سیلز کیٹلاگ: اے آئی ورکرز فروخت کرنے کے طریقہ کار

یہ document کہاں fit ہوتا ہے

یہ document The AI-Native Company series کے اندر ہے۔ The Agent Factory Thesis AI-native company کی architecture define کرتی ہے۔ The AI Worker Catalog بتاتا ہے کہ اس architecture کے اندر کیا build ہوتا ہے۔ Sales Catalog بتاتا ہے کہ جب وہ Workers ship ہونے کے لیے ready ہوں تو AI-native company deals اصل میں کیسے close کرتی ہے۔

یہ document ایک سوال کا جواب دیتا ہے: deal کیسے close کرنی ہے؟ آپ اسے standalone پڑھ سکتے ہیں۔ Worker Catalog کے چند cross-references skip بھی کر دیں تو argument سمجھنے میں کمی نہیں آتی۔

اس document کو کیسے پڑھیں

یہ document story نہیں، ایک tool ہے۔ مختلف readers اسے مختلف طریقے سے use کریں گے۔

اگر آپ enterprise sales یا revenue operations میں نئے ہیں۔ آخر میں Appendix A: Glossary سے شروع کریں۔ ایک دفعہ skim کر لیں تاکہ vocabulary familiar لگے۔ پھر Executive Summary آہستہ پڑھیں۔ جب motions پر پہنچیں تو ہر motion کے start میں صرف In Plain English paragraph پر focus کریں۔ پہلی read پر deeper Mechanism، Example، اور Risk sections skip کر دیں۔ Depth چاہیے ہو تو بعد میں واپس آئیں۔

اگر آپ founder، head of sales، یا revenue leader ہیں اور اپنا motion design کر رہے ہیں۔ Seller Diagnostic اور Strategic Fit Matrix use کریں تاکہ پتہ چلے کون سے motions آپ کے stage اور buyer پر apply ہو سکتے ہیں۔ صرف ان دو یا تین motions کو full پڑھیں۔ باقی تب تک skip کریں جب تک ضرورت نہ ہو۔

اگر آپ investor یا experienced operator ہیں۔ یہ document آپ کے لیے built ہے۔ Top to bottom پڑھیں۔ Motions buyer-led سے start ہوتے ہیں، جہاں زیادہ early-stage AI companies شروع کرتی ہیں، پھر vendor-led اور outcome-led سے گزرتے ہوئے partner-led تک جاتے ہیں، جہاں serious revenue scale ہوتا ہے۔

‏Jargon پر ایک note۔ یہ document B2B sales، RevOps، اور AI deployment کی business اور technical vocabulary use کرتا ہے۔ جب کوئی specialized term پہلی دفعہ آتی ہے، اسے usually پاس ہی plain language میں یا parentheses میں explain کیا گیا ہے۔ Appendix A: Glossary کسی confusing term کے لیے quick reference دیتا ہے۔ Document follow کرنے کے لیے ہر term پہلے سے آنا ضروری نہیں۔

ابتدائی قارئین کے لیے 10-minute version

اگر آپ کے پاس صرف دس minute ہیں تو یہ section پڑھیں۔ یہ آپ کو بتاتا ہے کہ AI-native companies sell کیسے کرتی ہیں، باقی document کی depth اور detail کے بغیر۔

سیلز motion کیا ہوتا ہے؟

سیلز motion وہ specific طریقہ ہے جس سے company اپنا product sell کرتی ہے۔ اس میں یہ شامل ہوتا ہے کہ conversation کون start کرتا ہے، buyer یا seller؛ deal close ہونے میں کتنا وقت لگتا ہے؛ product price کیسے ہوتا ہے؛ اور اصل selling کون کرتا ہے۔ Different products کو different motions چاہیے ہوتے ہیں۔ $20/month productivity app $1M enterprise contract سے بالکل مختلف طریقے سے sell ہوتی ہے۔

مختلف products کو different motions کیوں چاہیے ہوتے ہیں؟

چار چیزیں decide کرتی ہیں کہ کون سا motion fit ہوتا ہے: buyer value کتنی جلدی experience کرتا ہے، minutes یا months؛ buyer کتنا pay کر رہا ہے، $100 سے کم یا $1M سے زیادہ؛ product evaluate کرنا کتنا complex ہے؛ اور buyer ایک person ہے یا پوری organization۔ Vending-machine product، جہاں sign up، card swipe، اور minutes میں value مل جاتی ہے، custom enterprise deployment کی طرح sell نہیں ہو سکتا جہاں six months stakeholder navigation، signed contract، اور staged rollout لگتا ہے۔ Motion کو product اور buyer دونوں سے match کرنا ہوتا ہے۔

موشنز کی چار families، plain language میں

یہ document twelve motions کو چار families میں organize کرتا ہے:

1. ‏Buyer-led motions (1-4). Buyer آپ کو find کرتا ہے، evaluate کرتا ہے، اور pay کرتا ہے، direct salesperson کے بغیر۔ Examples: AI app کے free trials، app store listings، open-source projects جن کے اوپر paid versions ہوتے ہیں۔
2. ‏Vendor-led motions (5-8). آپ کی team contact initiate کرتی ہے، sales process چلاتی ہے، اور deal close کرتی ہے۔ Examples: founder early customers کو personally sell کرتا ہے، AI-powered cold outbound scale پر، enterprise account executives big organizations navigate کرتے ہیں۔
3. ‏Outcome-led motions (9-10). Buyer تبھی pay کرتا ہے جب AI real result deliver کرے: resolved support ticket، processed insurance claim۔ Pricing access پر نہیں، delivered value پر ہوتی ہے۔
4. ‏Partner-led motions (11-12). Third parties، جیسے consulting firms اور cloud providers، اپنے customers کے broader engagements کے حصہ کے طور پر آپ کا product sell کرتے ہیں۔

‏Motion چننے کا سب سے آسان طریقہ

دو سوالوں سے start کریں: میرا product per customer per year کتنا cost کرتا ہے؟ اور First contact سے signed contract تک deal close ہونے میں کتنا وقت لگتا ہے؟

چھوٹی price plus short cycle = buyer-led motion (Self-Serve PLG یا Marketplace-Led try کریں). چھوٹی یا medium price plus medium cycle = vendor-led founder یا outbound motion. بڑی price plus long cycle = enterprise field، FDE، یا value-based engagement. مسلسل measurable outcomes = pay-per-outcome (Motion 9).

‏Doubt ہو تو نیچے Strategic Fit Matrix اور Decision Flowchart use کریں تاکہ candidate motions narrow ہو جائیں۔

‏Twelve motions، ہر ایک ایک sentence میں

1. ‏Self-Serve PLG. Buyers sign up کرتے ہیں، card swipe کرتے ہیں، اور salesperson سے بات کیے بغیر product use کرتے ہیں۔
2. ‏Marketplace-Led. آپ host platform کے app store کے اندر sell کرتے ہیں، جیسے Salesforce، Shopify، ChatGPT، اور platform customers لاتا ہے۔
3. ‏Open-Source-Led. آپ core product free دیتے ہیں اور اس کے اوپر managed/enterprise version کے لیے charge کرتے ہیں۔
4. ‏Community-Led. آپ launch سے پہلے audience build کرتے ہیں، YouTube، Discord، Substack، اور وہی audience پہلے customers بن جاتی ہے۔
5. ‏Founder-Led Sales. Founder sales team hire کرنے سے پہلے پہلی 5-50 deals personally close کرتا ہے۔
6. ‏AI-Augmented Outbound. چھوٹی SDR team AI agents سے prospects research اور reach کرتی ہے، scale پر۔
7. ‏Enterprise Field Sales. Account executives quotas carry کرتے ہیں اور multi-month cycles میں six-figure deals close کرتے ہیں۔
8. ‏Forward-Deployed Engineering (FDE). آپ engineers کو customer organizations کے اندر embed کرتے ہیں تاکہ custom solutions build ہوں، پھر انہیں productize کیا جائے۔
9. ‏Pay-Per-Outcome. Customers resolved ticket، processed claim، یا کسی اور measurable result per pay کرتے ہیں۔
10. ‏Value-Based Engagement. Strategic deals measured business value کے percentage کے طور پر price ہوتی ہیں۔
11. ‏Channel & SI Partnership. Consultancies، جیسے Accenture اور Deloitte، implementations کے حصہ کے طور پر product sell کرتی ہیں۔
12. ‏Hyperscaler Co-Sell. Cloud providers، AWS، Azure، Google، product sell کرنے میں help کرتے ہیں کیونکہ underlying compute revenue انہیں ملتا ہے۔

ہر motion کی beginner difficulty

ہر motion کے detailed section میں difficulty rating ہے۔ Quick reference:

• Easy (concept intuitive ہے، common starting point): Self-Serve PLG (1)، Marketplace-Led (2)، Community-Led (4)، Founder-Led Sales (5)
• Medium (کچھ operational سمجھ چاہیے): Open-Source-Led (3)، AI-Augmented Outbound (6)، Enterprise Field Sales (7)، Channel & SI Partnership (11)، Hyperscaler Co-Sell (12)
• Advanced (deep domain expertise یا substantial capital چاہیے): Forward-Deployed Engineering (8)، Pay-Per-Outcome (9)، Value-Based Engagement (10)

دس minute میں پورا document یہی ہے۔ باقی document ہر piece کو detail میں explain کرتا ہے اور آپ کو tools دیتا ہے تاکہ آپ اپنی company میں ان motions کو choose، sequence، اور run کر سکیں۔

خلاصہ

‏Sales Catalog 2026 اور اس کے بعد AI-native products کے ساتھ deals close کرنے کی recipe book ہے۔ AI Worker sell کرنے کے بہت طریقے ہیں، اور right طریقہ آپ کے stage، buyer، product complexity، اور distribution کی depth پر depend کرتا ہے۔ یہ document twelve motions name کرتا ہے، انہیں چار families میں organize کرتا ہے، اور بتاتا ہے کہ کون سا آپ کی situation میں fit ہوتا ہے۔

چار families — ہر type کا motion پہلے کس چیز پر compete کرتا ہے۔

‏Buyer-led motions (Motions 1-4) تب کام کرتے ہیں جب buyer خود discover، خود evaluate، اور خود purchase کرتا ہے۔ Seller کا کام findable، frictionless، اور credible ہونا ہے۔ Seller sales cycle نہیں چلاتا؛ buyer چلاتا ہے۔

‏Vendor-led motions (Motions 5-8) تب کام کرتے ہیں جب seller deal initiate اور orchestrate کرتا ہے۔ Seller کا کام precise targeting، value articulation، اور procurement navigation ہے۔ Seller sales cycle چلاتا ہے۔

‏Outcome-led motions (Motions 9-10) تب کام کرتے ہیں جب deal access کے بجائے results کے around structure ہوتی ہے۔ Seller کا کام measurement، attribution، اور consistent delivery ہے۔ Buyer صرف created value کے لیے pay کرتا ہے۔

‏Partner-led motions (Motions 11-12) تب کام کرتے ہیں جب third parties purchase drive کرتی ہیں۔ Seller کا کام alliance management ہے: partners کو اتنا successful بنانا کہ وہ آپ کے لیے sell کرتے رہیں۔

پانچ sales assets — ہر motion کس چیز کو capture کرنے کی کوشش کرتا ہے۔

‏Pipeline qualified opportunities کی reliable، repeatable supply ہے جو sales process میں flow کرتی ہے۔ ہر successful motion pipeline produce کرتا ہے؛ اکثر failed motions نہیں کرتے۔

‏Velocity یہ ہے کہ opportunity closed revenue میں کتنی جلدی convert ہوتی ہے۔ Faster cycles کا مطلب same team سے per quarter زیادہ deals۔

‏Deal economics revenue per deal multiplied by gross margin ہے۔ جو motion $1M deals 80% margin پر produce کرتا ہے وہ $10K deals 30% margin پر produce کرنے والے motion سے different revenue league میں ہے۔

‏Retention net revenue retention ہے: customer spend expand کرتا ہے، steady رہتا ہے، یا shrink ہوتا ہے؟ SaaS میں 130% سے اوپر NRR category leader define کرتا ہے۔ AI میں math change ہو رہی ہے کیونکہ outcome-based revenue usage کے ساتھ naturally grow ہوتی ہے۔

‏Trust buyer کا earned confidence ہے آپ کی team، product، اور operational discipline میں۔ Trust build ہونے میں سال لگتے ہیں اور lose ہونے میں minutes۔

‏Strongest motions ان assets میں سے تین یا زیادہ ایک ساتھ capture کرتے ہیں۔ Agent era میں revenue strategy کا کام یہ choose کرنا ہے کہ پہلے کون سا asset capture کرنا ہے، پھر باقی sequence کرنے ہیں۔

‏Scope پر ایک note۔ یہ catalog primarily B2B markets پر focus کرتا ہے: AI Workers اور AI-native software جو businesses کو sell ہوتا ہے، individual consumers کو directly نہیں۔ Consumer-facing AI sales، mobile app store، advertising-led، subscription-led، different rules follow کرتی ہیں اور یہاں primary subject نہیں، لیکن کچھ motions، Self-Serve PLG، Marketplace-Led، اور Community-Led، دونوں contexts میں cleanly apply ہوتے ہیں۔

پختگی کا پیمانہ۔ اس catalog میں ہر motion کو Proven، Emerging، یا Speculative tag دیا گیا ہے، based on کتنی AI-native companies آج اسے successfully run کر رہی ہیں۔

• ‏Proven motions پر multiple at-scale companies ابھی operate کر رہی ہیں، confirmed revenue اور documented playbook کے ساتھ۔
• ‏Emerging motions funded companies 2026 میں run کر رہی ہیں، لیکن اکثر outcomes ابھی pending ہیں اور canonical winner ابھی emerge نہیں ہوا۔
• ‏Speculative motions buyer behaviors یا contracting structures پر depend کرتے ہیں جو ابھی scale پر exist نہیں کرتے، لیکن جلد بن سکتے ہیں۔

‏Maturity quality جیسی چیز نہیں۔ Proven motions safer ہیں؛ Emerging motions larger upside دیتے ہیں؛ Speculative motions سب سے بڑا upside ان چند teams کو دیتے ہیں جو market کے باقی لوگوں سے پہلے correctly position کر لیتی ہیں۔

یہ page کس لیے ہے

یہ document تین purposes serve کرتا ہے۔

پہلا، chooser کے طور پر۔ Founder یا revenue leader جو sales motion design کر رہا ہو Strategic Fit Matrix، Seller Diagnostic، اور Motion Summary Table use کر کے وہ motions find کر سکتا ہے جو اس کے stage، buyer، اور product complexity سے fit ہوتے ہیں۔ Deep sections پھر shortlisted motions کے mechanics، risks، اور first moves explain کرتے ہیں۔

دوسرا، reference کے طور پر۔ Existing motion run کرنے والی revenue team deep sections use کر کے اپنی operation audit کر سکتی ہے: actual conversion rates، cycle times، اور deal economics کو documented patterns سے compare کرتے ہوئے۔

تیسرا، planning tool کے طور پر۔ Founder جو motions کی sequence design کر رہا ہو، کیونکہ most successful AI-native companies isolate ایک motion نہیں بلکہ sequence میں دو یا تین motions run کرتی ہیں، Common Hybrid Motions section کو planning template کے طور پر use کر سکتا ہے۔

موشن کیسے منتخب کریں

‏Sales motion fit ہونے کا cleanest predictor deal size اور cycle length کا intersection ہے۔ نیچے matrix twelve motions کو ان دو axes پر map کرتا ہے۔ ہر motion کا sweet-spot cell ہے اور وہ adjacent cells میں بھی کم optimal طریقے سے کام کرتا ہے۔

Cycle ↓ \ Deal $ →	Self-serve (<$10K)	Mid-market ($10-100K)	Enterprise ($100K-1M)	Strategic (>$1M)
Days	PLG (1)، Marketplace (2)	—	—	—
Weeks	Open-Source (3)، Community (4)	Founder-Led (5)، AI-Outbound (6)	—	—
Months	—	Channel (11)	Enterprise Field (7)، Channel (11)، Hyperscaler (12)	—
Quarters or longer	—	—	Pay-Per-Outcome (9)، Hyperscaler (12)	FDE (8)، Value-Based (10)

سب سے important cell وہ ہے جسے کوئی پہلے plan نہیں کرتا: self-serve سے start ہونے والے products کے لیے multi-month enterprise cycles۔ یہی وہ جگہ ہے جہاں PLG سے grow کرنے والی companies large enterprise procurement کی wall سے ٹکراتی ہیں، اور یہی revenue teams جو صرف self-serve motion چلا چکی ہوتی ہیں اچانک enterprise field motion چلانے میں struggle کرتی ہیں۔ "Buyer-led" سے "vendor-led" transition AI-native companies کا سب سے common motion failure ہے، اور سب سے زیادہ teachable بھی۔

سیلر diagnostic: آٹھ سوال

‏Motion pick کرنے سے پہلے نیچے کی eight dimensions پر خود کو honestly score کریں۔ ہر row جن motions کی طرف point کرتی ہے وہ اس condition کے ساتھ سب سے aligned ہیں۔ جو team ان میں سے تین یا چار پر High score کرتی ہے، وہ usually جلدی دو یا تین candidate motions تک narrow ہو جاتی ہے۔

1. ‏Founder selling capacity۔ کیا founder ابھی بھی deals personally close کر رہا ہے؟ Yes → Founder-Led، FDE. No، sales team in place → Enterprise Field، AI-Outbound، Channel.

