O Diretor de Receita Partilha os Seus Fluxos de Trabalho Agênticos e Diz-nos Onde a IA Falha no Ciclo de Vida da Receita

André Magrini é CRO na OGI. Com 20 anos de experiência em receitas, dedica-se atualmente a aprofundar os fluxos de trabalho agentivos que sustentam decisões de alto risco.

Falámos com André para saber onde está a aplicar os seus agentes — e onde a IA está a causar problemas surpreendentes. Foi isto que nos contou.

Sistemas de IA para a tomada de decisões de alto risco

Sou André Magrini, Diretor de Receitas (CRO) na OGI, o braço internacional do Objective Group. O meu mundo é o das receitas, mas a minha obsessão é perceber como decidimos sobre as receitas, o julgamento humano por detrás de cada pipeline qualificado, de cada previsão, de cada conversa do tipo "este negócio é real?".

O meu percurso até aqui não foi linear. Passei anos a criar e a gerir estratégias de entrada no mercado deliberadamente orientadas para as redes de contactos e disciplinadas, em vez de baseadas na força bruta — equipas pequenas, relações de elevada confiança e uma qualificação rigorosa. Isso ensinou-me algo que a maioria das conversas sobre IA ignora: o estrangulamento nas receitas não é a actividade, mas a qualidade das decisões perante a incerteza. Os representantes comerciais e os líderes estão a afogar-se em sinais e continuam a adivinhar.

Foi isso que me levou à IA. Em paralelo com a minha função de CRO, aprofundei o meu trabalho na criação de sistemas de IA para a tomada de decisões de alto risco — situações em que o custo de uma resposta confiante, mas errada, é real.

Por isso, o momento em que me encontro agora tem menos a ver com "adoptar ferramentas de IA" e mais com "reconceber o motor de receitas em torno de decisões melhores". Não se trata de IA que escreve mais e-mails — trata-se de IA que nos diz quais os negócios que merecem a nossa atenção, onde a previsão é frágil e quando a resposta honesta é "ainda não sabemos". É esta a transformação que me interessa.

Impulsionar a transformação digital

Na OGI, aconselhamos e executamos projectos para empresas que estão a impulsionar a transformação digital — não nos limitamos a recomendar uma estratégia; entregamos resultados. O nosso GTM utiliza uma abordagem de conquista e expansão, assente num ROI claro e directo. Conquistamos o primeiro projecto ao demonstrar valor mensurável e, depois, fazemos crescer a conta a partir daí.

Somos uma equipa internacional com escritórios na América do Norte, na América do Sul e na Europa. A nossa presença permite-nos servir grandes empresas multinacionais de uma vasta gama de sectores — desde a alimentação e os bens de consumo até aos principais bancos detidos pelo Estado — e adaptar-nos a culturas de compra e ciclos de decisão muito diferentes.

O nosso ecossistema de parceiros é uma parte importante da forma como entregamos resultados. Trabalhamos em estreita colaboração com plataformas como a Databricks, a Snowflake e a Liferay, e com os principais fornecedores de serviços na nuvem, incluindo a Azure e a AWS. Isto permite-nos responder às necessidades dos clientes empresariais com base na infraestrutura tecnológica em que já estão a apostar.

Como os agentes podem apoiar a preparação das contas

O nosso estrangulamento nunca foi o volume de leads; foi a preparação. Antes de um representante comercial abordar uma conta, um membro sénior da equipa fazia o trabalho de pesquisa, analisando a empresa, percebendo quem controlava o orçamento e quem apenas aparecia nas reuniões, encontrando um motivo credível para entrar em contacto e submetendo tudo ao BANT para decidir se valia a pena investir o nosso tempo.

Com uma equipa pequena e sénior distribuída por três regiões, esse trabalho recaía sobre o mesmo grupo restrito de pessoas que deveria estar perante os clientes. Era lento e inconsistente. Duas pessoas a investigar o mesmo tipo de conta podiam regressar com níveis de profundidade e conclusões diferentes.

Criei aquilo a que chamo a nossa "Equipa CRO". Concebi um conjunto de agentes de IA para começar por assumir esse trabalho pesado. Isto inclui uma pesquisa aprofundada da conta, um mapa organizacional das partes interessadas reais, sinais e pontos de entrada que valha a pena explorar e uma primeira qualificação estruturada. Quando uma pessoa assume a conta, já tem à sua frente uma decisão fundamentada de avançar ou não avançar, em vez de uma página em branco.

Como resultado, uma preparação que costumava demorar 5 horas demora agora 15 minutos. Como todas as contas passam pelo mesmo processo, aquilo a que dizemos não é tão deliberado como aquilo que decidimos perseguir.

