La vicepresidenta de RevOps en SaaS afirma que la proliferación de herramientas de IA es el costo oculto que nadie está midiendo

Mollie Bodensteiner es Vicepresidenta de Operaciones de Ingresos en ZoomInfo, una empresa pública de SaaS que atiende a clientes empresariales a nivel global. También es la creadora de The RevTech Review.

Nos sentamos con Mollie para entender cómo está cambiando la evaluación de acuerdos y los flujos de trabajo de previsión con IA. Esto es lo que nos contó.

La IA pone a prueba si tus cimientos de datos y procesos pueden sostenerse

Lidero Operaciones de Ingresos en una empresa pública de SaaS a escala empresarial que atiende a clientes de medianas y grandes empresas a nivel global. Nuestro modelo federado abarca operaciones de pipeline, ventas, experiencia del cliente, alianzas y sistemas de GTM, apoyando una organización comercial compleja con múltiples líneas de acción.

Operamos un modelo SaaS por suscripción, influenciado por el uso, con un enfoque comercial de múltiples líneas: nuevos negocios, expansión y renovaciones en segmentos de autoservicio, medianas empresas y grandes empresas. Mi equipo de RevOps está compuesto por unas 20 personas que respaldan toda la organización comercial.

Mi experiencia abarca más de 15 años trabajando en el ámbito comercial: RevOps, sistemas, compensación, automatización, planificación de territorios y cuotas, arquitectura de datos e ingeniería. He creado y escalado estas funciones dentro de varios "unicornios" de alto crecimiento, el tipo de empresas en las que el negocio avanza más rápido de lo que los sistemas pueden soportar.

Ese constante reconstruir es lo que moldeó mi manera de pensar. Cada vez que una empresa duplicaba su tamaño, los sistemas que funcionaban ayer dejaban de hacerlo hoy. Aprendí a diseñar para escalar antes de que la escala lo exigiera.

Esa es la trayectoria que me llevó a este momento en el liderazgo de ingresos: no persiguiendo la IA como una tendencia, sino viéndola como la próxima prueba de si tu base puede mantenerse.

Reflexiones de Mollie

Ese constante reconstruir es lo que moldeó mi manera de pensar… no persiguiendo la IA como una tendencia, sino viéndola como la próxima prueba de si tu base puede mantenerse.

Cómo los flujos de trabajo potenciados por IA mejoran la evaluación de acuerdos y la previsión

RevOps ha construido carreras enteras alrededor de la suposición de que el CRM es el sistema de registro. Si no está en Salesforce, no sucedió, y la previsión es tan buena como lo que se escribió allí.

La IA rompió ese paradigma para mí. El CRM nunca fue la fuente de la verdad. Siempre fue lo que el vendedor tuvo tiempo de documentar, filtrado por lo que recordaba, lo que consideraba relevante y lo que no quería admitir. La señal real siempre estaba en otro lado: en la llamada, en el hilo de correo, en cómo un comprador respondía versus cómo lo describía el vendedor.

Así que cambiamos lo que pedíamos a los vendedores. Dejamos de pedirles que ingresaran notas manualmente y actualizaran campos que ahora un agente puede inferir directamente de la llamada. Su labor pasó de ingresar datos a vender, y de defender su etapa y fecha de cierre a realmente interactuar con lo que los datos les decían.

El proceso de previsión también cambió. En lugar de empezar con lo que un vendedor escribió y trabajar hacia atrás para validarlo, ahora comenzamos con todo el conjunto de señales y revisamos el CRM como una entrada más entre todas.

Una vez que puedes reunir todo eso en una sola capa de contexto, el CRM deja de ser el sistema de registro y pasa a ser solo una entrada para él. El sistema de registro es ahora la imagen completa, no el campo que un vendedor completó camino a su próxima llamada.

Un agente de evaluación de acuerdos en el mundo real

Construimos un agente que revisa oportunidades a medida que avanzan por el pipeline, extrayendo tanto señales propias —actividad del CRM, notas de llamadas y correos— como señales de terceros —datos de intención, investigaciones del comité de compra y contexto de mercado.

Evalúa la salud de los acuerdos en función del sentimiento y compromiso reales, no solo por completar metodologías de campos. Un acuerdo puede cumplir con todos los indicadores de MEDDPICC y aun así estar enfriándose. Otro puede tener un campo faltante y sin embargo estar "caliente".

