Il CRO Condivide i Suoi Flussi di Lavoro Agenti e Ci Spiega Dove l’IA Fallisce nel Ciclo di Vita delle Entrate

André Magrini è CRO presso OGI. Con 20 anni di esperienza nel settore delle entrate, attualmente si sta immergendo nei flussi di lavoro agentici che alimentano decisioni ad alto impatto.

Abbiamo incontrato André per scoprire dove sta applicando i suoi agenti — e dove l’IA sta causando problemi sorprendenti. Ecco cosa ci ha raccontato.

Sistemi di IA per decisioni ad alto impatto

Sono André Magrini, Chief Revenue Officer di OGI, il ramo internazionale di Objective Group. Il mio mondo è il revenue, ma la mia ossessione è come decidiamo il revenue, il giudizio umano dietro ogni pipeline qualificata, ogni chiamata di previsione, ogni conversazione "questo accordo è reale?".

Il mio percorso fino a qui non è stato lineare. Ho passato anni a costruire e gestire motion di go-to-market che fossero guidati intenzionalmente dalla rete e dalla disciplina, non dalla forza bruta — team ridotti, relazioni di alta fiducia, qualificazione rigorosa. Questo mi ha insegnato qualcosa che la maggior parte delle conversazioni sull’IA ignora: il collo di bottiglia nel revenue non è l’attività, ma la qualità delle decisioni in condizioni di incertezza. I commerciali e i responsabili sono sommersi da segnali e ancora indovinano.

È proprio questo che mi ha avvicinato all’IA. In parallelo al mio ruolo di CRO, mi sono dedicato alla costruzione di sistemi di IA per il decision-making ad alto impatto — dove il costo di una risposta sicura ma sbagliata è reale.

Il momento che sto vivendo ora non è tanto “adotta strumenti IA” quanto “ridisegna il motore delle entrate intorno a decisioni migliori”. Non l’IA che scrive più email — ma l’IA che ti dice quali opportunità meritano la tua attenzione, dove la previsione è fragile e quando la risposta onesta è “non lo sappiamo ancora”. Questa è la trasformazione che mi interessa.

Guidare la trasformazione digitale

In OGI, consigliamo ed eseguiamo per le aziende che guidano la trasformazione digitale — non ci limitiamo a raccomandare la strategia; portiamo risultati concreti. Il nostro GTM utilizza una strategia “land-and-expand” ancorata a un ROI chiaro e diretto. Otteniamo il primo ingaggio dimostrando valore misurabile, poi cresciamo l’account da lì.

Siamo un team internazionale con uffici in Nord America, Sud America ed Europa. Questa presenza ci permette di servire grandi aziende multinazionali in una vasta gamma di settori — dagli alimentari e beni di consumo alle grandi banche di proprietà statale — e di adattarci a culture di acquisto e cicli decisionali molto diversi.

Il nostro ecosistema di partner è una parte fondamentale del nostro approccio. Collaboriamo strettamente con piattaforme come Databricks, Snowflake e Liferay, e con importanti provider cloud tra cui Azure e AWS. Questo ci permette di incontrare i clienti enterprise sulla tecnologia su cui stanno già puntando.

Come gli agenti possono supportare la preparazione degli account

Il nostro collo di bottiglia non è mai stato il volume dei lead; era la preparazione. Prima che un commerciale toccasse un account, un membro senior del team svolgeva il lavoro di scrivania: analizzare l’azienda, capire chi possedeva realmente il budget e chi invece partecipava solo alle riunioni, trovare una ragione credibile per il contatto e applicare la BANT per stabilire se valesse la pena investire tempo.

Con un team senior e ridotto distribuito su tre regioni, quel lavoro gravava sempre sulle stesse poche persone che avrebbero dovuto essere davanti ai clienti. Era lento e poco omogeneo. Due di noi che studiavano lo stesso tipo di account potevano arrivare a conclusioni e profondità molto diverse.

Ho creato quella che chiamo la nostra "CRO Squad". Ho progettato una serie di agenti IA per fare il lavoro pesante iniziale. Questo include una ricerca approfondita sull’account, una mappa dell’organizzazione con i veri decisori, segnali e punti di ingresso significativi e una prima qualificazione strutturata. Quando una persona prende in mano l’account, una valutazione go/no-go difendibile è già pronta invece di una pagina bianca.

Il risultato è che una preparazione che richiedeva 5 ore ora ne richiede 15 minuti. Poiché ogni account passa attraverso lo stesso processo, ciò a cui diciamo no è tanto intenzionale quanto ciò che inseguiamo.

In un team snello, la nostra risorsa più scarsa non è l’organico o la pipeline; è l’attenzione di chi sa leggere correttamente un’opportunità. Ogni ora passata a raccogliere dati sull’azienda era un’ora non spesa a decidere cosa farne.

