El CRO Comparte Sus Flujos de Trabajo Agénticos y Nos Explica Dónde la IA Falla en el Ciclo de Ingresos

André Magrini es CRO en OGI. Con 20 años de experiencia en ingresos, actualmente se está adentrando en flujos de trabajo agentivos que impulsan decisiones de alto riesgo.

Hablamos con André para conocer dónde está aplicando sus agentes —y dónde la IA está causando problemas sorprendentes. Esto es lo que nos contó.

Sistemas de IA para la toma de decisiones de alto riesgo

Soy André Magrini, Chief Revenue Officer en OGI, la rama internacional de Objective Group. Mi mundo son los ingresos, pero mi obsesión es cómo decidimos los ingresos, el juicio humano detrás de cada pipeline calificado, cada llamada de pronóstico, cada conversación de "¿este trato es real?".

Mi camino hasta aquí no fue en línea recta. Pasé años construyendo y gestionando modelos de salida al mercado que eran deliberadamente guiados por redes y disciplinados en lugar de ser un enfoque de fuerza bruta: equipos pequeños, relaciones de alta confianza, calificación rigurosa. Eso me enseñó algo que la mayoría de conversaciones sobre IA pasan por alto: el cuello de botella en los ingresos no es la actividad, es la calidad de las decisiones bajo incertidumbre. Los representantes y líderes están ahogados en señales y aún así siguen adivinando.

Eso fue lo que me llevó a la IA. En paralelo a mi rol de CRO, me he sumergido en la construcción de sistemas de IA para la toma de decisiones en situaciones de alto riesgo, donde el costo de una respuesta segura pero incorrecta es real.

Así que el momento en el que estoy ahora es menos "adoptar herramientas de IA" y más "rediseñar el motor de ingresos alrededor de mejores decisiones". No se trata de una IA que escriba más correos electrónicos, sino de una IA que te diga en qué acuerdos mereces centrarte, dónde la previsión es frágil y cuándo la respuesta honesta es "todavía no lo sabemos". Esa es la transformación que me importa.

Impulsando la transformación digital

En OGI, asesoramos y ejecutamos para empresas que impulsan la transformación digital; no solo recomendamos estrategias, entregamos resultados. Nuestro GTM utiliza un movimiento de entrada y expansión (land-and-expand) anclado en un ROI claro y directo. Ganamos el primer compromiso demostrando un valor medible, y luego desarrollamos la cuenta a partir de ahí.

Somos un equipo internacional con oficinas en Norteamérica, Sudamérica y Europa. Nuestra presencia nos permite servir a grandes empresas multinacionales de una amplia gama de industrias —desde alimentos y bienes de consumo hasta los principales bancos estatales— y adaptarnos a culturas de compra y ciclos de decisión muy diversos.

Nuestro ecosistema de socios es una parte fundamental de cómo entregamos resultados. Trabajamos estrechamente con plataformas como Databricks, Snowflake y Liferay, y con los principales proveedores de la nube, incluidos Azure y AWS. Esto nos permite encontrarnos con los clientes empresariales en el stack tecnológico en el que ya están invirtiendo.

Cómo los agentes pueden apoyar la preparación de cuentas

Nuestro cuello de botella nunca fue el volumen de leads; era la preparación. Antes de que un representante tocara una cuenta, un miembro sénior del equipo hacía el trabajo preliminar de investigar la empresa, averiguar quién tenía el presupuesto y quién solo asistía a las reuniones, encontrar una razón creíble para contactar y pasarlo por BANT para decidir si valía la pena nuestro tiempo.

Con un equipo pequeño y sénior en tres regiones, ese trabajo recaía en el mismo grupo reducido de personas que deberían haber estado ante los clientes. Era lento e inconsistente. Dos de nosotros investigando el mismo tipo de cuenta llegábamos a conclusiones y profundidades diferentes.

Construí lo que llamo nuestro "CRO Squad". Diseñé un conjunto de agentes de IA para que hicieran ese trabajo pesado primero. Esto incluye una investigación profunda de cuentas, un mapa organizativo de los stakeholders reales, señales y puntos de entrada sobre los que merece la pena actuar y una calificación preliminar estructurada. Para cuando una persona toma la cuenta, ya tiene delante un go/no-go defendible en lugar de una hoja en blanco.

Como resultado, la preparación que antes tomaba 5 horas ahora toma 15 minutos. Porque cada cuenta pasa por el mismo proceso, lo que descartamos es tan deliberado como lo que perseguimos.

