Harvesting unstructured GTM data

In dieser Episode sprechen Janis und Philipp mit Navin Persaud, VP of Revenue Operations bei 1Password, über eine der aktuell meistdiskutierten Fragen im RevOps: Sollte man GTM-Tools im Zeitalter von AI kaufen oder selbst bauen? Navin bringt dabei die Perspektive aus fünf Jahren RevOps-Führung bei einem Security-Unternehmen mit über 400 Millionen US-Dollar Umsatz ein und ordnet sehr klar ein, wo AI heute echten Mehrwert schafft – und wo schnell gehypte, „vibe-coded“ Eigenbauten eher neue Risiken als echte Fortschritte erzeugen.

Im Mittelpunkt steht die Frage, warum das RevOps-Team von 1Password konsequent auf Konfigurieren statt Customizing setzt und weshalb Eigenentwicklungen nur in ausgewählten Fällen sinnvoll sind. Navin erklärt, warum AI für ihn vor allem ein starkes Werkzeug für Prototyping, Tests und Experimente ist, aber kein Ersatz für tragende Kernsysteme. Außerdem geht es darum, wie AI helfen kann, Daten und Erkenntnisse im gesamten Go-to-Market-Team zu demokratisieren, statt Wissen nur in Spezialfunktionen zu konzentrieren.

Ein weiterer Schwerpunkt der Folge liegt auf den aus seiner Sicht wichtigsten AI-Anwendungsfällen im RevOps: agentische Suche, Datenanreicherung und Natural-Language-Queries. Navin beschreibt außerdem, warum gerade unstrukturierte Daten wie E-Mails, Gesprächsnotizen, Call-Transkripte und Deal Notes zu den größten ungenutzten Ressourcen im GTM gehören – und warum eine gute Datenvereinheitlichung die Basis dafür ist, dass AI in der Praxis überhaupt sinnvoll arbeiten kann.

Darüber hinaus sprechen die drei über das Orchestrierungs-Mindset: RevOps sollte sich nicht als Werkzeugbauer verstehen, sondern eher als Dirigent eines Tech-Stacks, der vorhandene Systeme intelligent zusammenführt. Auch die Debatte rund um die sogenannte „SaaSpocalypse“ wird aufgegriffen – also die Frage, was AI gerade mit SaaS-Bewertungen macht und warum vor allem Unternehmen gefährdet sind, die nur auf einzelne Features statt auf echte Plattform- oder Orchestrierungsvorteile setzen.

Zusätzlich geht es um die Risiken von Build-it-yourself-Ansätzen in größeren Unternehmen, insbesondere mit Blick auf Compliance, Governance und Security. Navin erklärt, warum mehrschichtige Datenanreicherungs-Stacks mit vielen einzelnen Providern langfristig kaum tragfähig sind und weshalb Signal Stacking sowie eine starke Orchestrierungsebene am Ende zu einem echten strategischen Vorteil werden können. Zum Schluss teilt er mit „Crawl, Walk, Run“ einen pragmatischen Rahmen, wie RevOps-Teams AI schrittweise und sinnvoll einführen können.

Eine starke Folge für alle, die AI im Revenue-Umfeld nicht nur als Buzzword sehen wollen, sondern verstehen möchten, wo AI im GTM heute wirklich skaliert, wo Grenzen liegen und wie moderne RevOps-Teams sinnvoll zwischen Kaufen, Konfigurieren und Bauen unterscheiden.

Links:Navin Persaud auf LinkedIn: https://www.linkedin.com/in/navinpersaud/

Weflow: https://www.getweflow.com

RevOps Chat Community: https://getweflow.com/community

RevOps Letter: https://www.getweflow.com/revopsletter

Janis auf LinkedIn: https://www.linkedin.com/in/janiszech

Philipp auf LinkedIn: https://www.linkedin.com/in/philippstelzer

Kapitel:
00:00:00 – Introduction00:00:38 – Navin's Background: From IBM Sales to VP of RevOps00:02:06 – Buy vs. Build: The LinkedIn Hype vs. Reality00:04:27 – AI for Prototyping, Not Replacing Core Systems00:08:10 – Harvesting Unstructured Data for Go-To-Market Insights00:09:05 – Data Unification as the Foundation for AI00:11:35 – The Orchestration Mindset: Conductor, Not Carpenter00:14:25 – AI as the Glue for Your Go-To-Market Tech Stack00:15:15 – When Building Makes Sense: Early Stage vs. Scale00:17:55 – Top AI Use Cases: Agentic Search, Enrichment & Insight Democratization00:19:30 – The SaaSpocalypse: Feature Companies at Risk00:21:05 – The Data Enrichment Consolidation Problem00:24:00 – Crawl, Walk, Run: Practical AI Adoption Advice00:27:30 – Book Recommendation & Wrap-Up