A vice-presidente de Operações de Receita de uma empresa SaaS afirma que a proliferação de ferramentas de IA é o custo oculto que ninguém está a medir

Mollie Bodensteiner é VP de Operações de Receita na ZoomInfo, uma empresa pública de SaaS que presta serviços a clientes empresariais em todo o mundo. É também a criadora de The RevTech Review.

Falámos com Mollie para perceber como está a transformar os fluxos de trabalho de avaliação de negócios e de previsão com IA. Foi isto que nos contou.

A IA testa se as bases dos seus dados e processos conseguem resistir

Lidero as Operações de Receita numa empresa pública de SaaS à escala empresarial, que presta serviços a clientes de média dimensão e empresariais em todo o mundo. O nosso modelo federado abrange as operações de pipeline, as operações de vendas, as operações de experiência do cliente, as operações de parcerias e os sistemas de entrada no mercado, apoiando uma organização complexa de entrada no mercado com várias abordagens.

Operamos com um modelo de SaaS baseado em subscrições e influenciado pela utilização, com uma estratégia de entrada no mercado com várias abordagens: novos negócios, expansão e renovações nos segmentos de autosserviço, média dimensão e empresarial. A minha equipa de Operações de Receita tem cerca de 20 pessoas e apoia toda a organização de entrada no mercado.

Tenho mais de 15 anos de experiência a trabalhar em várias áreas da entrada no mercado: Operações de Receita, sistemas, remuneração, automatização, planeamento de territórios e quotas, arquitetura de dados e engenharia. Criei e expandi estas funções em várias empresas unicórnio de crescimento acelerado, o tipo de empresas em que o negócio avança mais depressa do que os sistemas concebidos para o apoiar.

Essa reconstrução constante moldou a forma como penso. Sempre que uma empresa duplicava de dimensão, os sistemas que funcionavam ontem deixavam de funcionar hoje. Aprendi a conceber para a escala antes de esta o exigir.

Foi esse percurso que me trouxe a este momento na liderança das receitas: não perseguir a IA como uma tendência, mas vê-la como o próximo teste para perceber se as suas bases conseguem resistir.

Pensamentos de Mollie

Essa reconstrução constante moldou a forma como penso… não perseguir a IA como uma tendência, mas vê-la como o próximo teste para perceber se as suas bases conseguem resistir.

Como os fluxos de trabalho baseados em IA melhoram a avaliação de negócios e a previsão

As Operações de Receita construíram carreiras inteiras com base no pressuposto de que o CRM é o sistema de registo oficial. Se não está no Salesforce, não aconteceu, e a previsão é tão boa quanto aquilo que foi introduzido no sistema.

A IA veio alterar isso para mim. O CRM nunca foi a fonte de verdade. Sempre foi apenas aquilo que um comercial teve tempo de documentar, filtrado pelo que se lembrava, pelo que considerava importante e pelo que não queria admitir. O sinal real esteve sempre noutro lugar: na chamada, na sequência de emails, na forma como um comprador respondia em comparação com a forma como o comercial a registava.

Por isso, alterámos aquilo que pedíamos aos comerciais. Deixámos de lhes pedir que registassem manualmente notas e atualizassem campos que um agente conseguia agora inferir a partir da própria chamada. O trabalho deles passou do registo de dados para as vendas, e da defesa da fase e da data de fecho para o verdadeiro envolvimento com aquilo que os dados estavam a indicar.

O processo de previsão também mudou. Em vez de começarmos pelo que um comercial introduziu e trabalharmos para trás para o validar, começamos pelo conjunto completo de sinais e verificamos o CRM como uma entrada entre todas as outras.

Quando conseguimos reunir tudo isso numa única camada de contexto, o CRM deixa de ser o sistema de registo oficial e passa a ser uma das entradas desse sistema. O sistema de registo oficial é agora o panorama completo, e não o campo que um comercial preencheu a caminho da chamada seguinte.

Um agente real de avaliação de negócios

Criámos um agente que analisa as oportunidades à medida que avançam pelo pipeline, recolhendo tanto sinais próprios — atividade no CRM, notas de chamadas e emails — como sinais de terceiros — dados de intenção, investigação sobre o comité de compra e contexto de mercado.

Avalia a saúde do negócio com base no sentimento e no envolvimento reais, e não apenas no preenchimento dos campos da metodologia. Um negócio pode preencher todos os requisitos do MEDDPICC e, ainda assim, estar a perder força. Outro pode ter um campo em falta e continuar forte.

O modelo vai além dos campos preenchidos e analisa o que está a acontecer na conversa. Os compradores estão presentes nas chamadas ou o comercial continua apenas a falar com um defensor que não pode assinar? Que tipo de resistência ou perguntas surgem? São questões táticas e esperadas ou sinais de que o comprador está a reconsiderar? O tom está a tornar-se mais positivo ou mais negativo ao longo do tempo? A data de fecho é realista ou é uma data que o comercial quer que seja verdadeira, em vez de uma data confirmada pelo comprador?