2. ‏Product complexity۔ کیا product evaluate ہونے سے پہلے buyer education require کرتا ہے؟ Low → PLG، Marketplace، Open-Source. Moderate → Founder-Led، AI-Outbound. High → Enterprise Field، FDE، Value-Based.

3. ‏Time-to-value۔ First interaction کے بعد buyer meaningful value کتنی جلدی experience کرتا ہے؟ Minutes → PLG، Marketplace. Days-weeks → Open-Source، AI-Outbound، Pilot. Months → Enterprise Field، FDE، Value-Based.

4. ‏Outcome measurability۔ کیا buyer کی success آپ کے product سے cleanly measure ہو سکتی ہے؟ High → Pay-Per-Outcome، Value-Based. Low → PLG، Enterprise Field، Channel (access کے طور پر priced).

5. ‏Buyer technical sophistication۔ Primary buyer کتنا technical literate ہے؟ Developer / engineer → Open-Source، PLG، Marketplace. Business / operator → Founder-Led، AI-Outbound، Enterprise Field. Executive / procurement-led → Enterprise Field، FDE، Value-Based، Hyperscaler.

6. ‏Procurement friction۔ Buyer کا typical procurement cycle کتنا لمبا ہے؟ Days-weeks → PLG، Marketplace، Open-Source. Months → Founder-Led، AI-Outbound، Enterprise Field (pilot phase کے ساتھ). Quarters → Enterprise Field، FDE، Channel، Value-Based.

7. ‏Channel اور partner ecosystem۔ کیا third parties already adjacent ways میں آپ کے target buyer کو serve کرتی ہیں؟ Yes، deep → Channel، Hyperscaler، SI partnership. Yes، light → Marketplace، Community. No → Founder-Led، AI-Outbound، Enterprise Field.

8. ‏Capital اور patience۔ Significant revenue چاہیے ہونے سے پہلے team کتنی دیر operate کر سکتی ہے؟ Less than 6 months → PLG، Marketplace، Open-Source. 6-18 months → Founder-Led، AI-Outbound. 18+ months → Enterprise Field، FDE، Value-Based.

‏Diagnostic یہ نہیں بتاتا کہ کون سا motion correct ہے۔ یہ بتاتا ہے کہ آپ کی starting position کے مطابق کون سے motions available ہیں۔ اوپر کی matrix اور نیچے کے deep sections بتاتے ہیں کہ available motions میں سے آپ کے buyer کے لیے سب سے sharp motion کون سا ہے۔

موشنز کا summary table

‏Twelve motions کے لیے one-page reference۔ اسے catalog کو glance پر scan کرنے کے لیے use کریں، final decision کے لیے نہیں، کیونکہ real distinctions نیچے کے deeper sections میں ہیں۔

#	Motion	Maturity	Best for	Typical cycle	Typical deal size	Main risk
1	Self-Serve PLG	Proven	Immediate value والے developer-tool / productivity products	Hours to days	<$10K initial; expands	Conversion-to-paid stall ہوتی ہے
2	Marketplace-Led	Proven	Host platform میں fit ہونے والی apps	Days	$10-50K	Platform compete یا kick-out
3	Open-Source-Led	Proven	Developer infrastructure اور frameworks	Weeks to months (open-to-paid)	$50K-500K commercial	Open-to-commercial conversion fail
4	Community-Led	Proven	Strong identity / target persona والے products	Weeks to months	$10-100K	Scale کے ساتھ community dilution
5	Founder-Led Sales	Proven	Pre-product-market-fit; first 5-50 deals	Weeks	$25-250K	Founder bottleneck; handoff failure
6	AI-Augmented Outbound	Emerging	Mid-market vendor-led GTM	Weeks to months	$25-250K	AI-generated outreach سے buyer fatigue
7	Enterprise Field Sales	Proven	Large organizations کو six-figure deals	3-9 months	$100K-1M	Long sales cycle; heavy CAC
8	Forward-Deployed Engineering	Proven	Strategic enterprise deals جہاں success custom work require کرتی ہے	First deal کے لیے 6-12 months	$500K-5M	Service-business gravity
9	Pay-Per-Outcome	Emerging	Workflows جہاں outcomes cleanly attributed ہو سکتے ہیں	2-6 months	Variable; usage-based	Early years میں negative margin
10	Value-Based Engagement	Speculative	Strategic transformation deals	6-18 months	$1M-10M+	Attribution disputes
11	Channel & SI Partnership	Proven	Products جن کو implementation expertise چاہیے	3-9 months (partner کے through)	$100K-1M	Partner economics misalignment
12	Hyperscaler Co-Sell	Proven	Large compute footprint والے cloud-native products	2-6 months	$100K-1M+	Hyperscaler de-prioritization

مجھے کون سا motion چلانا چاہیے؟

نیچے flowchart سب سے important decisions کو sequence کرتا ہے۔ سوالوں کے جواب top-to-bottom دیں اور پہلے YES پر stop کریں۔ Leaf nodes آپ کو one to four candidate motions دیتے ہیں جنہیں full پڑھنا چاہیے۔

‏Flowchart opinionated ہے۔ یہ real-world nuance کو clean YES/NO splits میں collapse کرتا ہے تاکہ options twelve سے دو یا تین تک narrow ہو جائیں۔ Candidate set narrow ہونے کے بعد choice refine کرنے کے لیے اوپر Seller Diagnostic اور Strategic Fit Matrix use کریں۔ Most companies ایک motion کے بجائے دو یا تین motions simultaneously run کریں گی۔ Common combinations کے لیے document کے end کے قریب Common Hybrid Motions دیکھیں۔

خریدار کی maturity اور timing

اس catalog کے ہر motion کی buyer کے اپنے AI journey میں ایک window ہے۔ جس buyer نے کبھی production میں AI deploy نہیں کیا، وہ اس buyer سے different طریقے سے buy کرتا ہے جو scale پر production AI run کرتا ہے۔ جو motions AI-native buyer کے لیے brilliant لگتے ہیں، AI-curious buyer کے لیے alien لگ سکتے ہیں، اور vice versa۔

تین stages buyer maturity curve define کرتے ہیں۔

‏Stage 1 — AI-Curious۔ Buyer AI میں interested ہے لیکن production میں deploy نہیں کیا۔ Procurement AI کو exotic treat کرتا ہے؛ legal کو AI-specific language scratch سے draft کرنی ہوتی ہے؛ security کے پاس AI vendor template نہیں۔ Buyer pilots، references، اور internal sponsor چاہتا ہے جو vouch کر سکے۔ Sales cycles slow ہوتے ہیں کیونکہ ہر objection پہلی دفعہ raise ہو رہا ہوتا ہے۔ Best motions: Founder-Led، FDE، paid pilot phase کے ساتھ Enterprise Field۔

‏Stage 2 — AI-Piloting۔ Buyer experiments run کر چکا ہے۔ Internal AI champion ہوتا ہے، اکثر VP of Engineering، Chief Data Officer، یا AI-curious COO، جس نے کم از کم ایک model production میں ship کیا ہوتا ہے۔ Procurement کے پاس basic AI vendor template ہوتا ہے۔ Sales cycles faster ہوتے ہیں، 3-6 months، کیونکہ buyer جانتا ہے کیا پوچھنا ہے۔ Best motions: Enterprise Field، AI-Augmented Outbound، Channel۔

‏Stage 3 — AI-Native۔ Buyer AI کو core infrastructure treat کرتا ہے۔ AI-native team، AI procurement playbook، اور outcome-based pricing options کی expectation ہوتی ہے۔ Clear-fit products کے لیے sales cycles fast ہو سکتے ہیں، weeks، لیکن procurement scrutiny intense ہوتی ہے: rigorous security review، thorough competitive benchmarking، اور buyer outcomes پر negotiate کرے گا، صرف price پر نہیں۔ Best motions: Pay-Per-Outcome، Value-Based، Hyperscaler Co-Sell، PLG (departmental adoption کے لیے)۔

‏Geography curve کو accelerate یا delay کرتی ہے۔ Silicon Valley، Seattle، Boston، New York، London، Toronto، Berlin، Bangalore، اور Singapore 2026 میں mostly Stage 2 یا Stage 3 markets ہیں۔ ان ecosystems کے buyers AI experiments run کر چکے ہیں، internal AI procurement templates لکھ چکے ہیں، اور outcome-based pricing options demand کرنا start کر رہے ہیں۔ دنیا کا باقی حصہ زیادہ تر two to three years behind ہے: continental Europe، Latin America، Middle East، Africa، اور Southeast Asia کے بہت سے enterprise buyers ابھی Stage 1 میں solid ہیں، Stage 2 کی طرف transition کر رہے ہیں۔

‏Global selling کرنے والے founders کے لیے implication یہ ہے کہ same product کو different markets میں different motions چاہیے۔ Self-serve PLG product San Francisco اور Sao Paulo میں same طریقے سے sell ہو سکتا ہے، کیونکہ buyer user ہے اور user sophistication geography پر depend نہیں کرتی۔ لیکن San Francisco کے AI-native buyers کے لیے calibrated enterprise field motion Karachi، Lagos، یا Jakarta میں fail ہو سکتا ہے۔ Local buyer کم sophisticated نہیں؛ ان کی AI procurement کم mature ہے۔ Seller کو motion slow کرنا ہوتا ہے: زیادہ education، زیادہ references، longer pilots، procurement میں زیادہ hand-holding۔

‏Opposite mismatch بھی equally costly ہے۔ Stage 1 buyers کے لیے calibrated motion، heavy hand-holding، long pilots، founder-on-every-call، Stage 3 markets میں unnecessary expensive اور weak signal ہوتا ہے۔ Stage 3 buyer outcome-based pricing اور four-week procurement cycle چاہتا ہے۔ انہیں Stage 1 motion sell کرنا یہ communicate کرتا ہے کہ seller slow، unsophisticated، اور integration effort کے قابل شاید نہیں۔ Globally selling founder کو پتہ ہونا چاہیے کہ ان کا buyer آج کس stage میں ہے، reference customers کس stage میں ہیں یہ نہیں۔ Stage 3 buyers کے لیے calibrated motion Stage 1 buyers کے ساتھ fail ہوگا، اور vice versa۔

وضاحت: maturity legend

• Proven۔ Motion کو multiple AI-native companies آج scale پر operate کر رہی ہیں، confirmed revenue اور documented playbook کے ساتھ۔ Mechanics well understood ہیں۔
• Emerging۔ Motion funded AI-native companies 2026 میں run کر رہی ہیں، لیکن اکثر outcomes pending ہیں اور canonical winner ابھی emerge نہیں ہوا۔
• Speculative۔ Motion buyer behaviors یا contracting structures پر depend کرتا ہے جو ابھی scale پر exist نہیں کرتے، لیکن plausibly form ہو رہے ہیں۔

---

حصہ A: Buyer-led motions

‏Buyer خود discover، خود evaluate، اور خود purchase کرتا ہے۔ Seller کا کام findable، frictionless، اور credible ہونا ہے۔ Seller sales cycle نہیں چلاتا؛ buyer چلاتا ہے۔ یہ motions velocity اور CAC efficiency میں strong ہوتے ہیں، لیکن vendor-led motions کے مقابلے میں usually smaller initial deal sizes produce کرتے ہیں۔

موشن 1 — Self-Serve PLG (Product-Led Growth)

پختگی: ثابت شدہ۔ ابتدائی مشکل: آسان۔

سادہ الفاظ میں۔ Software کی vending machine imagine کریں۔ Buyer آتا ہے، credit card swipe کرتا ہے، اور product appear ہو جاتا ہے۔ نہ salesperson، نہ contract negotiation، نہ $20/month subscription کے لیے procurement review۔ Self-Serve PLG exactly یہی ہے: product خود selling کرتا ہے۔ Buyer sign up کرتا ہے، minutes میں value experience کرتا ہے، اور usage paid tier justify کرے تو خود upgrade کرتا ہے۔¹

یہ صرف تب کام کرتا ہے جب product single user کو organizational coordination کے بغیر immediate، obvious value دے۔ Cursor، AI code editor، clean example ہے: engineer sign up کرتا ہے، AI assistance کے ساتھ code لکھتا ہے، first session میں value دیکھتا ہے، اور free-tier limits hit ہونے پر upgrade کرتا ہے۔ Linear، Notion AI، اور ElevenLabs بھی اس motion کے variants run کرتے ہیں۔

‏Immediate single-user value والے products کے founding motion کے طور پر best۔ Company scale ہو تو often Enterprise Field کے ساتھ pair ہوتا ہے۔ PLG → Enterprise hybrid 2026 کی most common motion sequences میں سے ایک ہے۔

بنیادی خیال۔ Curiosity اور value کے درمیان friction remove کریں۔ Sign-up flow کا ہر step جو value produce نہیں کرتا remove ہونا چاہیے۔ Product خود sales pitch، demo، اور close ہے۔

کب استعمال کریں۔ جب target buyer ہی user ہو، separate procurement role نہ ہو؛ value immediate ہو، minutes میں، weeks میں نہیں؛ اور price point corporate-card thresholds سے نیچے ہو، typically <$200/seat/month، though AI products clear ROI دکھاتے ہیں تو یہ rise ہو رہا ہے۔

طریقہ کار۔ PLG traditional B2B sales funnel کو invert کرتا ہے۔ Sales-qualified leads کو salesperson کے پاس push کرنے کے بجائے product qualified buyers produce کرتا ہے جو خود paid conversion کی طرف pull ہوتے ہیں۔ CAC product investment سے dominated ہوتا ہے: onboarding، activation، in-product upgrade prompts، headcount سے نہیں۔ Margins high ہوتے ہیں کیونکہ sales team pay نہیں کرنی۔ Constraint conversion-to-paid ہے: most PLG products free users کا 2-5% paid میں convert کرتے ہیں۔

فرضی مثال۔ FocusFlow imagine کریں، $20/month AI app جو email organize کرنے میں help کرتی ہے۔ User lunch پر sign up کرتا ہے، inbox connect کرتا ہے، اور five minutes میں productively use کر رہا ہوتا ہے۔ First week میں one hundred AI summaries per day کا free-tier ceiling hit ہوتا ہے اور وہ paid upgrade کر لیتا ہے۔ کوئی salesperson involved نہیں۔ FocusFlow کی revenue grow ہوتی ہے کیونکہ product خود free users کو paying users میں convert کرتا ہے۔

‏Example۔ Confirmed examples: Cursor کا free-tier code editor سے paid subscriptions اور enterprise contracts تک path۔ Linear، Notion AI، Perplexity Pro۔ Voice generation کے لیے ElevenLabs۔

بنیادی خطرہ۔ Conversion-to-paid stall ہوتی ہے۔ Product adoption لیتا ہے لیکن users upgrade نہیں کرتے۔ Mitigation: upgrade trigger کو directly product کے اندر design کریں۔ Free tier کا usage ceiling اتنا tight ہو کہ genuine power users first week میں hit کریں، ایک سال بعد نہیں۔

ثانوی خطرہ۔ Self-serve plateau۔ Motion departmental adoption کے لیے کام کرتا ہے لیکن company کی enterprise expansion، security review، multi-seat negotiation، custom contracts، ایک ایسے sales motion کی demand کرتی ہے جو team نے build نہیں کیا۔ Mitigation: enterprise-scale prospects آنے کے بعد نہیں، اس سے پہلے first enterprise seller hire کریں۔ "Buyer-led" سے "vendor-led" transition deliberate motion design require کرتا ہے۔