Numa equipa reduzida, o nosso recurso mais escasso não é o número de colaboradores nem o pipeline; é a atenção das pessoas que conseguem interpretar correctamente um negócio. Cada hora que alguém passava a recolher dados sobre uma empresa era uma hora que não passava a decidir o que fazer com esses dados.

Um fluxo de trabalho real de preparação de contas

Eis o fluxo de trabalho que utilizamos para novas contas-alvo.

Começa com um acionador. Os acionadores incluem sinais do mercado, iniciativas de parceiros (por exemplo, a Databricks ou a Snowflake assinalarem atividade numa conta), clientes existentes que solicitam uma expansão ou um nome sugerido por alguém da minha equipa. Independentemente da origem, a conta entra no fluxo de trabalho e a equipa CRO começa a trabalhar.

Os agentes elaboram um dossier detalhado sobre as operações da empresa, a sua pilha tecnológica, sinais recentes (como contratações para cargos de liderança, iniciativas de transformação, financiamento e cobertura mediática) e um mapa organizacional que distingue os decisores dos participantes nas reuniões. Todas as afirmações do dossier incluem a respetiva fonte. Se um agente não conseguir indicar uma fonte, não pode apresentar a afirmação como facto.

De seguida, uma primeira análise estruturada, ao estilo BANT, avalia a conta face aos nossos critérios de qualificação. Mais importante ainda, a IA assinala as áreas em que não tem confiança. Se o sinal relativo ao orçamento for fraco ou a autoridade for apenas uma suposição, indica-o explicitamente em vez de apresentar uma inferência fraca como facto. Prefiro ver dez marcas honestas de «baixa confiança» do que uma frase confiante em que não posso confiar.

Segue-se o ponto de controlo humano, uma etapa frequentemente ignorada. Antes de analisar o resultado da IA, o comercial escreve primeiro a sua própria avaliação da conta. Regista a sua intuição, perspetiva e perceção de avançar ou não avançar. Só depois abre o dossier e compara-o com a sua avaliação. A concordância significa avançar; a divergência inicia uma conversa, centrada diretamente nos pontos que a IA assinalou como incertos. A decisão de avançar ou não avançar é inteiramente humana.

Muitas contas terminam deliberadamente aqui. Desqualificamo-las cedo para evitar desperdiçar o tempo de pessoas seniores com oportunidades irrealistas.

Para as contas que avançam, a IA ajuda a definir a abordagem: a tese de valor e de ROI específica para essa conta, o ponto de entrada e o parceiro e a solução que melhor se adequam. No entanto, é o comercial que elabora a mensagem e conduz a conversa, garantindo que esta é entre pessoas e não uma abordagem gerada em massa.

A partir daí, o processo funciona em ciclo. À medida que o negócio avança, os agentes procuram continuamente sinais — risco de arrefecimento, risco de cancelamento ou acionadores de expansão — e informam-nos se a previsão parecer pouco sólida. A reunião de previsão e a relação continuam a ser humanas.

Como a IA altera as métricas de GTM

André partilha

Mais cobertura nem sempre é melhor. Quando a IA eliminou o estrangulamento da pesquisa e da qualificação, esperava o benefício óbvio: aconteceu precisamente o contrário.

Mais cobertura nem sempre é melhor. Quando a IA eliminou o estrangulamento da pesquisa e da qualificação, esperava o benefício óbvio: a minha equipa abrangeria muito mais contas e o pipeline dispararia.

Aconteceu precisamente o contrário. Embora, de repente, conseguíssemos qualificar um enorme volume de contas, a maior parte do que recebíamos era lixo qualificado. Mais cobertura apenas produzia mais ruído. A seleção e a profundidade da relação eram mais importantes do que a escala.

Por isso, alterei o que meço. Deixei de acompanhar a saúde do GTM através do volume e da cobertura; em vez disso, passei a avaliá-la pela qualidade da seleção e pelo modo como as minhas pessoas mais seniores investiam as suas horas. A verdadeira alavanca acabou por ser a subtração, não a adição: dizer não mais depressa, concentrar a equipa sénior em menos contas e aprofundar em vez de alargar.

Foi difícil admiti-lo porque contradizia a forma como tinha liderado equipas durante vinte anos.

O que deve continuar a ser humano e o que deve ser tratado pela IA

Quando deixamos de pensar na IA como um multiplicador de produtividade e começamos a vê-la como uma forma de proteger a atenção de uma equipa pequena, a divisão entre a IA e as pessoas torna-se clara.

A IA recolhe e classifica — pesquisa de contas, o mapa organizacional e a primeira análise BANT. Além disso, informa a definição de prioridades do pipeline, faz a avaliação e a triagem dos negócios para que não estejamos todos a olhar para as mesmas quarenta oportunidades com o mesmo olhar indiferenciado e procura sinais como uma conta pronta para expandir ou uma conta que está silenciosamente a arrefecer. Para as previsões, reúne os dados e, mais útil para mim, assinala onde a previsão é pouco sólida. Diz-me quais são os números em que não confia.

