O diretor de receitas de tecnologia afirma que a IA torna as previsões mais sólidas — e torna mais difícil evitar a responsabilização do diretor de receitas

George Storm trabalha em vendas há 23 anos. Atualmente, é CRO da plataforma B2B de ABM chamada N.Rich, onde lidera as áreas de vendas, marketing, sucesso do cliente, parceiros e suporte ao produto.

Sentámo-nos com George para saber como reconstruiu a previsão e os relatórios com IA. Foi isto que nos contou.

Assumir todo o funil

Sou George Storm, CRO da N.Rich, uma plataforma B2B de ABM. Estamos a fazer a transição de uma empresa de ABM com um único produto para uma abordagem de plataforma, que comercializamos como Composable GTM. O nosso modelo de receitas atual é uma subscrição anual de SaaS com serviços associados. Estamos a introduzir uma abordagem modular, subscrições por módulo e preços baseados em resultados à medida que lançamos o GTM OS.

Supervisiono toda a área de receitas, de ponta a ponta: vendas, marketing, sucesso do cliente, parceiros e suporte ao produto. Sou responsável pela criação da procura até à retenção líquida de receitas — todo o funil, não apenas uma parte. A nossa estrutura de GTM inclui uma equipa de vendas enxuta, com foco na região EMEA; uma organização de marketing que gera procura e desenvolve ABM; uma organização de CS responsável pelas renovações e expansão; e uma abordagem paralela com parceiros.

Servimos principalmente empresas B2B europeias de média dimensão e grandes empresas: mais concretamente, líderes de receitas e de marketing que implementam estratégias de entrada no mercado baseadas em contas.

Como a IA transformou a precisão da previsão de receitas

Trabalho em vendas há 23 anos, e a última fase tem sido mais difícil do que as duas primeiras décadas juntas.

Não cheguei à IA por curiosidade. Cheguei através de um erro de previsão. Estava a fazer previsões como qualquer CRO — com base na conversão histórica — e o modelo continuava a dizer-me aquilo que eu queria ouvir, até ao trimestre em que deixou de o fazer. O mecanismo de autoengano era o próprio modelo. E fui eu que o criei.

Por isso, reconstruí a forma como fazemos previsões, de ponta a ponta. Afastámo-nos de um modelo de estimativa pontual baseado na conversão histórica. Tinha uma camada de Monte Carlo que lhe dava uma aparência de rigor. Não tinha. Uma estimativa pontual continua a ser uma estimativa pontual, mesmo quando se faz a média de três.

Passámos para um modelo probabilístico de quatro entradas, condicionado pelo regime. Taxa de sucesso, captação, NRR e duração do ciclo, cada uma calibrada com base em referências externas do WEF, FMI e McKinsey. A IA executa continuamente a distribuição, em vez de eu reconstruir uma folha de cálculo uma vez por trimestre. Para isso, utilizamos o Claude para sinais macroeconómicos, além do Fathom, do Hubspot e da nossa própria plataforma.

Consciente do regime. Probabilístico. Contínuo. Foi esta reconstrução que me levou verdadeiramente à IA, não como uma camada de produtividade acrescentada à função, mas como aquilo que permite a uma só pessoa executar os cálculos, interpretar o mercado e agir na mesma semana. É esse o trabalho agora.

Graças a esta mudança, a previsão tornou-se uma leitura, não um relatório. Expôs a lacuna abaixo do compromisso antes de o trimestre mudar, e não depois. O conselho deixou de ser surpreendido. E esse é o objetivo.

Porque é que a IA analisa, mas o responsável tem de agir

Quanto ao que deve ser tratado pela IA e ao que deve ser tratado pelas pessoas, a IA fornece a análise:

• Distribuição da previsão por regime
• Priorização do pipeline
• Avaliação da saúde das contas
• Sinalização do risco de cancelamento
• Análise semanal transversal às equipas de Vendas, Marketing, CS e Parceiros

A IA é agora responsável por tudo isso porque envolve o reconhecimento de padrões através de mais sinais do que uma pessoa consegue manter na cabeça.

As atividades explicitamente humanas envolvem a resposta:

• A decisão sobre um negócio específico
• O preço de uma conta estratégica
• Quem ocupa cada posição
• A narrativa para o conselho.