En un equipo reducido, nuestro recurso más escaso no es la plantilla ni el pipeline; es la atención de las personas que pueden leer correctamente una oportunidad. Cada hora que alguien dedicaba a recopilar datos de la empresa era una hora que no se dedicaba a decidir qué hacer con ellos.

Un flujo de trabajo real para la preparación de cuentas

Este es el flujo de trabajo que utilizamos para cuentas objetivo completamente nuevas.

Todo comienza con un desencadenante. Los desencadenantes incluyen señales del mercado, movimientos de socios (por ejemplo, Databricks o Snowflake señalando actividad en una cuenta), clientes existentes solicitando expansión, o una sugerencia de alguno de los miembros de mi equipo. Independientemente de la fuente, la cuenta entra en el flujo de trabajo y el CRO Squad comienza su labor.

Los agentes elaboran un expediente que detalla las operaciones del negocio, su stack tecnológico, señales recientes (como contrataciones de líderes, iniciativas de transformación, financiamiento, prensa), y un mapa organizativo que distingue entre los responsables de tomar decisiones y los asistentes a reuniones. Cada afirmación del expediente incluye su fuente. Si un agente no puede proporcionar una fuente, no puede afirmar esa información.

Luego, una primera pasada estructurada, al estilo BANT, evalúa la cuenta según nuestros criterios de calificación. Lo más importante es que la IA señala las áreas donde carece de confianza. Si la señal de presupuesto es débil o la autoridad es una suposición, lo indica explícitamente en lugar de presentar una inferencia débil como un hecho. Prefiero ver diez marcas de “baja confianza” honestas que una sola frase segura en la que no pueda confiar.

Sigue el punto de control humano, un paso que a menudo se pasa por alto. Antes de revisar el resultado de la IA, el vendedor primero redacta su propia evaluación de la cuenta. Documenta su intuición, perspectiva e instinto para continuar o detenerse. Solo entonces compara ese análisis con el expediente. Si hay acuerdo, avanzamos; si hay discrepancia, se inicia una conversación, enfocándose directamente en los puntos que la IA marcó como inciertos. La decisión de seguir o no es enteramente humana.

Muchas cuentas terminan aquí intencionalmente. Descalificamos temprano para evitar desperdiciar el tiempo del equipo senior en oportunidades poco realistas.

Para las cuentas que siguen adelante, la IA ayuda a definir el enfoque: la tesis de valor y retorno sobre la inversión para esa cuenta específica, el punto de entrada y qué socio y solución encajan mejor. Sin embargo, el vendedor elabora el mensaje y la conversación, asegurando que sea de persona a persona y no un alcance generado en masa.

A partir de ahí, el proceso funciona como un ciclo. A medida que el acuerdo avanza, los agentes monitorean continuamente señales — riesgo de que se enfríe, riesgo de abandono o desencadenantes de expansión — e informan si la previsión parece débil. La llamada de previsión y la relación permanecen en manos humanas.

Cómo la IA cambia las métricas de GTM

André comparte

Más cobertura no siempre es mejor. Cuando la IA eliminó el cuello de botella de investigación y calificación, esperaba el beneficio obvio: hizo lo contrario.

Más cobertura no siempre es mejor. Cuando la IA eliminó el cuello de botella de la investigación y la calificación, esperaba el beneficio obvio: que mi equipo cubriría muchas más cuentas y el pipeline crecería exponencialmente.

Sucedió lo contrario. Si bien de repente podíamos calificar un volumen enorme de cuentas, la mayoría de lo que recibíamos era basura calificada. Más cobertura solo aportó más ruido. La selección y la profundidad de la relación fueron más importantes que el alcance.

Así que cambié lo que mido. Dejé de medir la salud de GTM por volumen y cobertura; en su lugar, la medí por la calidad de la selección y dónde invertían sus horas mis personas senior. El verdadero cambio resultó ser la sustracción, no la adición. Decir no más rápido, enfocar al equipo senior en menos cuentas y profundizar en vez de dispersarse.

Me costó admitirlo porque contradice la forma en que he dirigido equipos durante veinte años.

Qué debe seguir siendo humano y qué debería gestionar la IA

Una vez que dejas de pensar en la IA como un multiplicador de productividad y empiezas a verla como una forma de proteger la atención de un equipo pequeño, la separación entre IA y humano queda clara.

La IA recopila y clasifica — investigación de cuentas, el mapa organizativo y el primer filtro BANT. Además, informa la priorización del pipeline, realiza puntuación y triaje de negocios para que no todos miremos las mismas cuarenta oportunidades con la misma perspectiva plana, y detecta señales como una cuenta lista para expandir o una que se enfría silenciosamente. Para la previsión, reúne los datos y, lo que es más útil para mí, señala dónde la predicción es débil. Me indica qué cifras no son de confianza.