As pessoas tomam as decisões. Sou responsável pelo valor final da previsão. As pessoas tratam da definição de preços e da estratégia comercial. As pessoas gerem a relação e a negociação, sem exceção. Nunca confiamos a um modelo uma decisão de um cliente de alto risco — quando nos comprometemos com um ROI ou quando a confiança está em jogo. A razão não é sentimental. Essas decisões são tomadas em condições de incerteza real, com um contexto que existe numa sala e numa história com o cliente, não nos dados. É precisamente aí que um modelo é mais fraco e onde errar é mais dispendioso.

Um exemplo de por que razão o julgamento humano é necessário em novos negócios

No ano passado, tínhamos um negócio com um fabricante global que o sistema favorecia. Todas as métricas estavam verdes: dezenas de emails por semana, chamadas recorrentes e seis ou sete partes interessadas ativas na conversa. A CRO Squad classificou-o perto do topo do pipeline e disse-me para me empenhar, incluí-lo na previsão e pressionar para o fechar. No papel, era o nosso negócio mais saudável.

A minha representante sénior na conta sentia o oposto, e tinha razão. Toda aquela atividade não era impulso; era fricção. Havia sete pessoas na sala porque nenhuma delas podia dizer que sim. As reuniões repetiam-se porque o negócio voltava sempre à mesma questão sem resposta. O nosso contacto mais entusiasta, que gerava a maior parte do tráfego de emails, não tinha autoridade orçamental. A IA interpretou o volume como intenção. A política interna e um grupo de compra demasiado receoso para tomar uma decisão eram a verdadeira causa.

A máquina não conseguia ver o silêncio do único executivo que importava, nem o tom neutro na sala sempre que o preço vinha à baila. Os metadados de interação não mostram esse subtexto. A nossa representante sabia porque conhecia as pessoas.

Confiámos nela, baixámos a classificação do negócio e deixámos de investir horas de profissionais séniores nele. Tínhamos razão e poupámos um trimestre de esforço desperdiçado. Isto consolidou uma regra que continuamos a seguir: a IA traz as provas; os humanos leem nas entrelinhas.

Como a IA melhora a eficiência, a disciplina e as taxas de vitória

De um modo geral, a poupança de tempo é a vantagem mais óbvia da IA. Só os agentes de preparação de contas permitem-nos executar o mesmo processo em cerca de três vezes mais contas com o número de colaboradores existente. Não contratámos mais pessoas; devolvemos à nossa equipa as horas que tinha perdido, e essas horas são agora passadas à frente dos clientes em vez de serem gastas em folhas de cálculo.

Outro benefício discreto é a disciplina. Agora desqualificamos mais cedo. Dizemos mais rapidamente que não aos negócios errados, o que parece negativo, mas é uma das evoluções mais saudáveis para o nosso pipeline.

Não vou indicar uma percentagem clara da taxa de vitória porque não acho que o número fosse ainda honesto. O que posso dizer é que vemos um aumento mensurável da conversão nos negócios que escolhemos tentar conquistar, e a previsão tem menos surpresas. Parte disso deve-se ao facto de perseguirmos negócios melhores. Outra parte deve-se à IA apontar onde a previsão é frágil e as provas não sustentam verdadeiramente a avaliação. Uma surpresa que se consegue ver a chegar com três semanas de antecedência não é realmente uma surpresa. Mais do que qualquer métrica individual, foi isso que mudou a forma como gerimos o trimestre.

Porque é que os resultados da IA devem ser tratados como um rascunho

No início, confiámos demasiado nos resultados. A pesquisa parecia limpa, bem escrita, confiante e formatada como o relatório de um bom analista. Em alguns casos, estava errada de formas críticas.

Um mapa de conta identificou o decisor errado. Outro baseava-se num sinal com meses de desatualização. Um deles quase chegou a uma conversa real com um cliente antes de um membro da equipa o detetar. Isso assustou-nos mais do que qualquer número falhado, porque estar confiante e errado é o modo de falha mais dispendioso que existe.

Também surgiu fricção interna. As minhas pessoas são séniores. A última coisa que um bom vendedor quer é uma máquina a entregar-lhe uma pontuação e a insinuar que conhece a conta melhor do que ele.

Deixámos de tratar os resultados da IA como verdade e começámos a tratá-los como um rascunho. Agora, o sistema assinala quando não tem a certeza e devolve a decisão a um humano em vez de adivinhar. Assim que a equipa percebeu que a IA estava ali para fazer o trabalho pesado e proteger o seu discernimento, não para o substituir, a resistência diminuiu rapidamente. Começaram a confiar nela porque conquistou essa confiança e admitiu quando não sabia.