Un workflow reale per la preparazione degli account

Ecco il flusso di lavoro che utilizziamo per i nuovi account target.

Si inizia con un trigger. I trigger includono segnali di mercato, iniziative dei partner (ad esempio, Databricks o Snowflake che segnalano attività sull’account), clienti esistenti che richiedono un’espansione o un nome suggerito da un membro del mio team. Indipendentemente dalla fonte, l’account entra nel workflow e la CRO Squad inizia il suo lavoro.

Gli agenti creano un dossier dettagliato sulle operazioni dell’azienda, il suo stack tecnologico, segnali recenti (come assunzioni di leadership, iniziative di trasformazione, finanziamenti, stampa) e una mappa organizzativa che distingue i decision maker dai semplici partecipanti alle riunioni. Ogni affermazione nel dossier include la fonte. Se un agente non può fornire una fonte, non può formulare quell’affermazione.

Segue una prima valutazione strutturata, in stile BANT, che esamina l’account secondo i nostri criteri di qualificazione. Soprattutto, l’IA segnala le aree in cui manca di fiducia. Se il segnale di budget è debole o l’autorità è solo un’ipotesi, lo esplicita invece di presentare una debole inferenza come fatto. Preferisco vedere dieci onesti "bassa fiducia" piuttosto che una frase sicura su cui non posso fare affidamento.

Segue il checkpoint umano, una fase spesso trascurata. Prima di esaminare l’output dell’IA, il rappresentante scrive la propria valutazione dell’account. Documentano la loro intuizione, prospettiva e una sensazione go/no-go. Solo dopo aprono e confrontano con il dossier. Se c’è accordo si procede; in caso di divergenze si apre un confronto, focalizzato direttamente sui punti segnati come incerti dall’IA. La decisione go/no-go è completamente umana.

Molti account finiscono intenzionalmente qui. Escludiamo in anticipo per evitare di far perdere tempo ai senior su opportunità poco realistiche.

Per gli account che superano questa fase, l’IA aiuta a definire l’approccio: il valore e la tesi di ROI per quello specifico account, il punto di ingresso e quale partner e soluzione siano più adatti. Tuttavia, è il rappresentante a costruire il messaggio e la conversazione, assicurando che sia un dialogo personale e non un contatto generato in massa.

Da qui, il processo si svolge in loop. Man mano che l’affare avanza, gli agenti continuano a monitorare i segnali — rischio di raffreddamento, rischio di abbandono o fattori di espansione — e ci informano se la previsione sembra debole. La chiamata di previsione e la relazione restano umane.

Come l’IA modifica le metriche GTM

André Condivide

Più copertura non è sempre meglio. Quando l’IA ha eliminato il collo di bottiglia della ricerca e della qualificazione, mi aspettavo il risultato ovvio: Ha fatto l’opposto.

Più copertura non è sempre meglio. Quando l’IA ha eliminato il collo di bottiglia della ricerca e della qualificazione, mi aspettavo il risultato ovvio: il mio team avrebbe seguito molti più account e il pipeline sarebbe aumentato a dismisura.

È successo il contrario. Pur potendo improvvisamente qualificare un enorme volume di account, la maggior parte di ciò che ottenevamo era spazzatura qualificata. Più copertura portava solo più rumore. La selezione e la profondità della relazione erano più importanti della scala.

Così ho cambiato cosa misuro. Ho smesso di monitorare la salute del GTM in base al volume e alla copertura; invece, la misuro in base alla qualità della selezione e a dove i miei senior spendono il loro tempo. La vera leva si è rivelata essere la sottrazione, non l’aggiunta. Dire no più in fretta, concentrare il team senior su meno account e andare più a fondo invece che più in largo.

È stato difficile ammetterlo perché contraddice come ho gestito i team per vent’anni.

Cosa deve rimanere umano vs. cosa deve gestire l’IA

Quando smetti di considerare l’IA come un moltiplicatore di produttività e inizi a vederla come un modo per proteggere l’attenzione di un piccolo team, la divisione tra IA e umano diventa chiara.

L’IA raccoglie e ordina — ricerca sugli account, mappa organizzativa e prima valutazione BANT. In più, aiuta a dare priorità al pipeline, esegue punteggio e triage delle trattative in modo che non ci focalizziamo tutti sulle stesse quaranta opportunità con gli stessi occhi stanchi, e monitora i segnali come un account pronto per espandersi o uno che si sta raffreddando silenziosamente. Per il forecasting, raccoglie i dati e, ancor più utile per me, segnala dove la previsione è debole. Mi dice quali numeri non considera affidabili.

