Director de Ingresos Tecnológicos Dice que la IA Fortalece la Proyección — Y Hace Más Difícil Evadir la Responsabilidad del CRO

George Storm lleva 23 años en ventas. Actualmente es CRO en una plataforma ABM B2B llamada N.Rich, donde lidera ventas, marketing, éxito del cliente, partners y soporte de producto.

Nos sentamos con George para aprender cómo reconstruyó el forecasting y los informes utilizando IA. Esto es lo que nos contó.

Controlando todo el embudo

Soy George Storm, CRO en N.Rich, una plataforma ABM B2B. Estamos pasando de ser una empresa ABM de un solo producto a una plataforma, la cual comercializamos como Composable GTM. Nuestro modelo actual de ingresos es una suscripción anual SaaS con servicios adicionales. Estamos introduciendo movimientos modulares, suscripciones por módulo y precios basados en resultados a medida que lanzamos GTM OS.

Superviso toda la superficie de ingresos, de principio a fin: ventas, marketing, éxito del cliente, partners y soporte de producto. Soy responsable de la creación de demanda hasta la retención neta de ingresos, es decir, todo el embudo, no solo una parte. Nuestra estructura GTM incluye un equipo de ventas eficiente con predominancia en EMEA; una organización de marketing que impulsa la demanda y el ABM; una organización de CS que gestiona renovaciones y expansión; y un movimiento de partners concurrente.

Principalmente atendemos a empresas europeas B2B del mid-market hasta empresas grandes: específicamente, líderes de ingresos y marketing que ejecutan estrategias de go-to-market basadas en cuentas.

Cómo la IA transformó la precisión del forecasting de ingresos

Llevo 23 años en ventas, y este último tramo ha sido más difícil que las dos primeras décadas juntas.

No llegué a la IA por curiosidad. Llegué por un error. Hacía el forecasting como lo hace cualquier CRO — basándome en conversiones históricas — y el modelo seguía diciéndome lo que quería oír hasta el trimestre en que no lo hizo. El mecanismo de autoengaño era el propio modelo. Y yo era quien lo había construido.

Así que reconstruí cómo hacemos el forecasting, de principio a fin. Dejamos atrás el modelo de estimación puntual basado en conversiones históricas. Tenía un enfoque Monte Carlo que lo hacía parecer riguroso. No lo era. Una estimación puntual es una estimación puntual, incluso cuando promedias tres de ellas.

Pasamos a un modelo probabilístico de cuatro entradas condicionado al régimen. Tasa de éxito, captación, NRR y duración del ciclo, cada uno calibrado contra referentes externos como WEF, FMI y McKinsey. La IA ejecuta la distribución de forma continua en vez de que yo reconstruya una hoja de cálculo cada trimestre. Para ello, usamos Claude para señales macroeconómicas, además de Fathom, Hubspot y nuestra propia plataforma.

Consciente del régimen. Probabilístico. Continuo. Esa reconstrucción fue lo que realmente me llevó a la IA, no como una capa de productividad atornillada al asiento, sino como aquello que permite que un operador ejecute los cálculos, lea el mercado y actúe en la misma semana. Ese es el trabajo ahora.

Gracias a este cambio, el forecasting se convirtió en una interpretación, no un informe. Destacó la brecha por debajo de lo comprometido antes de que terminara el trimestre, no después. El consejo dejó de sorprenderse. Y de eso se trata todo.

Por qué la IA interpreta pero el operador debe actuar

En cuanto a lo que debe manejar la IA y lo que deben manejar los humanos, la IA informa la interpretación:

• Distribución de pronóstico según el régimen
• Priorización de pipeline
• Puntuación de salud de cuentas
• Alertas de riesgo de churn
• Lectura semanal transversal entre Ventas, Marketing, CS y Partners

Ahora la IA impulsa todo esto porque implica reconocer patrones en más señales de las que una persona puede manejar mentalmente.

Las actividades explícitamente humanas corresponden a la respuesta:

• La decisión sobre un acuerdo específico
• El precio en una cuenta estratégica
• Quién ocupa qué puesto
• La narrativa ante el consejo.