Este último ponto é mais importante do que muitas pessoas pensam. Existe uma diferença real entre o que é dito numa chamada e aquilo que um comercial ouve e regista, e essa diferença representa um dos nossos sinais de risco mais fortes. O modelo deteta essa diferença, comparando as transcrições e as notas das chamadas com aquilo que os comerciais documentaram no CRM.

O modelo também acompanha a capacidade de resposta ao longo do tempo, e não apenas como uma fotografia momentânea. Um comprador que respondeu rapidamente há um mês e está há duas semanas sem dar notícias é interpretado de forma muito diferente de um negócio que se manteve estável durante todo esse período.

Tudo isso é integrado numa categoria de risco que atribui peso ao negócio na previsão. Um negócio com o comprador certo envolvido, uma urgência real e uma data de fecho defensável tem um peso significativo. Um negócio em que o representante é o único otimista em relação ao prazo é desvalorizado, independentemente da sua fase.

Essa é a mudança: anteriormente, a ponderação do pipeline refletia a fase do negócio no processo. Agora, reflete o que está realmente a acontecer.

Como a dependência da IA cria pontos cegos

Quando um agente avalia um negócio, assinala um risco ou recomenda um passo seguinte, os representantes seguem-no facilmente sem questionar se é adequado para aquele comprador específico.

O risco não está no facto de a IA se enganar por vezes. Está no facto de os representantes deixarem de verificar. Delegam o raciocínio, não apenas a tarefa, e só se apercebem disso quando um negócio em que todos confiam devido à pontuação desmorona por uma razão que o modelo nunca conseguiria detetar.

Essa é a parte que a maioria dos líderes subestima. A IA deve aperfeiçoar o discernimento, não substituí-lo. Se os seus representantes não conseguem explicar por que razão um negócio está saudável para além de dizerem «o modelo disse-o», trocaram um ponto cego por outro.

Como a IA beneficia os processos de receita

Eis os resultados que tenho observado de um modo geral.

O lado positivo: a variação da previsão diminuiu, o que melhorou a cobertura do pipeline. Ultrapassámos a análise básica e passámos a obter informações e inteligência que dizem aos representantes não só o que aconteceu, mas também o que devem fazer a seguir. Desenvolvemos também mensagens e materiais de interação mais sólidos, potenciados por um grafo de contexto que fornece a informação certa no momento certo para cada interação, em vez de guiões de conversa genéricos.

O lado negativo: a adoção da IA criou dispersão antes de criar alavancagem. Mais ferramentas significaram mais locais onde os representantes tinham de procurar, o que, durante algum tempo, prejudicou a produtividade em vez de a melhorar. Também aprendemos que um agente criado com dados de má qualidade não falha silenciosamente. Falha com confiança, e estar confiantemente errado é pior do que não saber.

Os ganhos foram reais, mas só surgiram depois de corrigirmos os fundamentos. Todos os resultados que pareciam ser ganhos proporcionados pela IA eram, na realidade, ganhos de dados e de processos com um rótulo de IA.

Porque é que o custo da dispersão de ferramentas é mais importante do que as próprias ferramentas

Falemos mais sobre a dispersão. Inicialmente, adicionar mais ferramentas e funcionalidades de IA criou uma maior área de atuação, não uma menor. Os representantes tinham mais locais onde procurar, mais sistemas a gerar sinais e mais painéis a afirmar que lhes diziam o que fazer a seguir. As ferramentas que deveriam criar alavancagem fragmentaram a atenção e abrandaram a execução.

Por isso, reduzimos deliberadamente a área de atuação onde os representantes trabalham. Em vez de adicionarmos outra ferramenta sempre que resolvíamos um problema, perguntámos onde é que o representante deveria trabalhar no dia a dia e integrámos a IA e os conhecimentos nessa única área, em vez de criarmos uma nova.

Como resultado, os representantes passaram menos tempo a tentar perceber onde procurar e mais tempo a executar. A produtividade aumentou não porque adicionámos mais IA, mas porque tornámos utilizável a IA que já tínhamos. A dispersão era o custo oculto que ninguém estava a medir, e corrigi-la foi mais importante do que qualquer ferramenta individual que implementámos.

Porque é que a IA deve apenas fazer recomendações

A IA pode recomendar o que fazer. Não pode ser responsabilizada pelo resultado. Quando uma decisão tem consequências reais para uma pessoa ou uma relação, a responsabilidade deve caber a um ser humano, não a um modelo.