El modelo va más allá de los campos completados y analiza lo que sucede en la conversación. ¿Los compradores asisten a las llamadas, o el vendedor sigue hablando solo con un defensor que no puede firmar? ¿Qué tipo de objeciones o preguntas surgen? ¿Son tácticas y esperadas, o indican que el comprador está reconsiderando? ¿El tono se vuelve más cálido o frío con el tiempo? ¿La fecha de cierre es realista o es una fecha deseada por el vendedor más que confirmada por el comprador?

Ese último punto es más importante de lo que la gente piensa. Hay una verdadera brecha entre lo que se dice en una llamada y lo que un vendedor escucha y anota, y representa una de nuestras principales señales de riesgo. El modelo detecta esta brecha, comparando transcripciones de llamadas y notas con lo que se documenta en el CRM.

Además, el modelo realiza un seguimiento de la capacidad de respuesta a lo largo del tiempo, no como una instantánea. Un comprador que respondía rápido hace un mes y ahora lleva dos semanas sin contestar es muy distinto de un acuerdo que se ha mantenido constante.

Todo eso se integra en una categoría de riesgo que pesa en la previsión del trato. Un trato con el comprador adecuado involucrado, una urgencia real y una fecha de cierre defendible tiene un peso real. Un trato donde solo el representante es optimista respecto al cronograma se descuenta, sin importar su etapa.

Esa es la evolución: el peso del pipeline solía reflejar la etapa del trato en el proceso. Ahora, refleja lo que realmente está ocurriendo.

Cómo la dependencia de la IA crea puntos ciegos

Cuando un agente puntúa un trato, señala un riesgo o recomienda el siguiente paso, los representantes lo siguen fácilmente sin preguntarse si es lo correcto para ese comprador específico.

El riesgo no es que la IA se equivoque a veces. Es que los representantes dejan de comprobar. Externalizan el pensamiento, no solo la tarea, y no te das cuenta hasta que un trato en el que todos confían por el puntaje se desmorona por una razón que el modelo nunca detectaría.

Esa es la parte que la mayoría de los líderes subestiman. La IA debe agudizar el juicio, no reemplazarlo. Si tus representantes no pueden explicar por qué un trato está sano más allá de “el modelo lo dijo”, has cambiado un punto ciego por otro.

Cómo la IA beneficia los procesos de ingresos

Estos son los resultados que veo en general.

Lo bueno: la variabilidad del pronóstico disminuyó, lo que mejoró la cobertura del pipeline. Avanzamos más allá de la analítica básica hacia perspectivas e inteligencia que le dicen a los representantes no solo lo que sucedió sino también qué hacer a continuación. También desarrollamos mensajes y materiales de interacción más sólidos, impulsados por un gráfico de contexto que proporciona la información correcta en el momento adecuado para cada interacción, en lugar de discursos genéricos.

Lo malo: la adopción de la IA generó dispersión antes que apalancamiento. Más herramientas significaron más lugares donde los representantes debían buscar, lo cual, por un tiempo, perjudicó la productividad en vez de ayudarla. También aprendimos que un agente construido con malos datos no falla silenciosamente. Falla con confianza, y fallar con confianza es peor que no saber.

Las ganancias fueron reales, pero solo aparecieron después de que arreglamos la base. Cada resultado que parecía un éxito de la IA era en realidad un éxito de datos y procesos con una etiqueta de IA.

Por qué el costo de la proliferación de herramientas importa más que las herramientas mismas

Hablemos más sobre la dispersión. Al principio, agregar más herramientas y funcionalidades de IA creó más superficie, no menos. Los representantes tenían más lugares donde buscar, más sistemas generando señales, más paneles de control que decían qué hacer a continuación. Las herramientas que debían crear apalancamiento fragmentaron la atención y ralentizaron la ejecución.

Por eso, deliberadamente reducimos la superficie en la que los representantes hacen su trabajo. En lugar de agregar otra herramienta cada vez que resolvíamos un problema, preguntamos dónde debería vivir el representante día a día y llevamos la IA y los insights a esa única superficie en vez de construir una nueva.

Como resultado, los representantes pasaron menos tiempo averiguando dónde buscar y más tiempo ejecutando. La productividad aumentó no porque agregáramos más IA, sino porque hicimos utilizable la IA que ya teníamos. La dispersión era el costo oculto que nadie medía, y solucionarlo importó más que cualquier herramienta individual que implementamos.

Por qué la IA solo debe hacer recomendaciones

La IA puede recomendar qué hacer. No puede ser responsable del resultado. Cuando una decisión tiene consecuencias reales para una persona o una relación, la responsabilidad debe recaer en un humano, no en un modelo.