Gli umani prendono le decisioni. Io possiedo il numero finale della previsione. Gli umani gestiscono prezzi e strategia commerciale. Gli umani coltivano la relazione e la negoziazione, punto. Non affidiamo mai una decisione critica al cliente — dove ci impegniamo su un ROI o dove la fiducia è in gioco — a un modello. Non è una questione sentimentale. Queste decisioni vengono prese in condizioni di vera incertezza, con un contesto che vive in una stanza e in una storia con il cliente, non nei dati. È proprio lì che un modello è più debole e dove sbagliare costa di più.

Un esempio di perché il giudizio umano è necessario nelle nuove trattative

Lo scorso anno, abbiamo avuto una trattativa con un produttore globale che il sistema considerava favorita. Ogni metrica era verde: dozzine di email a settimana, chiamate ricorrenti e sei o sette stakeholder attivi nella conversazione. Il CRO Squad l'aveva classificata tra le prime opportunità della pipeline e mi aveva suggerito di insistere, includerla nelle previsioni e spingere per la chiusura. Sulla carta, era la nostra trattativa più sana.

La mia commerciale senior che seguiva l’account era di tutt’altro avviso, e aveva ragione lei. Tutta quell’attività non era slancio, ma frizione. Sette persone erano presenti perché nessuna di loro poteva dire sì. Le riunioni si ripetevano perché la trattativa tornava sempre allo stesso quesito senza risposta. Il nostro contatto più entusiasta, quello che generava la maggior parte del traffico di email, non aveva autorità di spesa. L’IA interpretava il volume come intenzione. Invece il motivo reale erano le dinamiche interne e un gruppo di acquisto troppo timoroso di prendere una decisione.

La macchina non poteva cogliere il silenzio dell’unico dirigente che contava, né il tono piatto ogni volta che si parlava di prezzo. I metadati sull’engagement non mostrano quei sottintesi. La nostra commerciale lo sapeva perché conosceva le persone.

Le abbiamo dato fiducia, abbiamo abbassato il punteggio della trattativa e smesso di investire ore senior su quell’opportunità. Abbiamo fatto bene, risparmiandoci un trimestre di lavoro sprecato. Questo ha rafforzato una regola che seguiamo ancora oggi: l’IA porta le prove; gli umani leggono tra le righe.

Come l’IA migliora efficienza, disciplina e tasso di successo

Nel complesso, il risparmio di tempo è il vantaggio più evidente con l’IA. Solo gli agenti di preparazione per gli account ci permettono di gestire lo stesso processo su circa tre volte più account con lo stesso organico. Non abbiamo aggiunto persone; abbiamo restituito al team le loro ore, che ora vengono spese davanti ai clienti invece che nei fogli di calcolo.

Un altro vantaggio meno visibile è la disciplina. Ora scartiamo prima le opportunità. Diciamo no alle trattative sbagliate in modo più rapido, il che può sembrare negativo ma è uno degli sviluppi più salutari per la nostra pipeline.

Non fornirò una percentuale precisa sul tasso di vittoria perché non ritengo che il dato sarebbe ancora veritiero. Quello che posso dire è che vediamo un aumento misurabile nelle conversioni sulle trattative che scegliamo di seguire e le previsioni hanno meno sorprese. In parte è frutto del fatto che puntiamo su opportunità migliori. In parte è l’IA che ci mostra dove la previsione è debole e le prove non sostengono davvero la scelta. Una sorpresa che si intravede tre settimane prima non è più una sorpresa. È questo, più di qualsiasi altra metrica, ad aver cambiato il modo in cui gestiamo il trimestre.

Perché i risultati dell’IA vanno trattati come una bozza

All’inizio, ci fidavamo troppo dei risultati. La ricerca appariva pulita, ben scritta, sicura e formattata come il report di un buon analista. In un paio di casi, tuttavia, era sbagliata in modo critico.

Una mappa account aveva identificato la persona di riferimento sbagliata. Un’altra si basava su un indicatore ormai obsoleto di alcuni mesi. Una è quasi finita in una conversazione reale con il cliente prima che qualcuno del team se ne accorgesse. Ci ha spaventato più di qualunque numero mancato, perché essere sicuri e sbagliati è il fallimento più costoso che esista.

Si è creata anche una certa frizione interna. Le mie persone sono senior. L’ultima cosa che un buon commerciale vuole è una macchina che assegna un punteggio e lascia intendere di conoscere l’account meglio di lui.

Abbiamo smesso di trattare i risultati dell’IA come verità, iniziando a considerarli solo una bozza. Ora il sistema segnala quando non è sicuro e riporta la decisione all’essere umano invece di indovinare. Una volta compreso che l’IA serve a svolgere il lavoro più ripetitivo e a proteggere il loro giudizio, non a sostituirlo, la resistenza è rapidamente svanita. Hanno iniziato a fidarsi perché la fiducia se l’era guadagnata e ammetteva quando non sapeva.