Assim, a IA informa decisões que beneficiam do reconhecimento de padrões em grande escala:

• Pontuação do pipeline
• Saúde do negócio
• Consolidação das previsões
• Sinais de risco de cancelamento

A IA consegue processar mais sinais do que qualquer ser humano conseguiria acompanhar, destacando aquilo que merece atenção.

O discernimento humano continua a ser necessário para decisões que envolvem compromissos que os dados não conseguem captar totalmente. Isto inclui:

• Decisões sobre como lidar com um representante com dificuldades versus um território com dificuldades
• Exceções de preços que ponderam as relações, não apenas os cálculos
• Conceção de planos POMP em que os incentivos moldam o comportamento de formas que os modelos não conseguem prever
• Decisões sobre pessoas — quem está preparado para assumir mais responsabilidades, quem precisa de apoio e quem representa um risco de saída, em oposição a alguém que está simplesmente a atravessar um trimestre difícil

Pensamentos da Mollie

A IA pode recomendar o que fazer. Não pode ser responsabilizada pelo resultado. Quando uma decisão tem consequências reais para uma pessoa ou uma relação, a responsabilidade deve caber a um ser humano, não a um modelo.

Porque é que os líderes de receitas têm de perguntar se é realmente necessário “mais”

O envio massivo de mensagens de prospeção geradas por IA foi uma desilusão. A promessa era a escala: mais e-mails, mais personalização em grande volume, mais oportunidades de negócio. O resultado foi ruído. Os compradores conseguem perceber quando uma mensagem foi gerada para toda a gente e personalizada para ninguém, e as taxas de resposta comprovam-no.

A lição mais abrangente é que a IA é excelente a expandir aquilo que já funciona. Tem dificuldades em criar relevância a partir do nada. O volume nunca foi a limitação na prospeção. A relevância era. E a relevância continua a exigir uma decisão humana sobre quem importa e porquê, antes de a IA tocar na mensagem.

É esse o padrão que observo agora. Quando utilizamos IA para fazer mais de alguma coisa, pergunto se “mais” era realmente o problema. Normalmente, não era.

Porque é que as bases de dados são o elemento mais importante nas transformações com IA

A IA não corrige uma base de dados deficiente; expõe-na. Todos os CRO com quem falo querem começar pela parte entusiasmante: o agente, o copiloto, a ferramenta que promete mudar o comportamento dos representantes de um dia para o outro. Mas, se os dados subjacentes estiverem fragmentados ou não forem fiáveis, a IA limita-se a automatizar a disfunção mais rapidamente e com maior confiança.

No fim, os CRO que acabam por sofrer as consequências não são os que avançaram demasiado devagar. São os que compraram a ferramenta antes de corrigirem as bases, perderam credibilidade junto da equipa quando os resultados estavam errados e fizeram com que ninguém voltasse a confiar nela.

Essa confiança é difícil de reconstruir depois de perdida.

Como evitar que o perfeccionismo faça descarrilar a implementação da IA

Tentar ser perfeito foi o instinto errado. No início, passei demasiado tempo a tentar mapear todos os casos extremos antes de lançar fosse o que fosse. Foram semanas a construir coisas de que ninguém precisava e uma espera muito mais longa até os representantes confiarem realmente nelas.

Agora, escolhemos um problema específico, disponibilizamo-lo a um pequeno grupo de representantes e deixamos que a utilização nos indique o que devemos construir a seguir.

Acompanhamos a utilização real, não os inquéritos de satisfação. Os representantes abriram a ferramenta? E agiram com base no que ela lhes indicou? Voltaram a utilizá-la? Isto diz-nos mais numa semana do que qualquer sessão de planeamento poderia dizer.

Se os representantes não utilizarem algo, removemo-lo — rapidamente. Mesmo que já o tenhamos construído. O custo irrecuperável não é razão para o manter.

E avançamos em etapas específicas. Assim que a versão mais simples funciona e os representantes confiam nela, alargamos a implementação e acrescentamos a peça seguinte, em vez de lançarmos toda a visão de uma só vez.

Em suma, avance rapidamente, aprenda rapidamente e amplie aquilo que funciona.

Conselhos para líderes de receitas

Eis os meus conselhos para os líderes de receitas:

• Corrija os seus dados antes de comprar outra ferramenta.
• Resista à pressão para adotar tudo de uma vez. A IA certa, no lugar certo, que os representantes utilizam efetivamente — esse é o objetivo.
• Não abdique do discernimento. O objetivo não é retirar as decisões aos seres humanos através da automatização. É fornecer aos seres humanos informações melhores e mais rapidamente, para que as decisões que continuam a ter de tomar sejam mais precisas. Essa distinção é todo o propósito neste momento.

Continue a acompanhar

Pode acompanhar Mollie Bodensteiner no LinkedIn. E consulte The RevTech Review.

Em breve, haverá mais entrevistas com especialistas no The CRO Club!