A razão é simples. A IA amplia aquilo que consigo ver, mas não podemos delegar a responsabilidade a um modelo. Influência como entrada do modelo, não como responsável pela decisão. O modelo analisa. O responsável age.

Como a IA melhora os fluxos de trabalho, mas cria riscos de excesso de confiança

Eis os bons resultados:

• O relatório semanal do CRO, que costumava consumir a maior parte de um dia, é agora compilado sozinho, e eu passo o tempo a decidir em vez de recolher dados.
• A avaliação de saúde identifica as contas em risco um a dois trimestres antes de a métrica desfasada se alterar.
• A previsão mantém-se sólida na sala de reuniões, que é o único teste de exactidão que importa.

Mas nem tudo são coisas boas. Os primeiros modelos tinham excesso de confiança. Um deles devolveu uma probabilidade de 97% e era estruturalmente demasiado optimista, porque tinha introduzido pressupostos limpos em dados de entrada imperfeitos.

A calibração adversarial acabou por ser o trabalho, não uma etapa do mesmo — testar adversarialmente o meu próprio modelo com uma instrução de analista sénior cuja única função é eliminar o optimismo. Poderia ter poupado um trimestre se tivesse aprendido isso mais cedo.

A IA não me poupou esse trabalho. Transferiu-o.

Um fluxo de trabalho de relatórios do mundo real

Reflexões de George

A previsão é a leitura. O plano é a resposta. O ciclo é o sistema operativo.

Vamos percorrer o fluxo de trabalho da leitura semanal.

À segunda-feira, a IA recolhe dados do HubSpot para o pipeline e as renovações, do Amplitude para a utilização do produto, do Pylon para o suporte, do Fathom para o sentimento nas chamadas e do Slack para os sinais dos clientes e internos. Cria uma camada de dados governada. Avalia a saúde das contas, assinala as contas em risco, envia alertas do Slack directamente para os responsáveis e actualiza a distribuição da previsão condicionada pelo regime.

Depois, leio-a, decido a resposta e fechamos o ciclo até sexta-feira. Acompanhar, ler, agir — num ciclo de uma semana, com um responsável que deliberadamente não é o gestor. O sistema trata da recolha e da avaliação. A função trata da decisão.

A previsão alimenta o ciclo. O ciclo recalibra para onde vão o capital e o esforço. E toda a organização lê e responde num ciclo semanal, em vez de num ciclo de noventa dias. A previsão é a leitura. O plano é a resposta. O ciclo é o sistema operativo.

Como a IA torna mais difícil liderar as receitas

A IA não gerou nova procura. Comprime e acelera o pipeline existente, mas não cria intenção num comprador que não está no mercado. Quem vende a IA como um milagre no topo do funil está a vender-lhe a coisa errada.

Também não substituiu o discernimento nas negociações empresariais em fase avançada, nem resolveu os dados imperfeitos. Os dados imperfeitos não melhoram com a IA. Tornam-se mais audíveis.

A IA também tornou a minha vida mais difícil através da compressão de funções do lado do comprador. À medida que as empresas consolidam três empregos numa só função, o promotor que nos comprou no ano passado pode ter mudado de função, perdido a responsabilidade ou saído da organização. A IA criou essa dinâmica. Não a resolve por mim.

Onde os CROs devem começar — e o que devem evitar

Eis o meu conselho: não acrescente a IA à função como ferramenta de produtividade. Redesenhe a função à sua volta.

Comece pela sua previsão, porque é aí que o conselho de administração o avalia, e a fasquia mudou em 2026. Já não é despedido por falhar o número. É despedido pela surpresa. Um modelo que não consegue prever que vai falhar é o risco, não a falha.

E participe pessoalmente nos cálculos. Os CROs que entregarem isto a uma ferramenta e desviarem o olhar obterão a resposta que a ferramenta foi concebida para lhes dar. Certifique-se de que a configura para lhe dizer quando está errado.

Acompanhe

Pode acompanhar o trabalho de George Storm no LinkedIn e em georgestorm.io.

Seguem-se mais entrevistas com especialistas no Clube CRO!