پہلا قدم۔ Free tier build کریں جو sign-up کے five minutes کے اندر genuine value کا moment create کرے۔ اس moment کے بغیر کوئی PLG mechanic matter نہیں کرتا۔

موشن 2 — Marketplace-Led

پختگی: ثابت شدہ۔ ابتدائی مشکل: آسان۔

سادہ الفاظ میں۔ Busy bazaar میں stall rent کرنا imagine کریں۔ Crowd خود لانے کی ضرورت نہیں؛ bazaar already کرتا ہے۔ آپ کا کام bazaar کا best stall بننا ہے۔ Marketplace-Led selling کا مطلب ہے اپنا AI product کسی established platform کے app store کے اندر list کرنا: Salesforce AppExchange، Shopify App Store، Microsoft AppSource، ChatGPT Apps directory، Atlassian Marketplace۔ Marketplace discovery، billing، اور initial trust signal handle کرتا ہے۔ آپ product handle کرتے ہیں۔

‏AI products کے لیے یہ motion uniquely powerful ہے کیونکہ buyer اکثر platform کے اندر ہی ہوتا ہے جب اسے AI feature کی ضرورت محسوس ہوتی ہے۔ Salesforce admin جسے AI lead-scoring tool چاہیے، Google سے پہلے AppExchange search کرے گا۔

‏Founding distribution motion یا established products کے complementary channel کے طور پر best۔ Scale پر rarely company کا only motion ہوتا ہے۔

بنیادی خیال۔ Platform کا distribution، billing، اور trust apparatus inherit کریں۔ Direct customer acquisition costs کے بجائے revenue share یا listing fees سے pay کریں۔

کب استعمال کریں۔ جب آپ کا AI product platform کے existing user base میں cleanly fit ہوتا ہو، platform کے customers آپ کے target customer سے map کرتے ہوں، اور platform کا revenue share اس direct customer acquisition spend سے کم ہو جو آپ otherwise کرتے۔

طریقہ کار۔ Marketplace founder کے تین problems ایک ساتھ solve کرتا ہے: discovery، buyer platform میں shopping کرتے ہوئے آپ کو find کرتا ہے؛ billing، platform credit cards، invoicing، tax handle کرتا ہے؛ trust، platform کا vetting process خود trust signal ہوتا ہے۔ Trade-off platform کا revenue share ہے، typically 15-30%، اور platform policy risk: وہ terms change کر سکتے ہیں یا competing first-party feature build کر سکتے ہیں۔

فرضی مثال۔ NoteSnap imagine کریں، Salesforce کے لیے AI summarization app۔ NoteSnap Salesforce AppExchange میں list ہوتا ہے۔ Productivity tools search کرنے والا Salesforce admin NoteSnap find کرتا ہے، install کرتا ہے، free trial میں value دیکھتا ہے، اور Salesforce کے billing system سے paid convert ہو جاتا ہے۔ NoteSnap نے outbound campaign نہیں چلائی؛ platform نے customer acquisition کی۔

‏Example۔ Confirmed examples: Successful Salesforce AppExchange اور Shopify App Store companies کی long tail۔ 2026 میں Claude Apps اور ChatGPT Apps کے through ship ہونے والے productivity agents۔ Meta اور TikTok ad platforms میں embedded AI-native ad-creative tools۔

بنیادی خطرہ۔ Platform risk asymmetric اور existential ہے۔ Policy change، take-rate increase، یا first-party feature launch marketplace-led business کو overnight erase کر سکتا ہے۔ Mitigation: platform کے باہر direct relationship layer maintain کریں، اپنی email list، community، یا data export pathway، تاکہ platform termination fatal نہ ہو بلکہ recoverable ہو۔ Plan کریں کہ platform eventually آپ سے compete کرے گا۔

پہلا قدم۔ ایک platform pick کریں اور second پر list کرنے سے پہلے اس میں first-class citizen بن جائیں: top-rated، deeply integrated، frequently updated۔

موشن 3 — Open-Source-Led

پختگی: ثابت شدہ۔ ابتدائی مشکل: درمیانہ۔

سادہ الفاظ میں۔ Recipe free دیں؛ catering کے پیسے لیں۔ Open-Source-Led selling کا مطلب ہے product کا core open-source code کے طور پر publish کرنا جسے کوئی developer read، modify، اور run کر سکے۔ جتنے زیادہ developers use کرتے ہیں، reputation grow ہوتی ہے، contributors project join کرتے ہیں، اور code بہتر ہوتا ہے، marketing team pay کیے بغیر۔ پھر آپ paid version sell کرتے ہیں جس میں companies کو required چیزیں ملتی ہیں: managed hosting، security features، audit logs، support contracts، regulated-environment certifications۔

یہ motion AI infrastructure کے لیے especially powerful ہے: agent frameworks، evaluation tools، اور developer libraries جہاں developer mindshare primary moat ہوتا ہے۔

‏Infrastructure-shaped products کے founding motion کے طور پر best۔ Commercial offering mature ہو تو often Channel یا Hyperscaler Co-Sell کے ساتھ pair ہوتا ہے۔

بنیادی خیال۔ Open-source project کو globally distributed marketing function کے طور پر use کریں۔ Community project evangelize کرتی ہے؛ users کا ایک fraction جب operational، security، یا scale needs hit کرتا ہے جنہیں open project handle نہیں کرتا، paying customers بن جاتا ہے۔

کب استعمال کریں۔ جب target buyer technical ہو، developers، ML engineers، infrastructure teams؛ جب credible reason ہو کہ company managed version کے لیے pay کرے گی، hosting، compliance، support، خود open version run کرنے کے بجائے؛ اور جب team multi-year community build کرنے کے لیے open-source development sustain کر سکتی ہو۔

طریقہ کار۔ Open-source-led اس لیے کام کرتا ہے کہ developer adoption enterprise adoption سے پہلے flow کرتی ہے۔ Engineers اپنی machines پر open project experiment کرتے ہیں، پھر company میں related need آئے تو internally advocate کرتے ہیں۔ Pre-sales relationship salesperson hire ہونے سے پہلے بن جاتا ہے۔ Constraint open-to-commercial conversion ہے: بہت سے open-source projects technology بری ہونے کی وجہ سے fail نہیں کرتے، بلکہ founders free project کے اوپر clear paid product build نہیں کرتے۔

فرضی مثال۔ AgentCore imagine کریں، open-source framework جو developers کو AI agents build کرنے دیتا ہے۔ ہزاروں developers AgentCore free download کرتے ہیں، project میں contribute کرتے ہیں، اور apps build کرتے ہیں۔ AgentCore کا commercial offering، AgentCore Cloud، enterprises سے managed hosting، single sign-on، audit logs، اور compliance certifications کے لیے charge کرتا ہے۔ Free project adoption drive کرتا ہے؛ paid version ان customers کو capture کرتا ہے جنہیں enterprise features چاہیے۔

‏Example۔ Confirmed examples: LangChain، Continue، n8n، Cline، اور widely-adopted open cores کے اوپر commercial managed versions ship کرنے والے agent frameworks کی long tail۔ Current agent ecosystem میں یہ سب سے prominent patterns میں سے ہے۔

بنیادی خطرہ۔ Open-to-commercial conversion fail۔ Open project wildly popular ہے لیکن commercial revenue weak ہے۔ Mitigation: پہلے سے decide کریں کہ کیا آپ کبھی free نہیں دیں گے: usually managed hosting، single-sign-on، audit logs، advanced security، اور enterprise support۔ اس line کو publicly commit کریں۔ Line move ہو تو volunteers اور contributors کا faith ٹوٹ جاتا ہے۔

ثانوی خطرہ۔ Hyperscaler appropriation۔ AWS، Azure، یا GCP آپ کے open project کو اپنی managed service میں wrap کر کے آپ سے زیادہ distribution لے جاتا ہے۔ Mitigation: hyperscaler partner programs کے ساتھ early direct work کریں، یا license use کریں، جیسے BSL، SSPL، جو explicit license کے بغیر cloud-provider commercial use limit کرتا ہو۔

پہلا قدم۔ Commercial offering کی بات کرنے سے پہلے open project genuinely useful state تک ship کریں۔ Communities bait-and-switch کو دور سے پہچان لیتی ہیں۔

موشن 4 — Community-Led

پختگی: ثابت شدہ۔ ابتدائی مشکل: آسان۔

سادہ الفاظ میں۔ کچھ sell کرنے سے پہلے famous ہونا imagine کریں۔ Community-Led کا مطلب ہے paid product ship کرنے سے بہت پہلے audience build کرنا: Discord server، YouTube channel، Substack، tutorial library، public-build-in-public X account۔ جب آپ product ship کرتے ہیں، audience already ہوتی ہے۔ وہ product کا wait کر رہی ہوتی ہے۔ وہ buy کرے گی، evangelize کرے گی، اور early-version flaws forgive کرے گی کیونکہ اسے آپ کی success میں personal investment محسوس ہوتا ہے۔

یہ motion technical audiences کے لیے Open-Source-Led کے ساتھ اور کچھ AI tools کے لیے Marketplace-Led کے ساتھ overlap کرتا ہے، لیکن اس کا distinctive feature founder یا team کی public identity کا entry point ہونا ہے۔

‏Strong creative identity والے products کے founding motion کے طور پر best۔ Founder کے personal reach سے آگے scale کرنا مشکل ہے جب تک community کو deliberately structured brand asset میں convert نہ کیا جائے۔

بنیادی خیال۔ Audience پہلے build کریں، product بعد میں۔ Distribution کو quarterly expense کے بجائے long-term moat treat کریں۔

کب استعمال کریں۔ جب founder یا team target buyer ecosystem میں credible content produce کر سکتی ہو، dev tools کے لیے developer-influencer، creator tools کے لیے creator-influencer، vertical SaaS کے لیے operator-influencer؛ جب embed ہونے کے لیے established marketplace یا platform نہ ہو؛ اور جب team 12+ months audience building میں patiently invest کر سکتی ہو before serious revenue۔

طریقہ کار۔ Community-led کام کرتا ہے کیونکہ audience خود pre-qualify ہوتی ہے۔ جو لوگ دو سال developer-influencer کو follow کرتے ہیں اور پھر اس کا product buy کرتے ہیں، وہ paid acquisition کے cold lead سے 10-20x زیادہ convert کرتے ہیں۔ Trust، جو سب سے مہنگا sales asset ہے، product launch سے upstream build ہو جاتا ہے۔

فرضی مثال۔ VideoMaker imagine کریں، AI video editing tool۔ Founder نے product launch سے پہلے دو سال YouTube اور TikTok پر tutorials post کیے اور fifty thousand followers کی audience build کی۔ Launch day تک audience wait کر رہی تھی۔ پہلے thousand paid customers directly اس کے existing followers سے آئے؛ launch-week revenue نے زیادہ pre-launch products کے first-year revenue کو exceed کر دیا۔

‏Example۔ Confirmed examples: Tiago Forte کا Building a Second Brain franchise (productivity)، Lenny Rachitsky کا product-management substack-to-software trajectory، اور AI-creator personalities جو اپنی audiences کو tools launch کرتے ہیں۔ Pattern companies سے زیادہ individuals سے shaped ہے۔

بنیادی خطرہ۔ Scale کے ساتھ community dilution۔ Early audience intimacy اور direct founder access value کرتی ہے؛ company scale ہو تو وہ intimacy impossible ہو جاتی ہے۔ Mitigation: community کو brand asset میں convert کریں، named programs، public events، tier rewards، forever personal founder presence پر depend نہ کریں۔

پہلا قدم۔ Product sell کرنے سے پہلے content produce کرنا start کریں۔ Commercial pitch کے بغیر twelve months consistent content minimum entry price ہے۔

---

حصہ B: Vendor-led motions

‏Seller deal initiate اور orchestrate کرتا ہے۔ Seller کا کام precise targeting، value articulation، اور procurement navigation ہے۔ یہ motions deal size اور predictability میں strong ہوتے ہیں، لیکن larger teams اور زیادہ patience require کرتے ہیں جو buyer-led motions نہیں کرتے۔

موشن 5 — Founder-Led Sales

پختگی: ثابت شدہ۔ ابتدائی مشکل: آسان۔

سادہ الفاظ میں۔ Early restaurant میں chef ہی food cook کرتا ہے، guests کو seat کرتا ہے، orders لیتا ہے، اور bill بناتا ہے۔ Founder-Led Sales exactly یہی ہے: founder sales team hire کرنے سے پہلے پہلی 5-50 deals personally hand-close کرتا ہے۔ Buyer اصل میں کیا value کرتا ہے، کون سے objections آتے ہیں، اور real sales playbook کیسا دکھتا ہے، یہ سیکھنے کا کوئی اور طریقہ نہیں۔ جو founder یہ step skip کر کے VP of Sales بہت جلدی hire کرتا ہے، وہ unvalidated sales motion اور ایسی team ship کرتا ہے جو improvise نہیں کر سکتی۔²

کسی بھی complex B2B AI product کے founding sales motion کے طور پر best۔ 6-18 months کے اندر AI-Augmented Outbound، Enterprise Field، یا کسی اور vendor-led motion کی transition plan کریں، کیونکہ founder bandwidth binding constraint ہے۔

بنیادی خیال۔ Team میں founder ہی وہ person ہے جس کے پاس product context اور strategic discretion دونوں ہوتے ہیں تاکہ non-standard deals close کر سکے۔ First phase میں founder use کریں، پھر founder نے جو سیکھا اسے repeatable playbook میں convert کریں before hiring sellers۔

کب استعمال کریں۔ B2B AI-native companies کے لیے ہمیشہ، pre-Series A یا sales motion کے evolution کے early stage پر۔ جو companies primarily PLG motion run کرتی ہیں انہیں بھی early enterprise deals کے لیے founder-led sales سے benefit ہوتا ہے۔

طریقہ کار۔ Founder-Led اس لیے کام کرتا ہے کیونکہ ہر early deal partially custom ہوتی ہے۔ Buyer young company پر risk لے رہا ہوتا ہے، اور founder ہی authoritatively کہہ سکتا ہے "yes, we can do that" اور اسے true بنا سکتا ہے۔ Constraint founder bandwidth ہے: founder usually product build، capital raise، اور recruiting کے ساتھ ساتھ per quarter 3-5 deals close کر سکتا ہے۔ اس سے زیادہ motion founder پر bottleneck ہو جاتا ہے۔

فرضی مثال۔ LegalDraft imagine کریں، AI legal-research tool۔ Founder، former corporate attorney، اپنی old law firm کے thirty friends کو personally call کرتی ہے۔ وہ product demo کرتی ہے، ہر call پر pricing negotiate کرتی ہے، اور salespeople hire کرنے سے پہلے پہلے fifteen customers sign کرتی ہے۔ ان conversations میں اسے یہ بھی پتہ چلتا ہے کہ جس feature کو وہ killer use case سمجھ رہی تھی وہ barely valuable ہے، اور جو boring feature وہ cut کرنے والی تھی وہی customers actually pay کرتے ہیں۔

‏Example۔ Confirmed pattern: 2025-2026 کی زیادہ successful B2B AI-native startups، چاہے وہ بعد میں کسی بھی motion کو scale کریں، پہلے 5-50 customers کے لیے founder-led sales run کر چکی ہیں۔ Harvey، Sierra، Glean، اور Hebbia pattern fit کرتے ہیں۔

بنیادی خطرہ۔ Founder bottleneck۔ Founder بہت زیادہ sales meetings میں ہوتا ہے، product build یا company run نہیں کر پاتا۔ Mitigation: motion کو explicitly sunset کریں۔ پہلی 30-50 deals کے بعد founder next 50 deals run کرنے کے بجائے sales playbook write کرے۔

ثانوی خطرہ۔ Handoff failure۔ First sales hire founder کے کام کو replicate نہیں کر پاتا کیونکہ founder کی selling unwritten product commitments، pricing improvisation، اور personal relationships پر based تھی۔ Mitigation: ہر commitment، ہر pricing exception، اور ہر deal structure کو as-it-happens document کریں۔ Handoff document founder-led sales کے دوران بنتا ہے، بعد میں نہیں۔

پہلا قدم۔ Founder next deal personally close کرے۔ جو بھی بعد میں آتا ہے، وہ اس ایک deal سے learned چیزوں پر built ہوتا ہے۔