Tre ambiti in cui l’IA sbaglia nei workflow di revenue

Il maggiore fallimento dell’IA probabilmente è stato nell’outreach. Ci aspettavamo che l’IA costruisse pipeline per noi, inviando messaggi personalizzati su vasta scala a centinaia di account in modo da sembrare una comunicazione uno a uno. Non ha funzionato.

Nelle trattative complesse di tipo enterprise e di grande valore, più messaggi non generano più pipeline. Gli acquirenti a cui vendo riconoscono immediatamente l’outreach automatizzato e lo eliminano altrettanto rapidamente. Quindi, non abbiamo aumentato le risposte; le abbiamo azzerate. L’IA è ottima per preparare un essere umano alla conversazione, ma non può sostituire la conversazione stessa.

Le previsioni sono state un altro punto dolente, e questo mi ha sorpreso di più. La promessa era che l’IA avrebbe previsto i ricavi meglio di una persona esperta che analizza gli stessi accordi. Non si è rivelato vero. Quello che davvero influenza i numeri delle aziende sono informazioni che non si trovano nei dati. Uno sponsor lascia il progetto. Un budget viene congelato due settimane prima della chiusura. Un cambiamento politico silenzioso all'interno del cliente lascia improvvisamente il tuo sostenitore senza copertura. Il modello non può vedere nulla di tutto questo. Evidenzia davvero bene la fragilità, indicandomi quali accordi sembrano deboli, ma non può prevedere il trimestre. Qui vince ancora il giudizio dei senior.

E l’ultima delusione è stata la riduzione del ciclo di vendita. Ha inciso appena. Un ciclo enterprise segue le tempistiche del cliente, non le nostre: acquisti, legale, comitato, calendario di bilancio. Possiamo rendere molto più veloce la parte di competenza del venditore—e lo abbiamo fatto—ma non possiamo accelerare quella del compratore, che è quella che detta i tempi.

Perché i responsabili dei ricavi devono prestare attenzione al lato umano nell’adozione dell’IA

André Condivide

L’adozione imposta è sabotaggio silenzioso con modi migliori.

Ho sbagliato completamente il lato umano. L’ho trattato come il lancio di uno strumento invece che come un cambiamento di comportamento. Ho costruito qualcosa, l’ho consegnato finito, e mi aspettavo che l’adozione avvenisse spontaneamente.

Ho incontrato resistenza. Le persone lo usavano solo perché era stato imposto. Altri lo ignoravano in silenzio. L’adozione imposta è sabotaggio silenzioso con modi migliori.

Se potessi rifarlo, coinvolgerei la squadra a co-progettare dal primo giorno invece di presentare loro una risposta già pronta.

Questo avrebbe risparmiato mesi persi a inseguire lo strumento perfetto mentre il vero problema erano criteri non scritti e un team che non si sentiva coinvolto. Sarei partito più in piccolo, con un solo workflow e la squadra in stanza, e avrei scritto i criteri all’inizio. Questo mi avrebbe evitato un costoso falso inizio e la fatica di dover ricostruire la fiducia dopo.

Quattro consigli per i responsabili dei ricavi

Ecco i miei consigli:

1. Parti con una domanda, non con uno strumento. Chiediti qual è la risorsa più scarsa nel tuo team. Per quasi tutti quelli che gestiscono vendite complesse, sono giudizio e attenzione, non attività. Le tue persone migliori hanno un numero finito di ore in cui ragionano lucidamente su un affare ed è proprio questo che ti manca. Quindi indirizza l’IA a proteggere quello.
2. Sii onesto con te stesso riguardo alle vanity metrics. Più email, più contatti, più contenuti, più attività nel sistema. In una vendita complessa, perlopiù sono solo rumore vestito da progresso. L’IA è bravissima a generare attività che sembrano lavoro ma non producono nulla. Se la sola prova che l’IA aiuta è che la tua squadra è più impegnata, hai comprato la cosa sbagliata.
3. Pretendi che i sistemi di IA sappiano dire “Non lo so” e inoltrino a un umano. Considera ogni output come una bozza da verificare, mai come una verità.
4. Parti in piccolo e misura onestamente l’IA. Non esternalizzare la disciplina sui ricavi a un modello e chiamarla trasformazione. Il vantaggio in questo ciclo non andrà a chi adotta più IA. Andrà a chi tiene il giudizio umano concentrato dove serve e rifiuta di lasciare che uno strumento decida quello che solo una persona può.

Resta aggiornato

Puoi seguire il lavoro di André Magrini su LinkedIn oppure visitare il suo sito personale.

Altre interviste con esperti in arrivo su The CRO Club!