Por eso, la IA informa decisiones que se benefician del reconocimiento de patrones a gran escala:

• Puntuación de pipeline
• Salud del trato
• Consolidación de pronósticos
• Señales de riesgo de abandono

La IA puede procesar más señales de las que cualquier humano podría rastrear, destacando lo que merece atención.

El juicio humano permanece para las decisiones que implican compensaciones que los datos no pueden capturar del todo. Esto incluye:

• Decisiones sobre cómo manejar a un representante con dificultades frente a un territorio con dificultades
• Excepciones de precios que valoran las relaciones, no solo los números
• Diseño del plan POMP donde los incentivos moldean el comportamiento de formas que los modelos no pueden predecir
• Decisiones sobre personas: quién está listo para asumir más responsabilidades, quién necesita apoyo y quién es un riesgo de fuga frente a alguien que simplemente está teniendo un trimestre difícil

Las reflexiones de Mollie

La IA puede recomendar qué hacer. No puede ser responsable del resultado. Cuando una decisión conlleva consecuencias reales para una persona o una relación, la responsabilidad debe recaer en un humano, no en un modelo.

Por qué los líderes de ingresos deben preguntarse si realmente es necesario hacer “más”

La generación masiva de outbound con IA ha sido una decepción. La promesa era la escala: más correos electrónicos, más personalización a gran volumen, más oportunidades. Entregó ruido. Los compradores pueden notar cuando un mensaje fue generado para todos y personalizado para nadie, y las tasas de respuesta lo demuestran.

La lección general es que la IA destaca al escalar lo que ya funciona. Tiene dificultades para generar relevancia de la nada. El volumen nunca fue la limitación en outbound. La relevancia sí lo era. La relevancia todavía requiere una decisión humana sobre quién importa y por qué, antes de que la IA intervenga en el mensaje.

Ese es el patrón que observo ahora. Cuando usamos IA para hacer más de algo, me pregunto si “más” era realmente el problema. Usualmente, no lo era.

Por qué las bases de datos son lo más importante en las transformaciones con IA

La IA no arregla una base de datos rota; la expone. Todos los CRO con los que hablo quieren empezar por la parte emocionante: el agente, el copiloto, la herramienta que promete cambiar el comportamiento de los representantes de la noche a la mañana. Pero si los datos subyacentes están fragmentados o no son confiables, la IA simplemente automatiza la disfunción más rápido y con mayor confianza.

Al final, los CRO que salen perjudicados no son los que actuaron demasiado lento. Son los que compraron la herramienta antes de arreglar la base, luego perdieron credibilidad con su equipo cuando el resultado fue incorrecto y nadie volvió a confiar en ella.

Esa confianza es difícil de recuperar una vez que se pierde.

Cómo evitar que el perfeccionismo descarrile la implementación de IA

Intentar ser perfecto fue el instinto equivocado. Al principio pasé demasiado tiempo tratando de mapear todos los casos extremos antes de lanzar cualquier cosa. Hablamos de semanas construyendo cosas que nadie necesitaba, y de una espera mucho más larga hasta que los representantes realmente confiaron en ellas.

Ahora, elegimos un problema específico, lo lanzamos a un pequeño grupo de representantes y dejamos que el uso nos indique qué debemos construir después.

Seguimos el uso real, no las encuestas de satisfacción. ¿Lo abrieron los representantes? Y, ¿actuaron según lo que les indicó? ¿Regresaron? Esto nos dice más en una semana que cualquier sesión de planificación.

Si los representantes no usan algo, lo eliminamos rápido. Incluso si ya lo construimos. El costo hundido no es una razón para conservarlo.

Y avanzamos en pasos pequeños. Una vez que la versión más simple funciona y los representantes confían en ella, ampliamos el despliegue y añadimos la siguiente parte, en lugar de lanzar toda la visión de una vez.

En resumen: muévete rápido, aprende rápido y escala lo que funciona.

Consejos para los líderes de ingresos

Aquí va mi consejo para los líderes de ingresos:

• Arregla tus datos antes de comprar otra herramienta.
• Resiste la presión de adoptar todo a la vez. La IA correcta, en el lugar correcto, que los representantes realmente usen — ese es el objetivo.
• Espera antes de juzgar. El trabajo no es automatizar las decisiones y quitarlas de los humanos. Es darles mejor información más rápido, para que las decisiones que todavía tienen que tomar sean más precisas. Esa distinción es todo el trabajo por ahora.

Sigue en contacto

Puedes seguir a Mollie Bodensteiner en LinkedIn. Y echa un vistazo a The RevTech Review.

¡Habrá más entrevistas con expertos en The CRO Club!