موشن 6 — AI-Augmented Outbound

پختگی: ابھرتا ہوا۔ ابتدائی مشکل: درمیانہ۔

سادہ الفاظ میں۔ Fifty لوگوں کی sales development team کو five لوگوں کی team میں squeeze کرنا imagine کریں۔ AI-Augmented Outbound AI agents سے research، drafting، اور follow-up کا وہ کام کرواتا ہے جو historically sales development representatives کی armies require کرتا تھا، اور چھوٹی human team live conversations اور demos handle کرتی ہے جہاں AI ابھی اچھا نہیں۔ Traditional SDR دن میں thirty personalized emails بھیجتا تھا۔ AI-augmented SDR three thousand بھیجتا ہے۔³

یہ وہ sales motion ہے جو AI نے خود possible بنایا ہے۔ دو سال پہلے underlying technology insufficient تھی۔ آج well-tuned AI-augmented outbound best human SDR teams کی personalization quality match یا exceed کرتا ہے، fraction of headcount پر، اور human SDR ان conversations کے loop میں رہتا ہے جو matter کرتی ہیں۔

‏Mid-market vendor-led GTM کے primary motion کے طور پر best۔ کسی بھی vendor-led motion کے اوپر augmentation layer کے طور پر بھی کام کرتا ہے۔ Mechanics underlying AI tooling کے ساتھ rapidly evolve ہو رہے ہیں۔

بنیادی خیال۔ Upper-funnel research، drafting، اور follow-up work AI agents سے کروائیں۔ Bottom-funnel، live conversations، demo coordination، deal navigation، کے لیے چھوٹی human team رکھیں جہاں AI human judgment replace نہیں کر سکتا۔

کب استعمال کریں۔ جب target buyer email یا LinkedIn سے reachable ہو، typical mid-market tech buyers؛ executive-level enterprise buyers کے لیے less reliable؛ جب product 30-minute call میں demonstrate ہو سکتا ہو؛ اور team کے پاس RevOps maturity ہو تاکہ AI prompts اور behavior instrument اور tune ہو سکیں۔

طریقہ کار۔ AI-augmented outbound اس لیے کام کرتا ہے کیونکہ traditional outbound میں limiting factor ہمیشہ scale پر personalization quality تھی۔ Humans دن میں 30 personalized emails لکھ سکتے تھے؛ AI 3,000۔ Constraint outreach volume سے shift ہو کر deliverability، response quality، اور human SDR کی increased response rate handle کرنے کی capacity پر آ جاتا ہے۔ اس motion کو اچھی طرح run کرنے والی early teams pure human outbound کے مقابلے meaningful pipeline efficiency improvements report کرتی ہیں، typical claims 2-4x range میں ہیں، though independent benchmarks scarce ہیں اور comparison heavily depend کرتا ہے کہ "pipeline" سے کیا measure ہو رہا ہے۔

فرضی مثال۔ SalesScope imagine کریں، B2B AI tool۔ اس کی five-person SDR team ایک AI agent use کرتی ہے جو per week ten thousand prospects research کرتا ہے، ہر ایک کے لیے personalized outreach draft کرتا ہے، اور automatically follow up کرتا ہے۔ Human SDRs صرف resulting live conversations handle کرتے ہیں۔ Team monthly اس manual-outreach fifty-person SDR team سے زیادہ meetings book کرتی ہے، one-tenth headcount cost پر۔

‏Example۔ Emerging analogues: Apollo، Clay، Salesloft AI، Outreach AI، اور 2025-2026 میں ship ہونے والے AI-native sales engagement platforms کی wave۔ بہت سے AI-native vendors اس motion کو primary outbound engine کے طور پر run کرتے ہیں۔

بنیادی خطرہ۔ AI-generated outreach سے buyer fatigue۔ جیسے جیسے AI-augmented outbound spread ہوتا ہے، buyers اسے identify اور ignore کرنا سیکھ لیتے ہیں۔ Mitigation: AI کو research اور drafting کے لیے use کریں، لیکن actual sending اور follow-up میں human SDRs کو conversation میں رکھیں۔ "AI-generated, AI-detected, ignored" path real اور growing ہے۔

ثانوی خطرہ۔ Compliance اور deliverability۔ Scale پر AI-augmented outbound ESP penalties trigger کر سکتا ہے یا jurisdictional rules violate کر سکتا ہے۔ Mitigation: deliverability infrastructure میں invest کریں اور regional regulations rigorously follow کریں۔

پہلا قدم۔ اپنی current SDR team کا actual time allocation audit کریں۔ اگر وہ اپنے time کا 40% سے زیادہ research اور drafting پر لگاتے ہیں تو AI-augmented outbound کے پاس clear leverage opportunity ہے۔ اگر زیادہ time live calls اور meeting coordination پر ہے تو leverage smaller ہے۔

موشن 7 — Enterprise Field Sales

پختگی: ثابت شدہ۔ ابتدائی مشکل: درمیانہ۔

سادہ الفاظ میں۔ Dealership پر cars sell کرنا، لیکن dealership customer کے office میں ہے اور car $1M کی ہے۔ Enterprise Field Sales traditional B2B sales motion ہے: account executives $1-5M annual quotas carry کرتے ہیں، 3-9 month cycles میں multi-stakeholder deals work کرتے ہیں، جہاں executive champions، technical evaluators، security reviewers، legal، اور procurement سب navigate کرنے ہوتے ہیں۔⁴

یہ motion old-school enterprise software، Oracle، SAP، Salesforce، سے سب سے زیادہ associated ہے۔ یہ وہ only motion بھی ہے جو scale پر multi-hundred-thousand-dollar AI deals reliably produce کرتا ہے۔

‏Six-figure deals target کرنے والے products کے primary motion کے طور پر best۔ اکثر وہ destination motion ہے جس میں PLG، Founder-Led، اور AI-Augmented Outbound companies scale پر graduate کرتی ہیں۔

بنیادی خیال۔ Buyer کی procurement complexity کو sales-team specialization سے match کریں۔ جب buyer کے پاس spend approve کرنے والا CFO، architecture approve کرنے والا CIO، vendor approve کرنے والی security team، اور contract approve کرنے والی legal team ہو، تو seller کو equivalent specialists چاہیے۔

کب استعمال کریں۔ جب deal sizes annually $100K سے اوپر ہوں، buyer formal procurement والی large organization ہو، product evaluate کرنے کے لیے 30-minute conversation سے زیادہ require کرتا ہو، اور team کے پاس long sales cycle support کرنے کے لیے 18+ months capital ہو۔

طریقہ کار۔ Enterprise field sales اس لیے کام کرتی ہے کیونکہ large organizations bad-vendor risk minimize کرنے کے لیے designed processes کے through buy کرتی ہیں۔ Seller کا کام اس process کو navigate کرنا ہے: internal champions build کرنا، security documentation دینا، contracts negotiate کرنا، months تک جب تک organization formally purchase approve نہ کرے۔ Almost ہر enterprise AI deal paid pilot کے طور پر structure ہوتی ہے جس کے بعد production contract ہوتا ہے؛ pilot separate motion نہیں، اس motion کا standard entry phase ہے۔

‏Constraint sales-team CAC ہے۔ Fully-loaded enterprise account executive، salary، commission، benefits، sales-engineering allocation، tooling، annually mid-six-figures cost کرتا ہے اور full quota تک ramp ہونے میں six to nine months لیتا ہے۔ جب تک ramp complete نہیں ہوتا، ہر AE offsetting revenue کے بغیر cost ہے۔ جو companies playbook validate ہونے سے پہلے بہت زیادہ AEs جلدی hire کرتی ہیں، وہ deals close ہونے سے تیز capital burn کرتی ہیں۔

فرضی مثال۔ HRSmart imagine کریں، Fortune 500 HR teams کے لیے AI tool۔ ایک deal close ہونے میں six months لگتے ہیں۔ Account executive پہلے VP of HR سے ملتا ہے، پھر CIO، پھر security review، three weeks، پھر legal، six weeks، پھر procurement، four weeks۔ Deal $400,000 ACV پر close ہوتی ہے۔ AE fully loaded per year $400,000 cost کرتا ہے اور full quota تک ramp ہونے میں nine months لیتا ہے۔ Math صرف اس لیے work کرتا ہے کہ ہر AE اس scale پر per year three to five deals close کرتا ہے۔

‏Example۔ Confirmed examples: Glean، Harvey، Sierra، Writer، اور Cresta پر most six-figure-and-above AI-native deals enterprise field motions کے through run ہوتی ہیں۔ ان companies نے specialized roles، AEs، SEs، customer success، sales engineering، کے ساتھ formal sales organization build کی ہے۔

بنیادی خطرہ۔ Long sales cycles capital burn کرتے ہیں۔ 6-9 month cycle at fully-loaded mid-six-figure AE cost کا مطلب ہے ہر AE deal close ہونے سے پہلے meaningful capital consume کرتا ہے۔ Mitigation: 1000s mid-market companies پر outbound spray کرنے کے بجائے small number high-value target accounts پر concentrate کریں، account-based selling۔

ثانوی خطرہ۔ Heavy CAC ratios۔ Enterprise field motions 18+ months CAC payback periods produce کر سکتے ہیں، جو venture-backed companies کے لیے unsustainable ہیں جن کو efficiency demonstrate کرنی ہوتی ہے۔ Mitigation: enterprise field کو PLG یا pilot motion کے ساتھ combine کریں جو lower-cost initial entry produce کرتا ہے، پھر account کے اندر expand کریں۔

پہلا قدم۔ ایک enterprise seller hire کریں اور second hire سے پہلے اسے 6 months playbook run کرنے دیں۔ Second hire کی success first hire کی learning پر built ہے، parallel learning پر نہیں۔

موشن 8 — Forward-Deployed Engineering (FDE)

پختگی: ثابت شدہ۔ ابتدائی مشکل: اعلی درجے۔

سادہ الفاظ میں۔ Menus نہیں، embedded chefs۔ اپنے engineers کو customer کی kitchen میں رہنے بھیجیں اور custom meals cook کروائیں۔ وقت کے ساتھ recipes menu بن جاتی ہیں جو باقی customers کو sell ہوتا ہے۔ Forward-Deployed Engineering کا مطلب ہے اپنے engineers، اور اب AI Workers، کی چھوٹی team کو months کے لیے customer organization کے اندر embed کرنا، تاکہ ان کے لیے exactly custom solution build ہو۔ ہر engagement team کو specific lesson دیتا ہے کہ customer کی industry اصل میں کیسے work کرتی ہے۔ تیسری یا چوتھی deployment تک آپ کے پاس اتنے productized patterns ہوتے ہیں کہ self-serve vertical product launch کر سکیں۔

‏Palantir نے defense اور intelligence میں model invent کیا۔ Anthropic کی Applied AI team اور OpenAI کی Forward Deployed function lab level پر آج یہ run کر رہی ہیں۔ Sierra اور several enterprise AI vendors اس کے variants run کر رہے ہیں۔

‏Enterprise-scale strategic deals کے founding motion کے طور پر یا mid-stage path کے طور پر best، جب product companies کو کسی specific industry میں vertical depth چاہیے۔ Often Vertical AI-Native Greenfield میں transition کرتا ہے۔

بنیادی خیال۔ Engagement خود product discovery ہے۔ Engagement کے دوران earned patterns moat بن جاتے ہیں جو company کو scale کرنے دیتے ہیں۔

کب استعمال کریں۔ جب target customer strategic enterprise ہو، government، large bank، large hospital system، large industrial company؛ buyer کا problem اتنا complex ہو کہ generic product solve نہ کر سکے؛ اور team کے پاس ہر early engagement پر 6-12 months spend کرنے کا capital اور patience ہو۔

طریقہ کار۔ FDE vertical products کے cold-start problem کو solve کرتا ہے۔ First customer company کو industry سیکھنے کے پیسے دیتا ہے؛ بعد کے customers وہ product buy کرتے ہیں جو first engagement سے hardened ہوتا ہے۔ ہر engagement کا ایک fraction reusable patterns میں convert ہوتا ہے؛ وقت کے ساتھ reusable-to-custom work ratio flip ہوتا ہے، اور company services-margin economics سے software-margin economics میں graduate کرتی ہے۔

فرضی مثال۔ MedAgent imagine کریں، hospital systems کے لیے AI tool۔ MedAgent کا first customer large hospital network ہے۔ MedAgent کے three engineers six months کے لیے hospital offices میں move کرتے ہیں اور MedAgent کو اس hospital کے specific clinical workflows کے لیے customize کرتے ہیں۔ Hospital engagement کے لیے $2M pay کرتا ہے۔ Work کے دوران engineers جو patterns discover کرتے ہیں، common documentation flows، integration points، clinical-language conventions، وہ productized version میں reusable features بن جاتے ہیں جو MedAgent بعد میں other hospitals کو lower margins but higher volume پر sell کرتا ہے۔

‏Example۔ Confirmed examples: Palantir کی defense اور commercial deployments۔ Anthropic کی Applied AI Team۔ Major enterprise accounts کے لیے OpenAI کا Forward Deployed function۔ Smaller AI-native consultancies جو paid pilots run کر کے time کے ساتھ productize کرتی ہیں۔

بنیادی خطرہ۔ Service-business gravity۔ Team day one سے custom work sell کر کے real revenue بناتی ہے، جو seductive اور addictive ہوتا ہے۔ Forever custom work کرتے رہنا اور real product کی harder leap نہ لینا tempting ہے۔ Mitigation: demand کریں کہ ہر engagement کم از کم ایک reusable pattern produce کرے جو next engagement میں ship ہو۔ Custom-to-productized work ratio کو top operating metric کے طور پر track کریں۔

ثانوی خطرہ۔ Senior engineering bandwidth۔ FDE company کے most senior engineering talent کو months کے لیے consume کرتا ہے۔ Mitigation: concurrent FDE engagements کی تعداد اتنی رکھیں جتنی company sustain کر سکتی ہے۔ Parallel two FDE deployments reasonable ہیں؛ five کا usually مطلب quality سب پر suffer کر رہی ہے۔

پہلا قدم۔ ایک strategic customer کو full-margin pricing پر embedded engagement کے لیے sign کریں۔ Company کا product roadmap partially اس customer کے actual workflow سے shaped ہونا چاہیے۔

---

حصہ C: Outcome-led motions

‏Deal access کے بجائے results کے around structure ہوتی ہے۔ Seller کا کام measurement، attribution، اور consistent delivery ہے۔ یہ motions AI era سے uniquely enabled ہیں، کیونکہ AI Worker outputs ایسے measure ہو سکتے ہیں جیسے software-seat outputs usually نہیں ہو سکتے۔

موشن 9 — Pay-Per-Outcome (Service-as-Software)

پختگی: ابھرتا ہوا۔ ابتدائی مشکل: اعلی درجے۔

سادہ الفاظ میں۔ Carpenter کے appear ہونے پر نہیں، دروازہ fix ہونے پر pay کریں۔ Pay-Per-Outcome کا مطلب buyer صرف تب pay کرتا ہے جب AI Worker actual result deliver کرے: resolved support ticket، closed sales meeting، processed insurance claim، drafted legal document۔ Vendor delivery risk لیتا ہے۔

یہ pricing model AI era نے scale پر possible بنایا ہے، کیونکہ AI Worker outputs measurable ہیں جہاں software-seat outputs typically نہیں تھے۔ Sierra (customer support)، Decagon (customer service)، EvenUp (legal claims)، اور AI-native vendors کی wave 2026 میں outcome-based pricing run کر رہی ہے۔

جب outcomes cleanly measurable ہوں تو founding motion کے طور پر best، یا seat-based سے start کرنے والی companies کے لیے mid-stage pricing flip۔ Service-as-Software pattern سے tightly coupled۔

بنیادی خیال۔ Vendor revenue کو customer value کے ساتھ align کریں۔ Vendor تبھی پیسہ بناتا ہے جب customer value لیتا ہے، اور customer جتنی زیادہ value لیتا ہے، vendor اتنا زیادہ بناتا ہے۔

کب استعمال کریں۔ جب AI Worker کا output cleanly attributed اور measured ہو سکتا ہو، resolved ticket resolved ticket ہے، drafted contract drafted contract ہے؛ جب unit economics priced outcome level پر work کرتے ہوں، compute cost + AI quality cost revenue per outcome سے below ہو؛ اور buyer outcome contracts structure کرنے کے لیے sophisticated ہو، typically AI-native یا AI-piloting buyers۔

