteuning belooft een transformatieve impact op het beheer en de strategie van verkoopteams.