Las decisiones las toman los humanos. Yo soy responsable del número final de previsión. Los humanos gestionan la estrategia comercial y los precios. Los humanos gestionan la relación y la negociación, sin excepción. Nunca confiamos una decisión crítica de un cliente — donde nos comprometemos a un ROI o donde la confianza está en juego — a un modelo. No es un motivo sentimental. Esas decisiones se toman en situaciones de incertidumbre real, con contexto que está en la sala y en el historial con el cliente, no en los datos. Justo ahí es donde el modelo es más débil y donde equivocarse resulta más costoso.

Un ejemplo de por qué el juicio humano es necesario con nuevos acuerdos

El año pasado, tuvimos un acuerdo con un fabricante global que el sistema favorecía. Cada métrica estaba en verde: decenas de correos electrónicos a la semana, llamadas recurrentes y seis o siete interesados activos en la conversación. El equipo de CRO lo puntuó cerca de la cima del pipeline y me indicó que me involucrara más, lo incluyera en mis previsiones y presionara para cerrarlo. Sobre el papel, era nuestro acuerdo más saludable.

Mi representante senior en la cuenta sentía lo contrario, y tenía razón. Toda esa actividad no era impulso; era fricción. Siete personas estaban en la sala porque ninguna de ellas podía decir que sí. Las reuniones se repetían porque el acuerdo volvía al mismo interrogante sin respuesta. Nuestro contacto más entusiasta, quien generaba la mayoría del tráfico de correos, no tenía autoridad sobre el presupuesto. La IA interpretó el volumen como intención. En realidad, la causa eran las políticas internas y un comité de compras demasiado temeroso para tomar una decisión.

La máquina no podía percibir el silencio del único ejecutivo que sí importaba ni el tono plano en la sala cada vez que se mencionaba el precio. Los metadatos de interacción no muestran ese subtexto. Nuestra representante lo supo porque conocía a las personas.

Confiamos en ella, bajamos la calificación del acuerdo y dejamos de invertir horas senior en él. Acertamos, ahorrándonos un trimestre de esfuerzos desperdiciados. Esto endureció una regla que aún seguimos: la IA trae la evidencia; los humanos leen entre líneas.

Cómo la IA mejora la eficiencia, la disciplina y las tasas de éxito

En general, el ahorro de tiempo es la ganancia más evidente con la IA. Solo los agentes de preparación de cuentas nos permiten ejecutar el mismo proceso en aproximadamente tres veces más cuentas con la misma cantidad de personal. No añadimos personas; les devolvimos las horas a nuestro equipo existente, y ahora esas horas se dedican a los clientes en vez de a hojas de cálculo.

Otro beneficio silencioso es la disciplina. Ahora descalificamos antes. Decimos no a los acuerdos erróneos más rápido, lo que suena negativo pero es uno de los desarrollos más saludables para nuestro pipeline.

No voy a proporcionar un porcentaje limpio de éxito porque no creo que el número sea honesto todavía. Lo que sí diré es que vemos un incremento medible en la conversión de los acuerdos que elegimos perseguir, y la previsión tiene menos sorpresas. Parte de eso es perseguir mejores acuerdos. Parte es que la IA señala dónde la previsión es débil y la evidencia no respalda de verdad esa previsión. Una sorpresa que puedes ver venir con tres semanas de antelación realmente no es sorpresa. Eso, más que cualquier métrica concreta, es lo que ha cambiado la forma en que gestionamos el trimestre.

Por qué el resultado de la IA debe considerarse solo un borrador

Al principio, confiábamos demasiado en los resultados. La investigación parecía limpia, bien redactada, convincente y con formato de buen informe de analista. En algunos casos, estaba equivocada de formas cruciales.

Un mapeo de cuenta identificó al responsable de decisión incorrecto. Otro se basó en una señal que llevaba meses desactualizada. Uno casi logró llegar a una conversación real con el cliente antes de que alguien del equipo se diera cuenta. Eso nos asustó más que cualquier cifra perdida, porque seguro y equivocado es el modo de fracaso más caro que existe.

También surgió fricción interna. Mi equipo es senior. Lo último que quiere un buen vendedor es que una máquina le asigne una puntuación dando a entender que conoce mejor la cuenta que él mismo.