طریقہ کار۔ Outcome pricing اس لیے کام کرتا ہے کیونکہ seller customer کے software budget کے بجائے labor budget کے لیے compete کر سکتا ہے۔ Mid-market company customer support software سے دس گنا زیادہ customer support headcount پر spend کرتی ہے۔ جو AI vendor outcome pricing کے through headcount budget کا fraction capture کرتا ہے، وہ اس vendor سے different revenue category میں operate کرتا ہے جو software budget کا fraction capture کرتا ہے۔

‏Pricing math human labor cost سے anchored ہوتی ہے، SaaS comparable سے نہیں۔ اگر customer support representative کا all-in cost roughly $5 per resolved ticket ہے، outcome price ceiling شاید $1-3 per resolved ticket کے around ہے: human cost سے enough below تاکہ customer real savings capture کرے، vendor کے compute cost سے enough above تاکہ gross margin positive ہو۔ Vendor کا compute cost per outcome، currently typical agent tasks کے لیے $0.20-0.80 اور model efficiency improve ہونے کے ساتھ rapidly falling، floor set کرتا ہے؛ customer کا human cost ceiling set کرتا ہے؛ price بیچ میں رہتی ہے۔ Strategic question یہ ہے کہ gap کتنا aggressively compress کرنا ہے: wider gap per-outcome margin high کرتا ہے لیکن adoption slow؛ narrower gap adoption accelerate کرتا ہے لیکن ان سالوں میں margin compress کرتا ہے جب compute prices ابھی fall ہو رہے ہوتے ہیں۔

‏Technical foundation outcome attribution ہے۔ Vendor کو audit-grade telemetry produce کرنی ہوتی ہے: ہر priced outcome کے لیے verifiable record کہ AI نے کیا کیا، کیا process کیا، اور result confirm کیسے ہوا۔ اس کے بغیر customer disputes کا objective basis نہیں ہوتا اور revenue collection quarterly negotiation بن جاتی ہے۔ جو companies اس motion کو اچھی طرح run کرتی ہیں وہ outcome-attribution infrastructure کو product کا حصہ treat کرتی ہیں، accounting overhead نہیں، اور اسے engineers سے staff کرتی ہیں، finance analysts سے نہیں۔ یہ discipline motion کو durable بناتا ہے؛ اس کی کمی motion fail ہونے پر kill کرتی ہے۔

فرضی مثال۔ TicketBot imagine کریں، AI customer-support agent۔ TicketBot customers سے per seat charge نہیں کرتا۔ Instead، customer ہر support ticket کے لیے $0.50 pay کرتا ہے جو TicketBot خود resolve کرتا ہے، human escalation کے بغیر۔ Fifty thousand tickets per month والا customer $25,000 monthly bill لیتا ہے، لیکن صرف تب جب TicketBot actual tickets resolve کرے۔ اگر TicketBot incoming tickets کا صرف thirty percent resolve کرتا ہے تو bill اس کا one-third ہوتا ہے۔ Customer CFO کو یہ پسند ہے؛ procurement team کو contract structure کرنا سیکھنا پڑتا ہے۔

‏Example۔ Confirmed examples: Sierra کی AI customer service کے لیے per-resolution pricing۔ Decagon کے outcome-based contracts۔ Personal-injury legal work کے لیے EvenUp کی per-claim pricing۔ Pattern 2026 کی سب سے actively expanding pricing structures میں سے ہے۔

بنیادی خطرہ۔ Early years میں negative gross margin۔ اگر AI quality ابھی high enough نہیں، vendor failed work کے compute اور human-fallback costs pay کرتا ہے لیکن revenue نہیں ملتی۔ Mitigation: price-per-outcome میں early-quality issues کے لیے margin buffer رکھیں، اور quality improve ہونے پر tighter pricing پر graduate کریں۔ بہت سے vendors first 12-18 months near-zero gross margin پر operate کرتے ہیں جب تک quality stabilize نہ ہو۔

ثانوی خطرہ۔ Attribution disputes۔ Buyer claim کرتا ہے کہ AI نے outcome produce نہیں کیا، یا buyer کے اپنے staff نے کیا۔ Mitigation: day one سے outcome-attribution telemetry میں invest کریں۔ Vendor کو irrefutable، audit-quality evidence چاہیے کہ کون سے outcomes AI Worker نے produce کیے۔

پہلا قدم۔ ایک outcome pick کریں، سب سے clean اور measurable، اور اسے price کریں۔ جب تک پہلے outcome کی economics prove نہ ہو، simultaneously multiple outcomes price کرنے کی urge resist کریں۔

موشن 10 — Value-Based Engagement

پختگی: قیاسی۔ ابتدائی مشکل: اعلی درجے۔

سادہ الفاظ میں۔ ایسی consulting firm hire کرنا imagine کریں جو صرف created savings کا percentage لیتی ہے: McKinsey یا BCG style engagement، لیکن deliverable slide deck نہیں live AI Worker ہے، اور pricing customer کے measured P&L improvement سے directly tied ہے۔ Value-Based Engagement کا مطلب large strategic deals کو created business value کے percentage کے طور پر structure کرنا ہے، rates deal complexity اور buyer sophistication کے حساب سے widely vary کرتے ہیں۔ یہ ان AI deployments کے لیے common ہے جو hundreds of millions dollars کی P&L lines کو touch کرتی ہیں۔

‏Motion speculative ہے کیونکہ یہ buyer کی value-based contracting formally commit کرنے کی willingness پر depend کرتا ہے، اور most enterprise procurement organizations ابھی اس طرح structure نہیں ہوتیں۔ 2026 میں یہ mostly AI-native vendors اور forward-leaning enterprise customers کے bespoke deals کے طور پر exist کرتا ہے۔

صرف strategic-deal scale (>$1M ACV) پر realistic اور صرف AI-native buyers کے ساتھ۔ Early-stage companies کے لیے viable motion نہیں؛ usually largest deals کے لیے Enterprise Field یا FDE کے اوپر layer ہوتا ہے۔

بنیادی خیال۔ Deal کو customer کے measurable economic outcome کے function کے طور پر price کریں۔ Vendor customer gain کے proportion میں upside لیتا ہے، اور کچھ structures میں gain threshold سے below ہو تو downside بھی لیتا ہے۔

کب استعمال کریں۔ جب customer کے executive sponsor کے پاس value-based contracting commit کرنے کا authority ہو، typically C-suite level؛ جب created value cleanly AI Worker سے attributed ہو سکتی ہو، other initiatives سے confounded نہ ہو؛ اور deal size اتنا large ہو کہ contracting complexity justify ہو۔

طریقہ کار۔ Value-Based Engagement تب کام کرتا ہے جب دونوں parties value کا مطلب اور اس کی measurement پر agree کر سکیں۔ Structure vendor incentives کو customer outcomes کے ساتھ کسی بھی pricing model سے tight align کرتا ہے: vendor revenue customer کے measurable gain کے proportion میں grow ہوتی ہے، conventional vendor-buyer adversarial dynamic remove کرتے ہوئے جہاں vendor access کے لیے charge کرنا چاہتا ہے اور buyer results کے لیے pay کرنا چاہتا ہے۔

‏Contract structure seat- یا outcome-based pricing سے materially زیادہ complex ہوتا ہے۔ Typical agreement کے چار components ہوتے ہیں۔ Baseline measurement period، usually deployment سے 30-90 days پہلے، establish کرتا ہے کہ AI Worker کے بغیر customer metrics کیا تھے۔ Value-share formula define کرتا ہے کہ vendor gain کا کون سا fraction capture کرے گا، typically percentage جو deal complexity اور buyer sophistication کے حساب سے vary کرتا ہے۔ Ceiling and floor upside اور downside دونوں cap کرتے ہیں، تاکہ vendor customer executives کے internally defend کرنے لائق limit سے زیادہ earn نہ کرے اور product deploy کرنے کے لیے customer کو pay بھی نہ کرنا پڑے۔ Audit rights vendor کو وہ metrics verify کرنے کا حق دیتے ہیں جو billing drive کرتے ہیں۔ Audit rights کے بغیر customer procurement organization first true-up cycle پر measured value under-report کرے گی۔

‏Constraint contracting maturity ہے۔ Most enterprise procurement organizations ابھی scale پر value-based deals structure کرنے کے لیے equipped نہیں؛ legal، finance، اور operations سب کو model سمجھنے والے اور non-standard contract terms commit کرنے والے representatives چاہیے۔ اسی لیے یہ deals usually C-suite executive sponsor require کرتے ہیں۔ صرف وہ authority procurement organization کے default "we don't structure deals this way" کو override کر سکتی ہے۔ Sponsor کے بغیر proposal technical merit کے باوجود mid-organization میں indefinitely stall ہو جاتا ہے۔ Motion 10 run کرنے والے sellers اپنی early energy کا زیادہ حصہ executive sponsor identify اور recruit کرنے میں لگاتے ہیں؛ باقی motion sponsor کے mandate کے against execution ہے۔

فرضی مثال۔ CashFlow imagine کریں، hedge funds کے لیے AI tool۔ $50B fund CashFlow deploy کرتا ہے اور 12-month measurement period میں deployment سے trading efficiency میں $40M annual improvement attribute کرتا ہے۔ CashFlow کا contract baseline سے اوپر measurable improvement کے fifteen percent پر structured ہے: fund contract duration کے لیے annually $6M pay کرتا ہے۔ Deal negotiate کرنے میں nine months لگے، fund کے CIO اور CFO کی personal approval required تھی، اور procurement سے صرف اس لیے گزری کیونکہ executive sponsor نے push کیا۔

‏Example۔ Emerging analogues: Strategic enterprise customers کے ساتھ کچھ Anthropic Applied AI engagements۔ Mission outcomes کے around structured کچھ Palantir deployments۔ Financial services، healthcare، اور consulting firms میں forward-leaning AI deployments۔ Pattern ابھی اتنا young ہے کہ canonical exemplar نہیں۔

بنیادی خطرہ۔ Attribution disputes۔ Customer claim کرتا ہے کہ AI نے value produce نہیں کی، یا customer کے اپنے initiatives نے کی۔ Mitigation: engagement start ہونے سے پہلے baseline measurement period establish کریں۔ Post-deployment metrics کو hypothetical counterfactual کے بجائے pre-deployment baseline سے compare کریں۔

ثانوی خطرہ۔ Long contracting cycles۔ Value-based contracts negotiate کرنے میں 6-12 months لگ سکتے ہیں، جس میں team revenue کے بغیر relationship میں invest کر رہی ہوتی ہے۔ Mitigation: value-based engagement کو paid pilot phase کے ساتھ combine کریں جو production contract negotiate ہوتے وقت revenue produce کرے۔

پہلا قدم۔ Proposal میں invest کرنے سے پہلے وہ executive sponsor find کریں جس کے پاس value-based contracting commit کرنے کا authority ہو۔ اس sponsor کے بغیر motion mid-organization procurement میں stall ہو جاتا ہے۔

---

حصہ D: Partner-led motions

‏Third parties purchase drive کرتی ہیں۔ Seller کا کام alliance management ہے: partners کو اتنا successful بنانا کہ وہ آپ کے لیے sell کرتے رہیں۔ یہ motions start میں slow ہوتے ہیں لیکن partner ecosystem place میں آ جائے تو durable، repeatable revenue produce کرتے ہیں۔

موشن 11 — Channel & SI Partnership

پختگی: ثابت شدہ۔ ابتدائی مشکل: درمیانہ۔

سادہ الفاظ میں۔ Apple Best Buy کے through sell کرتا ہے۔ Beverages grocery stores کے through sell ہوتی ہیں۔ بہت زیادہ potential customers اور کم sales reps والے vendors کو اکثر last mile selling اور deployment کے لیے کسی اور کی ضرورت ہوتی ہے۔ Channel and Systems Integrator (SI) Partnership کا مطلب AI Workers کو third parties کے through sell کرنا ہے: value-added resellers، consultancies، Accenture، Deloitte، Slalom، BCG، McKinsey، regional systems integrators، جو انہیں اپنے clients کے broader engagements کے حصہ کے طور پر deploy کرتے ہیں۔

یہ motion ان products کے لیے essential ہے جنہیں significant implementation expertise چاہیے۔ Large bank میں weeks لگانے والا AI Worker Accenture کے deploy کرنے پر بہتر sell ہوتا ہے، کیونکہ bank پہلے سے Accenture پر trust کرتا ہے، Accenture bank کے workflows جانتا ہے، اور Accenture کے پاس AI services cover کرنے والا contract template already ہوتا ہے۔

‏Implementation expertise require کرنے والے products کے primary motion کے طور پر best، یا Enterprise Field Sales کے ساتھ complementary channel کے طور پر۔

بنیادی خیال۔ Implementation، customization، اور ongoing operations work partners سے handle کروائیں جو AI vendor خود نہیں کرنا چاہتا۔ Partners کو margins یا referral fees کے through pay کریں جو long-term success incentivize کریں۔

کب استعمال کریں۔ جب target customer large enterprise ہو جس کے پاس already SI relationships ہوں، product significant implementation work require کرتا ہو، اور company 12-18 months partner relationships build کرنے میں invest کرنے کا patience رکھتی ہو before channel meaningful revenue produce کرے۔

طریقہ کار۔ Channel-led اس لیے کام کرتا ہے کیونکہ SIs کے پاس enterprise buyers کے ساتھ established trust ہوتا ہے جو AI vendors کے پاس ابھی نہیں۔ SI کی recommendation خود sales argument ہے۔ Constraint partner economics ہے: SIs engagement پر 30-50% margin بنانا چاہتے ہیں، جو AI vendor کی pricing flexibility compress کرتا ہے۔ اس motion کو اچھی طرح run کرنے والی companies SIs کے ساتھ co-sell کرتی ہیں، joint sales calls، joint case studies، joint executive briefings، SI کو passive distributor treat نہیں کرتی۔

فرضی مثال۔ DocAI imagine کریں، AI document-processing tool۔ DocAI large banks کو directly sell نہیں کرتا؛ وہ Accenture کے through sell کرتا ہے۔ Accenture کے consultants larger digital transformation engagements کے حصہ کے طور پر banking clients کے لیے DocAI implement کرتے ہیں، جن کے budgets already $50M ہوتے ہیں۔ DocAI recurring software license revenue لیتا ہے، typically $500K-$2M per bank؛ Accenture implementation fees لیتا ہے، $5M-$20M per engagement۔ DocAI کو bank procurement directly navigate نہیں کرنا پڑتا؛ Accenture کے existing relationships وہ کام کرتے ہیں۔

‏Example۔ Confirmed examples: Fortune 500 accounts میں sell کرنے والے most enterprise AI vendors direct sales motion کے ساتھ channel motion run کرتے ہیں۔ Copilot کے لیے Microsoft کا partner ecosystem۔ Einstein/Agentforce کے لیے Salesforce کا SI ecosystem۔ AI deploy کرنے والے most regional banks SI-led engagements use کرتے ہیں۔

بنیادی خطرہ۔ Partner economics misalignment۔ Partner alternative vendors push کر کے زیادہ پیسہ بناتا ہے۔ Mitigation: partner enablement میں invest کریں، training، sales materials، technical support، تاکہ partner کے لیے آپ کا product alternatives کے مقابلے operationally easier to sell ہو۔ Partner sales relationship business ہے؛ جو company partner success میں زیادہ invest کرتی ہے وہ جیتتی ہے۔

ثانوی خطرہ۔ Direct sales کے ساتھ partner conflict۔ Direct sales team اور channel partner same deals کے لیے compete کرتے ہیں، margins erode ہوتی ہیں۔ Mitigation: day one سے clear deal-registration rules establish کریں۔ جو partners deal source کرتے ہیں وہ own کرتے ہیں؛ direct sales وہ deals handle کرتی ہے جہاں partners reach نہیں کر سکتے۔

پہلا قدم۔ اپنے target vertical میں سب سے active three SIs identify کریں۔ زیادہ add کرنے سے پہلے ان میں سے دو کے ساتھ deep relationships میں invest کریں۔