La razón es sencilla. La IA amplía lo que puedo ver, pero no podemos delegar la responsabilidad a un modelo. Influencia como entrada del modelo, no como tomador de decisiones. El modelo interpreta. El operador actúa.

Cómo la IA mejora los flujos de trabajo pero implica riesgos de exceso de confianza

Aquí están los buenos resultados:

• El informe semanal del CRO que antes consumía la mayor parte del día, ahora se arma solo y yo dedico el tiempo a decidir en lugar de recopilar.
• El scoring de salud detecta cuentas en riesgo uno o dos trimestres antes de que el indicador rezagado se mueva.
• La previsión se mantiene en la sala de juntas, que es la única prueba de precisión que importa.

Pero no todo es bueno. Los primeros modelos eran demasiado confiados. Uno devolvió una probabilidad del 97% y resultó ser estructuralmente demasiado optimista, porque había alimentado suposiciones limpias a entradas sucias.

La calibración adversaria resultó ser el trabajo en sí, no un paso dentro de él: poner a prueba mi propio modelo con un prompt de analista senior cuyo único objetivo es eliminar todo el optimismo. Podría haberme ahorrado un trimestre si lo hubiera aprendido antes.

La IA no me ahorró ese trabajo. Solo lo desplazó.

Un flujo de trabajo real de informes

Pensamientos de George

La previsión es la lectura. El plan es la respuesta. El bucle es el sistema operativo.

Vamos a repasar el flujo de lectura semanal.

El lunes, la IA extrae información de HubSpot para el pipeline y las renovaciones, de Amplitude para el uso del producto, de Pylon para soporte, de Fathom para el sentimiento de las llamadas, y de Slack para señales de clientes e internas. Crea una única capa de datos gobernada. Puntúa la salud de las cuentas, señala las cuentas en riesgo, envía alertas de Slack directamente a los responsables y actualiza la distribución de previsión condicionada al régimen.

Luego, yo la leo, decido la respuesta y cerramos el ciclo el viernes. Analizar, leer, actuar: en un ciclo de una semana con un responsable que, deliberadamente, no es el gerente. El sistema recolecta y puntúa. El responsable decide.

La previsión alimenta el ciclo. El ciclo recalibra dónde se asigna el capital y el esfuerzo. Y toda la organización lee y responde en un ciclo de una semana, en vez de noventa días. La previsión es la lectura. El plan es la respuesta. El bucle es el sistema operativo.

Cómo la IA dificulta el liderazgo de ingresos

La IA no ha generado nueva demanda. Comprime y acelera tu pipeline existente, pero no genera intención en un comprador que no está en el mercado. Cualquiera que venda la IA como milagro para la parte superior del embudo te está vendiendo lo equivocado.

Tampoco ha reemplazado el criterio en acuerdos empresariales avanzados, ni ha arreglado los datos sucios. Los datos sucios no mejoran con IA. Se acentúan.

La IA también ha hecho mi vida más difícil debido a la compresión de roles en el lado del comprador. A medida que las empresas consolidan tres puestos en una sola persona, el campeón que nos compró el año pasado puede haber cambiado de función, perdido responsabilidad u abandonado la organización. La IA creó esa dinámica. No la resuelve por mí.

Por dónde deberían empezar los CRO — y qué deberían evitar

Mi consejo es: no añadas la IA al puesto solo como una herramienta de productividad. Rediseña el puesto en torno a ella.

Comienza con tu pronóstico, porque es ahí donde la junta te evalúa, y el listón cambió en 2026. Ya no te despiden por no alcanzar el objetivo. Te despiden por la sorpresa. Un modelo que no puede prever el error es el problema, no el error en sí.

Y haz tú mismo las cuentas. Los CRO que delegan esto en una herramienta y se desentienden recibirán la respuesta para la que la herramienta fue diseñada. Asegúrate de configurarla para que te avise cuando estés equivocado.

Sigue el trabajo

Puedes seguir el trabajo de George Storm en LinkedIn y georgestorm.io.

¡Habrá más entrevistas con expertos en The CRO Club!