Três áreas em que a IA falha nos fluxos de trabalho de receita

A maior falha da IA foi provavelmente a prospeção. Esperávamos que a IA criasse pipeline por nós, enviando mensagens personalizadas em escala para centenas de contas, de uma forma que parecesse individualizada. Não funcionou.

Em negócios empresariais complexos e de valor significativo, mais mensagens não geram mais pipeline. Os compradores a quem vendo reconhecem imediatamente a prospeção feita por IA e eliminam-na com a mesma rapidez. Por isso, não aumentámos as respostas; nivelámo-las. A IA é excelente a preparar um humano para uma conversa, mas falha ao tentar substituir a própria conversa.

A previsão foi outro erro, e isso surpreendeu-me ainda mais. A proposta afirmava que a IA iria prever as receitas melhor do que uma pessoa sénior a analisar os mesmos negócios. Não se revelou verdade. O que realmente influencia os números das empresas é informação que não se encontra nos dados. Um patrocinador sai. Um orçamento é congelado duas semanas antes do fecho. Uma mudança política discreta dentro do cliente deixa subitamente o nosso principal aliado sem proteção. O modelo não consegue ver nada disso. Identifica genuinamente bem a fragilidade, dizendo-me quais os negócios que parecem frágeis, mas não consegue prever o trimestre. Nesse aspeto, o discernimento dos profissionais séniores continua a prevalecer.

E o último erro foi comprimir o ciclo de vendas. Teve um impacto quase nulo. Um ciclo empresarial decorre ao ritmo do cliente, não do nosso: aprovisionamento, departamento jurídico, comissão, calendário orçamental. Podemos tornar o lado do vendedor muito mais rápido — e foi isso que fizemos —, mas não podemos acelerar o lado do comprador, que determina o calendário.

Porque é que os líderes de receita devem prestar atenção ao lado humano da adoção da IA

André Partilha

>A adoção imposta é uma sabotagem silenciosa com melhores maneiras.

Errei redondamente quanto ao lado humano. Tratei-o como o lançamento de uma ferramenta, em vez de uma mudança de comportamento. Criei algo, entreguei-o já terminado e esperei que a adoção se seguisse.

Encontrei resistência. As pessoas utilizavam-no apenas porque lhes diziam para o fazer. Outras ignoravam-no discretamente. A adoção imposta é uma sabotagem silenciosa com melhores maneiras.

Se pudesse fazer tudo de novo, envolveria a equipa na conceção conjunta desde o primeiro dia, em vez de lhe apresentar uma resposta já terminada.

Isso ter-me-ia poupado meses a procurar a ferramenta perfeita, enquanto o verdadeiro problema estava em critérios não escritos e numa equipa que não tinha aderido. Teria começado mais pequeno, com um fluxo de trabalho e a equipa reunida, e teria definido primeiro os critérios. Isso ter-me-ia poupado um arranque falhado dispendioso e a confiança que tive de reconstruir depois.

Quatro conselhos para líderes de receita

Eis os meus conselhos:

1. Comece por uma pergunta, não por uma ferramenta. Pergunte a si próprio qual é o recurso mais escasso da sua equipa. Para quase todas as pessoas que gerem uma venda complexa, é o discernimento e a atenção, não a atividade. As suas melhores pessoas têm um número limitado de horas em que conseguem pensar claramente sobre um negócio, e é isso que lhe falta. Por isso, oriente a IA para proteger esse recurso.
2. Seja honesto consigo próprio quanto às métricas de vaidade. Mais e-mails, mais contactos, mais conteúdos, mais atividade no sistema. Numa venda complexa, isso é sobretudo ruído disfarçado de progresso. A IA é muito boa a fabricar atividade que parece trabalho e não produz nada. Se a sua única prova de que a IA está a ajudar é a sua equipa estar mais ocupada, comprou a coisa errada.
3. Exija que os seus sistemas de IA sejam capazes de dizer «não sei» e de encaminhar a questão para uma pessoa. Trate todos os resultados como um rascunho a verificar, nunca como uma verdade.
4. Comece por pouco e avalie a IA com honestidade. Não subcontrate a disciplina das suas receitas a um modelo e lhe chame transformação. A vantagem neste ciclo não caberá a quem adotar mais IA. Caberá a quem mantiver o discernimento humano concentrado no lugar certo e se recusar a deixar a ferramenta decidir aquilo que só uma pessoa deve decidir.

Acompanhe o trabalho

Pode acompanhar o trabalho de André Magrini no LinkedIn ou visitar o seu site pessoal.

Haverá mais entrevistas com especialistas no The CRO Club!