موشن 12 — Hyperscaler Co-Sell

پختگی: ثابت شدہ۔ ابتدائی مشکل: درمیانہ۔

سادہ الفاظ میں۔ Cloud provider کے menu پر featured ہونا۔ Hyperscaler Co-Sell کا مطلب ہے اپنا AI product AWS Marketplace، Microsoft Azure Marketplace، یا Google Cloud Marketplace پر list کرنا، اور hyperscaler کی sales organization کے ساتھ partner کرنا تاکہ deals ان کے existing customer relationships میں drive ہوں۔ Hyperscaler کے account executives آپ کا product sell کرنے میں help کرتے ہیں کیونکہ deployment سے underlying compute revenue انہیں ملتا ہے۔

‏AI products کے لیے یہ motion uniquely powerful ہے کیونکہ underlying compute load large ہوتا ہے۔ ہر AI deployment meaningful cloud spend produce کرتا ہے، جسے grow کرنے کا hyperscaler sales team کو incentive ہوتا ہے۔

‏Significant cloud footprint والے compute-heavy AI products کے primary motion کے طور پر best، یا Enterprise Field Sales کے اوپر additional channel کے طور پر۔

بنیادی خیال۔ اپنا sales motion hyperscaler کے sales motion کے ساتھ align کریں۔ Hyperscaler AE underlying compute پر commission earn کرتا ہے؛ اس کے پاس incentive ہے کہ وہ آپ کو اپنے accounts میں introduce کرے۔

کب استعمال کریں۔ جب product cloud-deployed ہو، typically AWS، Azure، یا GCP؛ product hyperscaler کے لیے meaningful compute revenue produce کرتا ہو؛ team کے پاس hyperscaler relationships maintain کرنے کے لیے partnership-management capacity ہو؛ اور target buyer already meaningful cloud customer ہو۔

طریقہ کار۔ Hyperscaler Co-Sell اس لیے کام کرتا ہے کیونکہ hyperscaler AEs ان relationships کے اوپر بیٹھے ہوتے ہیں جنہیں AI vendors easily replicate نہیں کر سکتے۔ ان کے پاس customer کے ساتھ years of trust ہوتا ہے، وہ customer کی procurement preferences جانتے ہیں، اور technical decision-making کے private channels ہوتے ہیں۔ جب hyperscaler AE کسی AI vendor کو اپنے account میں introduce کرتا ہے، AI vendor credibility shortcut inherit کرتا ہے۔ Constraint hyperscaler-program participation ہے: AI vendor کو co-sell eligible ہونے کے لیے hyperscaler partner program میں invest کرنا ہوتا ہے، certifications، joint case studies، marketplace listings۔

فرضی مثال۔ VoiceTalk imagine کریں، AI voice tool جس کے significant cloud compute requirements ہیں۔ VoiceTalk AWS Marketplace پر list ہوتا ہے اور top-tier AWS partner بنتا ہے۔ Fortune 1000 telecom کو sell کرنے والا AWS account executive expanded cloud spend کی discussion کے دوران VoiceTalk mention کرتا ہے۔ Customer VoiceTalk کو اپنے existing AWS contract میں add کر لیتا ہے، fresh procurement کے بجائے already-allocated AWS budget use کرتے ہوئے۔ AWS underlying compute revenue earn کرتا ہے، جو large ہے کیونکہ voice AI compute-heavy ہے؛ VoiceTalk fraction of direct sales cycle کے ساتھ customer لے لیتا ہے۔

‏Example۔ Confirmed examples: Significant cloud workloads والے most enterprise AI-native vendors hyperscaler co-sell motions run کرتے ہیں۔ AWS Marketplace، Azure Marketplace، اور GCP Marketplace کے AI-vendor catalogs 2026 میں grow کر رہے ہیں۔ Amazon Bedrock پر Anthropic Claude خود اس dynamic کا extreme version ہے، جہاں hyperscaler AI capability directly sell کر رہا ہے۔

بنیادی خطرہ۔ Hyperscaler de-prioritization۔ Hyperscaler کی strategic priorities shift ہوتی ہیں اور آپ کا product featured نہیں رہتا۔ Mitigation: hyperscaler motion کے ساتھ meaningful direct sales motion maintain کریں، تاکہ de-prioritization existential event نہیں بلکہ setback ہو۔

ثانوی خطرہ۔ Multi-hyperscaler complexity۔ AWS، Azure، اور GCP پر simultaneously sell کرنا partner-management work triple کرتا ہے۔ Mitigation: اس hyperscaler کو prioritize کریں جس کا customer base آپ کے target market سے سب سے زیادہ overlap کرتا ہے۔ جب team کے پاس bandwidth ہو تو others add کریں۔

پہلا قدم۔ ایک hyperscaler pick کریں اور دوسروں پر list کرنے سے پہلے وہاں top-tier partner بن جائیں۔

---

مشترک concepts کی وضاحت

کچھ concepts motions کے across بار بار آتے ہیں اور انہیں ہر دفعہ repeat کرنے کے بجائے ایک دفعہ define کرنا بہتر ہے۔

‏Procurement navigation۔ Buyer کے formal purchasing process سے deal کو گزارنا: security review، legal review، vendor approval، contract negotiation، integration approval، procurement signoff۔ Procurement navigation days لے سکتی ہے، PLG میں، یا eighteen months، strategic enterprise میں۔ Vendor-led sales cycles میں variance کا single largest source یہی ہے۔ جس seller نے procurement navigation کو sales motion میں build نہیں کیا، وہ repeatedly deals "stalled in legal" یا "stuck in security review" experience کرے گا۔ یہ code phrases ہیں: seller buyer کا process نہیں سمجھا۔

‏AI-native vendors کے لیے three procurement objections nearly ہر enterprise deal میں آتے ہیں اور seller کی first executive conversation سے پہلے standard sales kit میں answer ہونے چاہیے:

‏Data privacy اور model training۔ Enterprise procurement میں AI deals stall ہونے کی single most common reason buyer کا یہ fear ہے کہ proprietary data vendor کے models train کرنے کے لیے use ہوگا، یا worse، identifiable form میں underlying foundation-model provider کے ساتھ share ہوگا۔ Sellers کو master service agreement میں clear written commitment چاہیے، marketing page پر نہیں: customer data model training کے لیے use نہیں ہوتا، identifiable form میں foundation-model providers کے ساتھ share نہیں ہوتا، اور contract termination پر delete ہوتا ہے۔ جو vendors pre-sales documentation میں یہ objection handle کرتے ہیں وہ ان vendors سے 30-60 days faster close کرتے ہیں جو legal counsel کو scratch سے surface اور negotiate کرنے دیتے ہیں۔

‏Hallucination liability۔ جب AI غلط ہو تو responsible کون؟ Regulated industries، healthcare، legal، financial services، میں sellers کو AI accuracy، warranty limitations، اور customer کی obligation to keep humans in the loop for material decisions پر pre-drafted contractual language چاہیے۔ اس language کے بغیر legal review ninety days یا زیادہ لیتا ہے جب buyer کا counsel scratch سے language لکھتا ہے، اور buyer کا counsel almost always seller سے زیادہ conservative language لکھتا ہے۔

‏Compute residency اور model deployment۔ Regulated industries یا non-US jurisdictions کے buyers کے لیے AI کہاں run ہوتا ہے اتنا ہی important ہے جتنا data کہاں رہتا ہے۔ EU میں AWS Bedrock، EU میں Azure OpenAI، on-premises deployments، اور dedicated-tenant model hosting increasingly demanded ہیں۔ ان requirements کے لیے deployment story نہ رکھنے والے sellers technical due diligence میں deals lose کرتے ہیں، legal review start ہونے سے پہلے۔

‏The Trust Ladder۔ Worker Catalog میں defined: AI Worker کا progression co-pilot سے، جہاں AI suggest کرتا ہے اور human ہر action approve کرتا ہے، supervised autonomous تک، جہاں AI defined task type پر act کرتا ہے اور human aggregate output review کرتا ہے، پھر full autopilot تک، جہاں AI per-task supervision کے بغیر act کرتا ہے۔ ہر rung different pricing model imply کرتا ہے۔ Co-pilot tool کے طور پر priced ہے۔ Supervised autonomous seat-equivalent کے طور پر۔ Full autopilot outcome کے طور پر۔ جو sales motions Trust Ladder ignore کرتے ہیں وہ buyer کے actual deployment posture کے لیے wrong pricing tier پر end ہوتے ہیں۔

‏Pilot economics۔ 2026 میں almost ہر six-figure AI deal paid pilot سے start ہوتی ہے: time-bounded، scope-limited initial deployment، typically 30-90 days، جو buyer کو اپنے environment میں product validate کرنے دیتی ہے before production contract۔ Pilot separate sales motion نہیں؛ یہ ایک structure ہے جو Enterprise Field، FDE، AI-Augmented Outbound، اور increasingly Pay-Per-Outcome motions کے اندر رہتی ہے۔ Pilots paid ہوتے ہیں، تاکہ free consulting نہ بن جائیں، لیکن production contract سے چھوٹے ہوتے ہیں: typically pilot کے لیے $25-100K، پھر successful pilot پر production deployment کے لیے $100K-1M۔

‏Standalone basis پر economics rarely justify ہوتی ہیں: pilots اتنے tightly scoped ہوتے ہیں کہ team often ان پر پیسہ lose کرتی ہے۔ Economics صرف اس لیے work کرتی ہیں کہ pilot meaningfully higher pricing پر production contract میں convert ہوتا ہے۔ جو companies production-conversion mechanics کے بغیر pilots run کرتی ہیں، clear conversion clauses، deadline-based pricing tiers، expanded-scope upgrades کے بغیر، وہ high pilot-revenue اور low production-revenue کے ساتھ end ہوتی ہیں، جو temporary نہیں structural problem ہے۔ Strong pilot operators کو weak ones سے دو disciplines separate کرتے ہیں: original agreement میں pilot success metrics rigorously scope کرنا، out-of-scope work separate engagement ہے pilot extension نہیں؛ اور contract کو اس طرح structure کرنا کہ pilot کے end پر buyer 30 days میں production convert کرے یا preferred pricing lose کرے۔ Clause indefinite pilot extensions کو روکتا ہے، جو سب سے common pilot failure mode ہے، اور buyer procurement کو defined timeline پر decision لینے پر force کرتا ہے۔

‏The RevOps stack۔ Instrumentation جو کسی بھی vendor-led motion کو work کرواتی ہے: CRM (Salesforce، HubSpot)، sales engagement (Outreach، Salesloft)، product analytics (Mixpanel، Amplitude)، revenue intelligence (Gong، Chorus)، forecasting (Clari، Boostup)، customer success (Gainsight، Catalyst)۔ 2026 میں stack کے ہر layer کے AI-native versions emerge ہو رہے ہیں، اور انہیں integrate کرنے کا discipline خود meaningful competitive advantage ہے۔ جو companies RevOps میں under-invest کرتی ہیں، وہ اپنے motions اندھیرے میں run کرتی ہیں، each deal سے individually learn کرتی ہیں patterns across deals سے نہیں۔

‏Outcome attribution۔ Technical infrastructure جو prove کرتا ہے کہ کون سے outcomes AI Worker نے produce کیے versus humans، other systems، یا happenstance نے۔ Outcome attribution outcome-based pricing اور value-based engagement کی foundational requirement ہے۔ جو companies outcome attribution کے بغیر outcome pricing ship کرتی ہیں وہ customers کے ساتھ chronic disputes میں پھنس جاتی ہیں۔

‏Outcome-led deals میں compensation۔ Outcome-based pricing (Motion 9) اور value-based engagement (Motion 10) ایک structural problem create کرتے ہیں جو traditional SaaS commission plans handle نہیں کر سکتے۔ Seat-based deal میں AE $100K ACV contract close کرتا ہے اور sign ہونے کے دن bookable contract value پر commission earn کرتا ہے۔ Outcome-based deal میں day one پر $100K bookable amount نہیں ہوتا: customer $0.50 per resolved ticket، $5 per processed claim، $50 per booked meeting pay کرے گا۔ Revenue contract term کے دوران آتی ہے، AI Worker performance پر contingent۔

‏2026 میں three approaches emerge ہو رہے ہیں، اور most companies جو یہ motions run کرتی ہیں ان پر experiment کرتی ہیں:

‏Projected-usage commission۔ AE signing پر projected annual revenue figure پر commission earn کرتا ہے، usually customer کے stated volume سے derived، e.g.، "100,000 tickets per year x $0.50 = $50K projected ACV." Risk: AEs projected volumes inflate کرتے ہیں اور customers کا ایک حصہ estimate سے dramatically less actual revenue deliver کرتا ہے۔ اس model کو run کرنے والی companies usually actuals projection سے significantly below ہوں تو commission claw back کرتی ہیں، جو deal close ہونے کے months بعد angry conversations produce کرتا ہے۔

‏Realized-revenue commission۔ AE actual collected revenue پر commission earn کرتا ہے، quarterly 60-90 day lag کے ساتھ paid۔ AE incentives delivery کے ساتھ align ہوتے ہیں لیکن recruiting problem create ہوتا ہے: outcome-based deals پر working AEs closing کے months بعد paid ہوتے ہیں۔ Seat-based options elsewhere رکھنے والے sellers seat-based path choose کریں گے جب تک realized-revenue plan higher rates سے compensate نہ کرے۔

‏Hybrid۔ Outcome-led motions run کرنے والی most companies blend use کرتی ہیں: commission کا fraction conservative volume projection پر signing پر paid، باقی actual revenue land ہونے پر۔ Roughly 30% upfront اور 70% trailing common starting point ہے، though ratio company اور seller seniority کے حساب سے vary کرتا ہے۔

‏Compensation question motion ship ہونے سے پہلے rarely solved ہوتا ہے۔ Motion 9 یا Motion 10 run کرنے والی most companies نے پہلے six to twelve months یہ سیکھنے میں spend کیے کہ کون سا commission structure right seller behavior produce کرتا ہے، اور پھر learning کے ساتھ adjust کیا۔ Right approach یہ ہے کہ conservative start کریں، realized-revenue heavy، accept کریں کہ recruiting harder ہے، اور actual-versus-projected variance predictable ہونے پر more upfront commission کی طرف migrate کریں۔

---

---

اے آئی ہر motion کو کیا change کرتا ہے

اس catalog کے motions کے ancestors pre-AI sales literature میں ہیں۔ Founder-Led Sales، Enterprise Field، Channel، PLG — یہ نئی چیزیں نہیں۔ نیا یہ ہے کہ AI ہر motion کے اندر کیا کرتا ہے۔ AI era sales motions کو replace نہیں کرتا اتنا جتنا ہر motion کی unit economics، role definitions، اور tool stack change کرتا ہے۔

پانچ shifts name کرنا ضروری ہے۔ Together، یہ explain کرتے ہیں کہ 2026 کے same nominal motions 2020 سے dramatically different economics کیوں produce کرتے ہیں۔

‏Seller اب AI-augmented ہے۔ RevOps stack کے ہر layer کا AI-augmented version ہے: research and prospecting (Clay، Apollo، ZoomInfo with AI enrichment)، outbound drafting (Outreach، Salesloft، instantly.ai)، conversation intelligence (Gong، Chorus، Avoma، سب heavily AI-instrumented)، forecasting (Clari، BoostUp، AI-driven deal scoring کے ساتھ)، اور contract review (Ironclad، Spotdraft، AI redlining کے ساتھ)۔ 2020 والا same motion 2026 tool stack کے ساتھ run کرنے والی sales team per rep 2-4x activity volume produce کرتی ہے۔ Implication: fifteen years تک SaaS sales define کرنے والا SDR-heavy outbound function چھوٹی AI-augmented team میں compress ہو رہا ہے۔ AI-Augmented Outbound (Motion 6) اس کا سب سے visible expression ہے، لیکن same dynamic ہر vendor-led motion reshape کر رہا ہے۔

‏Compute اب COGS ہے۔ Traditional SaaS gross margins 75-85% تھے، کیونکہ dominant variable cost customer support تھی، infrastructure نہیں۔ AI-native products کے variable costs substantially higher ہیں کیونکہ ہر query، generation، اور tool call frontier-model compute invoke کرتا ہے جس کا vendor pay کرتا ہے۔ Early years میں AI-native gross margins typically 50-70% ہوتے ہیں، scale کے ساتھ 65-80% تک climb کرتے ہیں۔ یہ change کرتا ہے کہ کون سے motions economically viable ہیں۔ Pay-Per-Outcome (Motion 9) structurally exposed ہے: اگر compute cost per resolved ticket $0.40 ہے اور price $0.50، unit economics work کرتے ہیں؛ اگر compute cost $0.60 ہو جائے، company customers کو product use کرنے کے پیسے دے رہی ہے۔ Access کے طور پر price ہونے والے motions، PLG، seat pricing کے ساتھ Enterprise Field، compute volatility سے insulated ہیں؛ outcome price کرنے والے motions نہیں۔