Dejamos de tratar el resultado de la IA como verdad y empezamos a tratarlo como un borrador. El sistema ahora señala cuando no está seguro y devuelve la decisión a un humano en vez de adivinar. Una vez que el equipo entendió que la IA estaba para hacer el trabajo pesado y proteger su criterio, no para reemplazarlo, la resistencia bajó rápidamente. Empezaron a confiar en ella porque se lo ganó y admitía cuando no sabía.

Tres áreas donde la IA falla en los flujos de ingresos

La mayor falla con la IA probablemente fue la prospección. Esperábamos que la IA construyera el pipeline por nosotros, enviando mensajes personalizados a escala a cientos de cuentas de forma que pareciera uno a uno. No funcionó.

En acuerdos empresariales complejos y de alto valor, más mensajes no generan más pipeline. Los compradores a los que vendo reconocen la prospección de IA al instante y la eliminan igual de rápido. Así que no aumentamos la respuesta; la aplanamos. La IA es excelente para preparar a una persona para una conversación, pero fracasa a la hora de reemplazar la conversación misma.

La previsión fue otro error, y eso me sorprendió aún más. La propuesta aseguraba que la IA predeciría los ingresos mejor que una persona senior analizando los mismos acuerdos. No resultó cierto. Lo que realmente mueve los números en las empresas son datos que no están presentes. Un patrocinador se va. Un presupuesto se congela dos semanas antes del cierre. Un cambio político silencioso dentro del cliente deja a tu patrocinador sin apoyo. El modelo no puede ver nada de eso. Realmente señala bien la fragilidad, indicándome qué acuerdos son frágiles, pero no puede predecir el trimestre. El juicio senior sigue siendo ganador ahí.

Y el último error fue acortar el ciclo de ventas. Apenas lo afectó. Un ciclo empresarial funciona según el calendario del cliente, no el nuestro: Compras, legal, comité, calendario presupuestario. Podemos acelerar mucho el lado del vendedor —y lo hicimos— pero no podemos acelerar el lado del comprador, que es quien marca el ritmo.

Por qué los líderes de ingresos deben prestar atención al lado humano de la adopción de la IA

André comparte

La adopción impuesta es sabotaje silencioso con mejores modales.

Me equivoqué mucho en el aspecto humano. Lo traté como un lanzamiento de herramienta en vez de un cambio de comportamiento. Construí algo, lo entregué terminado y esperé que la adopción fuera automática.

Me encontré con resistencia. La gente lo usaba solo porque se lo pedían. Otros lo ignoraban en silencio. La adopción impuesta es un sabotaje silencioso pero con mejores modales.

Si pudiera hacerlo de nuevo, involucraría al equipo en el co-diseño desde el primer día en lugar de presentarles una solución terminada.

Eso me habría ahorrado meses persiguiendo la herramienta perfecta mientras el verdadero problema estaba en los criterios no escritos y un equipo que no estaba comprometido. Habría empezado en pequeño, con un flujo de trabajo y el equipo presente, y habría escrito los criterios primero. Eso me habría ahorrado un inicio en falso costoso y la confianza que luego tuve que reconstruir.

Cuatro consejos para líderes de ingresos

Estos son mis consejos:

1. Empieza con una pregunta, no con una herramienta. Pregúntate cuál es el recurso más escaso en tu equipo. Para casi todos los que gestionan una venta compleja, es el criterio y la atención, no la actividad. Tus mejores personas tienen un número limitado de horas en las que pueden analizar un acuerdo con claridad, y eso es lo que falta. Así que dirige la IA a proteger eso.
2. Sé honesto contigo mismo respecto a las métricas de vanidad. Más correos, más interacciones, más contenido, más actividad en el sistema. En una venta compleja la mayoría es solo ruido disfrazado de avance. La IA es muy buena fabricando actividad que parece trabajo y no produce nada. Si tu única prueba de que la IA ayuda es que tu equipo está más ocupado, has comprado lo incorrecto.
3. Exige que tus sistemas de IA puedan decir "no lo sé" y escalen a una persona. Trata cada salida como un borrador que chequear, nunca como la verdad.
4. Empieza en pequeño y mide la IA de forma honesta. No subcontrates tu disciplina de ingresos a un modelo y lo llames transformación. La ventaja en este ciclo no será para quien adopte más IA. Será para quien mantenga el criterio humano enfocado en lo que importa y no permita que la herramienta decida lo que solo una persona debe decidir.

Sigue el contenido

Puedes seguir el trabajo de André Magrini en LinkedIn o visitar su página web personal.

¡Próximamente más entrevistas a expertos en The CRO Club!