‏Outcome attribution اب اپنا discipline ہے۔ SaaS میں seller access deliver کرتا تھا اور buyer value measure کرتا تھا۔ AI میں seller value directly deliver کر رہا ہے، اور وہ value seller کو measure کرنی ہوتی ہے، buyer کو نہیں، کیونکہ buyer easily distinguish نہیں کر سکتا کہ کون سے outcomes AI-produced ہیں اور کون سے human-produced۔ یہ نیا sales-engineering function ہے: AI Worker کو instrument کرنا تاکہ audit-grade evidence produce ہو کہ اس نے کون سے outcomes produce کیے، کون سے assist کیے، اور کون سے human نے handle کیے۔ جو companies outcome pricing (Motion 9) یا value-based engagements (Motion 10) outcome attribution کے بغیر ship کرتی ہیں وہ customers کے ساتھ chronic disputes میں پھنس جاتی ہیں۔ اس سے جو نیا role create ہوتا ہے، کبھی AI Outcome Engineer یا AI Sales Engineer کہلاتا ہے، وہ traditional sales engineering اور customer success کے بیچ بیٹھتا ہے۔

‏Buyer بھی AI-augmented ہے۔ Procurement organizations vendor proposals evaluate کرنے، security questionnaires summarize کرنے، اور pre-screen technical reviews run کرنے کے لیے AI agents deploy کرنا start کر رہی ہیں۔ جو sales team AI-augmented procurement anticipate نہیں کرتی وہ اس team سے lose کرتی ہے جو کرتی ہے: proposals ایسے لکھتی ہے جنہیں AI agents cleanly summarize کر سکیں، technical documentation ایسے structure کرتی ہے جہاں AI agents specs extract کر سکیں، pricing formats ایسے دیتی ہے جنہیں AI agents compare کر سکیں۔ وہ era end ہو رہا ہے جہاں salesperson rely کر سکتا تھا کہ buyer کے پاس سب کچھ پڑھنے کا time نہیں۔ Buyer کا AI سب کچھ پڑھتا ہے۔

‏Motions خود converge کرنا start کر رہے ہیں۔ PLG enterprise pipeline produce کرتا ہے۔ Enterprise Field accounts open کرتا ہے جو پھر self-serve usage سے expand ہوتے ہیں۔ AI-Augmented Outbound پہلی deals کے لیے Founder-Led closing feed کرتا ہے، پھر Field Sales میں transition ہوتا ہے۔ Catalog میں taxonomy discrete categories کے طور پر present ہے کیونکہ revenue teams plan اور staff ایسے کرتی ہیں۔ لیکن operation میں most successful AI-native companies simultaneously three یا four motions blend کرتی ہیں، AI-augmentation ان کے across connective tissue کے طور پر۔ یہ Common Hybrid Motions dynamic ہے جسے next section map کرتا ہے۔

یہ five shifts مل کر SaaS transition کے بعد B2B sales economics میں سب سے consequential change produce کرتے ہیں۔ جو company 2026 motion کو 2020 economics کے ساتھ run کر رہی ہے وہ category mistake کر رہی ہے۔ جو company 2026 motion کو 2026 economics کے ساتھ run کر رہی ہے وہ peers سے different game compete کر رہی ہے۔

---

عام hybrid motions

اوپر twelve motions discrete archetypes کے طور پر present ہیں، لیکن most successful AI-native companies single motion isolation میں run نہیں کرتیں۔ وہ sequence run کرتی ہیں: ایک motion سے foothold gain کرنا، پھر company mature اور deal sizes scale ہوتے ہی دوسرے motion میں evolve کرنا۔ Transitions deliberate strategic choices ہیں۔

‏Six hybrid sequences اتنی frequently appear ہوتی ہیں کہ name کرنا بنتا ہے۔

‏PLG → Enterprise Field۔ Founder self-serve product ship کرتا ہے جو individual-developer یا small-team adoption produce کرتا ہے۔ Larger organizations کے اندر usage grow ہوتی ہے تو security review، multi-seat negotiation، اور centralized procurement bottleneck بن جاتے ہیں۔ Team enterprise account executives hire کرتی ہے تاکہ bottom-up usage کو top-down contracts میں convert کرے، typically self-serve plan کے per-seat economics سے 5-20x۔ Cursor، Linear، اور Notion نے اس transition کے variants run کیے ہیں۔

‏Founder-Led → AI-Augmented Outbound۔ Founder first 30-50 deals hand-close کرتا ہے تاکہ playbook validate ہو۔ جب playbook document ہو جائے، team SDR headcount linearly scale کیے بغیر outreach scale کرنے کے لیے AI-augmented outbound build کرتی ہے۔ Transition hard ہے کیونکہ founder کو sales سے step back کرنا ہوتا ہے اور team کو RevOps infrastructure میں invest کرنا ہوتا ہے، لیکن 2026 میں mid-market AI-native companies کے لیے یہ most common scaling path ہے۔

‏Enterprise Field → Pay-Per-Outcome۔ Team seat-based enterprise contracts sell کر کے start کرتی ہے جس میں paid pilot phase included ہوتا ہے۔ جیسے AI Worker quality stabilize ہوتی ہے اور outcome-attribution infrastructure mature ہوتا ہے، team seat-based کے ساتھ outcome-based tier offer کرنا start کرتی ہے۔ Existing customers پہلے outcome pricing میں convert کرتے ہیں، trust already ہوتا ہے؛ new customers کو day one سے outcome pricing pitch ہوتی ہے۔ Sierra، Decagon، اور several customer-service AI vendors visibly یہ evolution run کر رہے ہیں۔

‏FDE → Productized Enterprise Field۔ Team same industry کے two یا three large enterprise customers کے اندر embed ہو کر start کرتی ہے۔ ہر engagement team کو specific lesson دیتا ہے۔ تیسری یا چوتھی deployment تک team کے پاس اتنے productized patterns ہوتے ہیں کہ self-serve enterprise field motion launch کر سکے جسے same industry کی other firms embedded team کے بغیر adopt کر سکیں۔ FDE phase learning pay کرتا ہے؛ field motion اسے compound کرتا ہے۔ Transition hard ہے کیونکہ services-business gravity real ہے، لیکن FDE کے دوران earned patterns وہی ہیں جو generic field motion years spend کر کے acquire کرتا ہے۔

‏Open-Source-Led → Channel & SI Partnership۔ Team AI infrastructure project open-source کرتی ہے اور developer mindshare earn کرتی ہے۔ جب enterprise customers open project کو scale پر deploy کرنا start کرتے ہیں، SI partners، Accenture، Deloitte، اپنے clients کے لیے اسے implement کرتے ہوئے ملتے ہیں۔ Team partner program formalize کرتی ہے، enterprise features add کرتی ہے، security، audit، support، اور commercial licenses ان SIs کے through sell کرتی ہے جو already open project deploy کر رہے ہوتے ہیں۔ LangChain اور several agent-framework companies visibly یہ play run کر رہی ہیں۔

‏Marketplace-Led → Direct Enterprise۔ Team host platform کے marketplace میں start کرتی ہے، Salesforce AppExchange، Shopify App Store، Microsoft AppSource، جہاں discovery، billing، اور trust platform سے inherit ہوتے ہیں۔ Smaller customers low marketplace-fee economics پر convert کرتے ہیں۔ Deal sizes six- یا seven-figure range میں grow ہوتے ہیں تو platform revenue-share punitive بن جاتا ہے اور largest customers direct contracts prefer کرتے ہیں۔ Team top-tier accounts کے لیے marketplace bypass کرنے والا small enterprise sales motion build کرتی ہے، جبکہ smaller customers کے لیے marketplace discovery اور self-serve channel رہتا ہے۔ Marketplace long tail کے لیے customer acquisition fund کرتا رہتا ہے؛ direct sales head capture کرتی ہے۔

‏General principle: اس catalog کے most motions revenue strategy کے first half کے طور پر whole strategy سے بہتر کام کرتے ہیں۔ جو founders second half پہلے سے name کرتے ہیں، PLG company جس enterprise field motion میں graduate ہوگی، pilot motion جسے outcome-pricing tier introduce کرنے کا حق earn ہوگا، founder-led motion جس channel میں convert ہوگا، وہ ان founders سے outperform کرتے ہیں جو entry motion کو entire plan سمجھ لیتے ہیں۔

---

عام motion failures

اس catalog کے motions workable recipes کے طور پر present ہیں۔ ہر ایک کا characteristic failure mode بھی ہے: motion wrong نہیں ہوتا، team اسے incorrectly run کرتی ہے۔ Nine failure patterns اتنی often appear ہوتی ہیں کہ name کرنا ضروری ہے۔ Revenue leader جو اپنی operation میں انہیں recognize کر لیتا ہے، fix کر سکتا ہے؛ جو نہیں کرتا، same طریقے سے lose کرتا رہے گا۔

‏PLG without an enterprise motion۔ Team self-serve adoption successfully scale کرتی ہے، individual usage larger organizations کے اندر grow ہوتی ہے، اور company wall hit کرتی ہے جب organizations purchasing centralize کرنا چاہتی ہیں۔ Team کے پاس enterprise sales function نہیں اور وہ fast enough build نہیں کر پاتی؛ weaker products لیکن real enterprise field motions والے competitors consolidated contracts capture کر لیتے ہیں۔ Fix: first enterprise seller PLG کے enterprise-scale prospects produce کرنے سے پہلے hire کریں، بعد میں نہیں۔

‏PLG-versus-Enterprise roadmap clash۔ یہ اوپر والے failure کا cultural sibling ہے۔ Team enterprise motion successfully build کرتی ہے، first enterprise sellers hire کرتی ہے، اور months کے اندر sellers product roadmap کو enterprise features کی طرف pull کرتے ہیں: SSO، audit logs، custom integrations، security certifications، role-based access controls۔ Original PLG product team individual-user UX، fast iteration، اور consumer-grade simplicity پر focus بچانے کی fight کرتی ہے جس نے bottom-up adoption produce کی تھی۔ دونوں sides کے legitimate cases ہیں۔ Roadmap fights bitter ہوتی ہیں؛ product team کی velocity drop ہوتی ہے؛ engineering org اپنے best designers cleaner mandates والی companies کو lose کرتا ہے۔ Fix: upfront acknowledge کریں کہ company shared codebase پر اب دو products build کر رہی ہے: self-serve PLG product اور enterprise-grade variant۔ ہر ایک کو separate engineering اور design capacity دیں۔ Single roadmap اور single team maintain کرنے والی companies usually یا PLG growth engine lose کرتی ہیں، کیونکہ team enterprise feature work میں consume ہو جاتی ہے، یا enterprise business lose کرتی ہیں، کیونکہ product enterprise buyers کے required security اور admin features کبھی نہیں پاتا۔

‏Founder-led that never hands off۔ Founder first 50 deals close کرتا ہے اور informal pricing، integration commitments، اور customer relationships build کرتا ہے جو صرف founder کے head میں exist کرتے ہیں۔ First sales hire fail ہوتا ہے کیونکہ inherit کرنے کے لیے documented playbook نہیں۔ Founder indefinitely sales meetings میں واپس جاتا رہتا ہے، اور company کا growth ceiling founder calendar بن جاتا ہے۔ Fix: founder-led phase کے دوران ہر commitment، pricing exception، اور deal structure as it happens document کریں تاکہ eventual handoff document real-time میں build ہو۔

‏Enterprise field with too-early VP hire۔ Team founder کے personally playbook validate کرنے سے پہلے VP of Sales hire کرتی ہے۔ VP existing motion scale کرنے کی expectation کے ساتھ آتا ہے اور instead ایک motion invent کرنا پڑتا ہے، usually previous company کا motion import کر کے، جو fit نہیں ہوتا۔ VP twelve months کے اندر fail ہوتا ہے اور twelve to eighteen months capital burn کر چکا ہوتا ہے۔ Fix: founder-led کو comfortable لگنے سے زیادہ دیر تک رکھیں۔ VP تب hire کریں جب playbook exist کرتا ہو، جب وہ ابھی discover ہو رہا ہو تب نہیں۔

‏AI-Augmented Outbound without RevOps۔ Team AI tooling سے outbound volume 10x scale کرتی ہے لیکن analytics layer میں invest نہیں کرتی جو AI prompts tune کرے، deliverability track کرے، یا response quality measure کرے۔ Result high-volume، low-quality pipeline ہے جو SDR team کو overwhelm کرتا ہے اور email service providers کے ساتھ company کی domain reputation damage کرتا ہے۔ Fix: outbound volume scale کرنے سے پہلے RevOps stack میں invest کریں، Outreach/Salesloft analytics، Gong/Chorus conversation intelligence، deliverability monitoring، بعد میں نہیں۔

‏Pay-Per-Outcome without attribution infrastructure۔ Team outcome-based pricing ship کرتی ہے، pay per resolved ticket، per booked meeting، per processed claim، لیکن audit-grade telemetry نہیں ہوتی جو prove کرے کہ AI Worker نے کون سے outcomes produce کیے۔ Customers outcomes dispute کرتے ہیں؛ seller disputes win نہیں کر سکتا؛ revenue collection quarterly fight بن جاتی ہے۔ Fix: day one سے outcome attribution instrument کریں، چاہے pricing کا first version seat-based ہو۔ Infrastructure product ہے، afterthought نہیں۔

‏FDE that becomes a permanent consultancy۔ Team one یا two strategic accounts پر embedded engineering سے start کرتی ہے۔ Custom work well pay کرتا ہے؛ team grow ہوتی ہے؛ more accounts same engagement request کرتے ہیں۔ Five years بعد team profitable ہے لیکن ہر new customer ابھی بھی significant custom work require کرتا ہے، اور productized version کبھی ship نہیں ہوتا۔ Fix: demand کریں کہ ہر engagement کم از کم ایک reusable pattern produce کرے جو next engagement میں ship ہو، اور custom-to-productized work ratio کو top-level operating metric کے طور پر track کریں۔

‏Channel without partner enablement investment۔ Team partner program announce کرتی ہے، three SIs کے ساتھ MOUs sign کرتی ہے، اور wait کرتی ہے کہ channel revenue produce کرے۔ Six months بعد کوئی deal close نہیں ہوتی کیونکہ SIs product position، demo، یا implement کرنا نہیں جانتے۔ Fix: partner enablement میں invest کریں، formal training، certification، sales-engineering support، joint case studies، لگ بھگ same intensity پر جیسی direct sales enablement۔ Partners products نہیں sell کرتے؛ partners وہ sell کرتے ہیں جو ان کے لیے operationally easiest ہو۔

‏Value-Based Engagement without baseline measurement۔ Team value-based contract sign کرتی ہے، measured productivity gain یا cost reduction کے percentage پر pricing، لیکن پہلے customer کا pre-deployment baseline measure نہیں کرتی۔ جب contract measurement period پر پہنچتا ہے، دونوں parties dispute کرتے ہیں کہ baseline کیا تھا، اور value-share calculation measurement کے بجائے negotiation بن جاتی ہے۔ Fix: deployment start ہونے سے پہلے baseline measurement establish کریں، ideally contract structure میں paid baseline-measurement period کے ساتھ۔

یہ failures bad teams کی symptoms نہیں۔ یہ ان motions کے predictable failure modes ہیں جن کے mechanics ابھی widely understood نہیں۔ انہیں name کرنا ان کے against operate کرنے کا پہلا step ہے۔

---

کیٹلاگ کیسے use کریں

اس document کو planning tool کے طور پر پڑھنے والے founder یا revenue leader کے لیے three closing instructions۔

پہلا، اپنا motion name کریں۔ اوپر کا جو motion آج آپ کے deals close کرنے کے actual طریقے کو best describe کرتا ہے، اسے لکھ لیں۔ اگر real motion hybrid ہے، Founder-Led جس کے اوپر AI-Augmented Outbound layered ہے، Enterprise Field جس کے ایک segment کے لیے Channel partnership ہے، individuals کے لیے PLG plus organizations کے لیے Enterprise Field، تو دونوں halves name کریں، اور explicit ہوں کہ revenue کا bulk کون produce کر رہا ہے اور opportunities کا bulk کون۔ جو teams اپنا motion ایک sentence میں name نہیں کر سکتیں، usually ان کے پاس motion ہوتا ہی نہیں۔

دوسرا، اپنی motion transitions پہلے سے name کریں۔ Most successful AI-native companies scale ہوتے ہوئے دو یا تین motions سے گزرتی ہیں۔ PLG companies Enterprise Field میں graduate کرتی ہیں۔ Founder-Led AI-Augmented Outbound میں transition کرتا ہے۔ Enterprise Field deals Trust Ladder climb ہونے کے بعد Pay-Per-Outcome تک expand ہوتی ہیں۔ ہر transition وہ moment ہے جہاں team کو کل سے materially different کام کرنا ہوتا ہے۔ جو teams transition پہلے سے plan کرتی ہیں وہ survive کرتی ہیں۔ جو transition پر surprise ہوتی ہیں، usually نہیں۔

تیسرا، motion-buyer mismatch پر نظر رکھیں۔ AI-native companies میں سب سے common motion failure right product کو right buyer کو wrong motion کے through sell کرنا ہے: AI-curious mid-market buyers پر enterprise field run کرنا، cycle بہت slow؛ strategic enterprise buyers پر PLG run کرنا، deal size بہت small؛ AI-curious buyers پر outcome pricing run کرنا، procurement equipped نہیں۔ Motion کو buyer سے match کریں، founder preference سے نہیں۔

‏Thesis agent era کی architecture defend کرتی ہے۔ Worker Catalog define کرتا ہے کہ اس کے اندر کیا build ہوتا ہے۔ Sales، Marketing، اور Finance Catalogs define کرتے ہیں کہ AI-native company deals کیسے close کرتی ہے، demand کیسے build کرتی ہے، اور economics کیسے run کرتی ہے جو سب کچھ sustainable بناتے ہیں۔ Together، یہ documents AI-Native Company کا operating manual ہیں۔

‏Model commodity ہے۔ Harness product ہے۔ Strategy company ہے۔ Motion revenue ہے۔

---

ضمیمہ A: Glossary

یہ glossary document میں use ہونے والی ہر technical، business، اور revenue-operations term define کرتی ہے۔ Alphabetically organized ہے۔ ہر definition plain language اور کم از کم ایک concrete example use کرتی ہے۔

‏ABM (Account-Based Marketing)۔ B2B sales-and-marketing motion جہاں team target accounts کی finite list select کرتی ہے اور ہر account کے around marketing، sales، اور customer success orchestrate کرتی ہے۔ $100K ACV سے اوپر deals کے لیے common۔ Enterprise-field application کے لیے Motion 7 دیکھیں۔

‏ACV (Annual Contract Value)۔ Customer contract کی yearly dollar value۔ $300K total والا three-year contract $100K ACV رکھتا ہے۔

‏AI-Augmented Outbound۔ Vendor-led sales motion جو AI agents سے outbound outreach research، draft، اور follow up کرواتا ہے، scale پر۔ Motion 6 دیکھیں۔

‏AI-Curious / AI-Piloting / AI-Native۔ AI procurement میں buyer maturity کے three stages۔ AI-Curious buyers نے production میں AI deploy نہیں کیا؛ AI-Piloting buyers experiments run کر چکے ہیں؛ AI-Native buyers AI کو core infrastructure treat کرتے ہیں۔ Buyer Maturity Curve دیکھیں۔

‏API (Application Programming Interface)۔ دو software pieces کو ایک دوسرے سے بات کرنے کا formal طریقہ۔ AI Workers typically APIs کے through other systems سے connected ہوتے ہیں۔

‏Attribution۔ Technical process جو prove کرتا ہے کہ specific outcome، resolved ticket یا closed deal، specific AI Worker نے produce کیا، human یا کسی اور system نے نہیں۔ Outcome-based pricing کے لیے foundational۔

‏B2B (Business-to-Business)۔ Products اور services جو individual consumers کے بجائے other businesses کو sell ہوتی ہیں۔ Salesforce B2B ہے۔ Netflix B2C ہے۔

‏Buyer Maturity Curve۔ AI-native solutions buy ہونے کی three-stage progression، AI-Curious، AI-Piloting، AI-Native۔ Different motions curve کے different stages پر land کرتے ہیں۔ اوپر Buyer maturity and timing section دیکھیں۔

‏CAC (Customer Acquisition Cost)۔ ایک new paying customer win کرنے کے لیے company کتنا پیسہ spend کرتی ہے۔ CAC میں advertising، sales-team salaries، sales engineering، free-trial costs، اور similar expenses شامل ہیں۔

‏CAC Payback Period۔ New customer سے gross margin کو اس customer acquire کرنے کا CAC repay کرنے کے لیے required months۔ Healthy SaaS businesses usually CAC payback 18 months سے below run کرتے ہیں۔

‏Channel۔ Third party، value-added reseller، systems integrator، marketplace، جو آپ کا product end customers کو sell کرتا ہے۔ Motion 11 دیکھیں۔

‏Cycle Length۔ Buyer کے first contact سے first deal close ہونے تک کا وقت۔ Cycle length hours (PLG) سے 18 months (strategic enterprise) تک vary ہوتی ہے۔

‏Deal Size۔ ایک closed deal کی dollar value۔ Self-serve deals typically <$10K ہوتی ہیں؛ enterprise deals typically $100K-1M؛ strategic deals >$1M۔

‏ESP (Email Service Provider)۔ Email infrastructure، SendGrid، AWS SES، Postmark، جو scale پر outbound email handle کرتا ہے۔ AI-augmented outbound healthy ESP relationships اور deliverability infrastructure پر depend کرتا ہے۔

‏FDE (Forward-Deployed Engineering)۔ Sales motion جہاں engineers، اور AI Workers، customer organization کے اندر embed ہوتے ہیں custom solutions build کرنے کے لیے، پھر جو work کرتا ہے اسے productize کرتے ہیں۔ Palantir نے pioneer کیا۔ اس catalog میں Motion 8 دیکھیں۔

‏Founder-Led Sales۔ Sales motion جہاں founder پہلی 5-50 deals personally hand-close کرتا ہے تاکہ sales team hire کرنے سے پہلے playbook سیکھے۔ Motion 5 دیکھیں۔

‏Free Tier۔ Product کا no-charge version جو activation، usage، اور ultimately paid tiers upgrade produce کرنے کے لیے designed ہوتا ہے۔ Self-serve PLG کا core mechanic۔ Motion 1 دیکھیں۔

‏Gross Margin۔ Revenue minus product deliver کرنے کا direct cost، revenue کے percentage کے طور پر۔ SaaS gross margins typically 70-85% ہوتی ہیں۔ AI-native gross margins early years میں typically 50-75% ہوتی ہیں، compute costs high، لیکن scale economics improve ہونے پر climb کرتی ہیں۔

‏Hyperscaler۔ Large cloud provider، AWS، Microsoft Azure، Google Cloud، جو massive scale پر global cloud infrastructure operate کرتا ہے۔ Hyperscaler co-sell motions hyperscaler کی sales organization کے ساتھ partner کرتے ہیں۔ Motion 12 دیکھیں۔

‏Land-and-Expand۔ Sales strategy جہاں seller account میں small initial deal win کرتا ہے، پھر additional users، products، یا business units کے through account کے اندر expand کرتا ہے۔ Datadog نے 2010s میں motion perfect کیا۔

‏LTV (Lifetime Value)۔ Customer کے seller کے ساتھ relationship duration میں expected total revenue۔ LTV / CAC ratio core SaaS health metric ہے؛ healthy businesses LTV / CAC 3 سے اوپر run کرتے ہیں۔

‏Marketplace۔ Platform-operated directory جہاں third-party software platform کے customers کو sell ہوتا ہے۔ Salesforce AppExchange، Shopify App Store، AWS Marketplace، ChatGPT Apps۔ Motion 2 دیکھیں۔

‏MEDDIC / MEDDPICC۔ Enterprise sales qualification frameworks: Metrics، Economic buyer، Decision criteria، Decision process، Identify pain، Champion، اور longer version میں Paper process، Competition۔ Field-sales motions میں common۔

‏Motion۔ Deals close کرنے کا repeatable، named approach۔ Self-Serve PLG ایک motion ہے۔ Enterprise Field Sales ایک motion ہے۔ اس catalog کے twelve motions 2026 کی AI-native companies میں سب سے common ہیں۔

‏MRR / ARR (Monthly / Annual Recurring Revenue)۔ Predictable recurring subscription revenue، monthly یا annually expressed۔ SaaS businesses کا core revenue metric۔

‏NRR (Net Revenue Retention)۔ Existing customers سے revenue کا percentage جو period کے دوران retained، expanded، یا contracted ہوتا ہے۔ NRR above 100% کا مطلب existing customers وقت کے ساتھ زیادہ spend کر رہے ہیں۔ NRR above 130% category-leading business indicate کرتا ہے۔

‏Outcome-Based Pricing۔ Pricing model جہاں customer software access کے لیے نہیں، results کے لیے pay کرتا ہے۔ Motion 9 دیکھیں۔

‏Pilot۔ Time-bounded، scope-limited initial deployment جو buyer کو production contract commit کرنے سے پہلے اپنے environment میں product validate کرنے دیتا ہے۔ اس catalog میں standalone motion نہیں۔ Pilots Enterprise Field، FDE، AI-Augmented Outbound، اور Pay-Per-Outcome motions کے اندر typical entry structure ہیں۔ Cross-cutting concepts میں Pilot economics دیکھیں۔

‏PLG (Product-Led Growth)۔ Go-to-market motion جہاں product خود customer acquisition، conversion، اور expansion کا primary mechanism ہوتا ہے۔ Seller کا role direct outreach کے بجائے product-design اور frictionless onboarding ہے۔ Motion 1 دیکھیں۔

‏Pipeline۔ Sales process کے through flow ہونے والی qualified opportunities کا collection۔ Pipeline coverage، pipeline value to revenue target ratio، vendor-led motions کے لیے core operating metric ہے۔

‏Procurement۔ Formal process جس سے buyer کی organization vendor services کی purchase approve کرتی ہے۔ Procurement cycles days (PLG، marketplace) یا 18 months (strategic enterprise) لے سکتے ہیں۔

‏Production Contract۔ Successful pilot کے بعد long-term commercial contract۔ Production contracts typically preceding pilot سے 3-10x dollar size کے ہوتے ہیں۔

‏Quota۔ Individual sales rep یا team کو assigned annual revenue target۔ Quotas vendor-led motions کے core ہیں؛ PLG یا marketplace-led motions میں present نہیں۔

‏RevOps (Revenue Operations)۔ Internal function جو revenue motion support کرنے والے systems، processes، اور data کا responsible ہوتا ہے: CRM administration، sales analytics، forecasting، compensation design، sales enablement۔ Cross-cutting concepts میں The RevOps stack دیکھیں۔

‏SaaS (Software as a Service)۔ Software جو آپ monthly یا annually rent کرتے ہیں، once buy نہیں کرتے۔ 2005 سے 2025 تک B2B software کا dominant pricing model؛ AI-native companies میں outcome-based pricing اسے partially displace کر رہی ہے۔

‏SDR (Sales Development Representative)۔ Specialized salesperson جو upper sales funnel پر focus کرتا ہے: inbound leads qualify کرنا یا outbound outreach produce کرنا۔ AI-augmented outbound increasingly SDR work automate کر رہا ہے۔

‏Seat-Based Pricing۔ Pricing model جہاں customer per user (seat) per period pay کرتا ہے، usually per month یا per year۔ SaaS کے لیے standard؛ AI-native companies میں outcome-based pricing اسے partially displace کر رہی ہے۔

‏Self-Serve۔ Sales motion جہاں buyer direct seller interaction کے بغیر sign up، evaluate، اور purchase کرتا ہے۔ Most usage میں PLG کا synonym۔ Motion 1 دیکھیں۔

‏SI (Systems Integrator)۔ Consulting firm جو enterprise customers کے لیے technology implement کرتی ہے؛ typical examples Accenture، Deloitte، IBM Global Services، Slalom، Capgemini۔ Enterprise AI deployments میں SI partnerships channel motions کے core ہیں۔ Motion 11 دیکھیں۔

‏Service-as-Software۔ Pricing model جہاں seller software seats کے بجائے outcomes، resolved tickets، drafted documents، processed claims، کے لیے charge کرتا ہے۔ اس catalog میں Motion 9 دیکھیں۔

‏Trust Ladder۔ AI Workers کے لیے three-stage maturity curve: co-pilot، AI suggest کرتا ہے اور human ہر action approve کرتا ہے؛ supervised autonomous، AI defined task type پر act کرتا ہے اور human aggregate output review کرتا ہے؛ full autopilot، AI per-task supervision کے بغیر act کرتا ہے۔ Pricing models ladder کو track کرتے ہیں۔

‏Value-Based Pricing۔ Pricing model جہاں deal size customer کے measurable economic outcome کے percentage کے طور پر set ہوتا ہے۔ Motion 10 دیکھیں۔

‏Vendor-Led Motion۔ Sales motion جہاں seller deal initiate اور orchestrate کرتا ہے۔ Buyer-led motions سے contrast کرتا ہے، جہاں buyer cycle drive کرتا ہے۔ Section B — Vendor-led motions، Motions 5-8 دیکھیں۔

---

نوٹس

¹ Wes Bush, Product-Led Growth: How to Build a Product That Sells Itself, ProductLed Press, 2019۔ PLG motion پر standard text۔ Bush کا framework، خاص طور پر "free trial" اور "freemium" کو two different PLG strategies کے طور پر separate کرنا، Motion 1 کے لیے foundational ہے۔

² Mark Roberge, The Sales Acceleration Formula: Using Data, Technology, and Inbound Selling to go from $0 to $100 Million, Wiley, 2015۔ Roberge کا HubSpot sales engine founder-led سے repeatable motion تک build کرنے کا account founder-led-to-vendor-led transition کا standard reference ہے۔ Motion 5 اور Common Hybrid Motions کا framework Roberge کے stage analysis سے draw کرتا ہے۔

³ Aaron Ross and Marylou Tyler, Predictable Revenue: Turn Your Business into a Sales Machine with the $100 Million Best Practices of Salesforce.com, PebbleStorm, 2011۔ Ross کا SDR-driven outbound motion کا articulation، Salesforce کے 2000s playbook پر written، pre-AI outbound motion define کرتا ہے جسے Motion 6 evolve کرتا ہے۔ AI-augmented outbound Ross کی documented funnel structure اور operating cadence inherit کرتا ہے، لیکن human-SDR research اور drafting work کو AI agents سے replace کرتا ہے۔

⁴ Jacco van der Kooij, Blueprints for a SaaS Sales Organization: How to Design, Build and Scale a Customer-Centric Sales Organization, Winning by Design, 2018۔ Van der Kooij کے enterprise sales organization design frameworks، خاص طور پر AE، SE، اور customer success کے role specialization، Motion 7 کے enterprise field motion کے widely-adopted templates ہیں۔

⁵ Sangram Vajre and Eric Spett, ABM is B2B: Why B2B Marketing and Sales is Broken and How to Fix It, IdeaPress Publishing, 2019۔ Account-Based Marketing کو enterprise motion کے طور پر standard text۔ Vajre اور Spett کا finite named accounts کی list کے around marketing، sales، اور customer success orchestrate کرنے کا framework اس catalog کے vendor-led motions کو inform کرتا ہے اور Motion 7 کے ABM half کو explicitly underlie کرتا ہے۔

⁶ McKinsey Global Institute, "The Economic Potential of Generative AI: The Next Productivity Frontier", June 2023۔ McKinsey کا bottom-up analysis estimate کرتا ہے کہ generative AI enterprise functions میں annual productivity gains کے trillions contribute کر سکتا ہے، سب سے زیادہ impact customer operations، sales، marketing، software engineering، اور R&D میں concentrated ہے۔ Outcome-based pricing (Motion 9) اور value-based engagement (Motion 10) کے نیچے labor-budget argument ان estimates سے draw کرتا ہے۔

⁷ Tien Tzuo and Gabe Weisert, Subscribed: Why the Subscription Model Will Be Your Company's Future — And What to Do About It, Portfolio, 2018۔ Tzuo کا subscription business mechanics framework، خاص طور پر net revenue retention کو core operating metric کے طور پر centrality، SaaS motions کے لیے foundational ہے اور catalog میں NRR discussion کو inform کرتا ہے۔