Responsável pela Receita de uma Startup Explica Como Equipas Pequenas e Engenhosas Podem Criar uma Grande Alavancagem com IA

Waleed Shaarani é responsável pela receita e pelo GTM numa startup chamada Spiky.ai. É especializado no espaço B2B SaaS em fase seed, o que o obriga a ser engenhoso, focado e rápido — é por isso que a IA tem sido tão transformadora para ele.

Sentámo-nos com Waleed para saber como as equipas de receita com poucos recursos podem criar vantagem com a IA. Eis o que nos disse.

As startups em fase seed precisam de IA para ter sucesso na receita

A minha jornada tem tido menos que ver com liderar grandes equipas empresariais e mais com estar no terreno em empresas em fase inicial, resolver problemas em tempo real, desempenhar várias funções e fazer tudo o que for necessário para criar dinamismo.

Trabalhei em estreita colaboração com fundadores, ajudei a definir a estratégia de entrada no mercado desde a base e operei em ambientes sem grandes equipas, planos de ação perfeitos ou margem para nos escondermos atrás de processos. O meu foco é ser engenhoso, avançar rapidamente e transformar a ambiguidade em execução.

Atualmente, lidero a área de receita numa startup B2B de IA em fase seed, com um modelo SaaS baseado em subscrição. A equipa é reduzida, com uma ou duas pessoas na equipa de receita, por isso tenho uma participação muito prática em toda a estratégia de GTM, prospeção ativa, geração de pipeline, execução de vendas e feedback dos clientes. O nosso movimento de GTM é próximo dos fundadores e iterativo, centrado em conquistar os primeiros clientes, aprender rapidamente e criar tração repetível nos mercados voltados para o cliente e para as equipas de receita.

Na fase seed, grande parte do sucesso da receita depende do instinto dos fundadores, de conversas dispersas, do acompanhamento manual e do conhecimento informal. Por isso, fiquei muito interessado em perceber como a IA pode ajudar as startups a captar esses sinais mais cedo, sistematizar aquilo que os melhores profissionais fazem e dar vantagem às equipas pequenas sem uma grande organização.

Para mim, a IA na área da receita não substitui pessoas nem acrescenta complexidade. Ajuda equipas pequenas e engenhosas a superar as expectativas. Permite às startups avançar mais depressa, aprender mais depressa e criar sistemas melhores mais cedo do que conseguiriam de outra forma. Gosto de utilizar a IA para ajudar empresas em fase seed a criar estrutura a partir do caos, transformar conhecimento em ação e aumentar a receita sem perder velocidade.

Como a IA aumenta o foco e a velocidade nos fluxos de trabalho de receita

Para mim, a IA cria foco, velocidade e vantagem.

Os agentes que criei ajudaram-nos a aperfeiçoar a seleção do mercado-alvo, identificar mais cedo as contas com maior intenção de compra e fazer com que uma função de receita muito reduzida operasse com maior precisão. Isto significou menos esforço desperdiçado em contas com baixa adequação, uma execução mais rápida da prospeção e do acompanhamento e uma melhor visibilidade sobre onde observávamos sinais de compra. Também melhorou a rapidez com que podíamos testar mensagens, aperfeiçoar as premissas do ICP e transferir recursos para segmentos que demonstravam uma intenção mais forte.

O resultado quantitativo mais claro foi a eficiência. A IA reduziu em mais de 50% o tempo dedicado à pesquisa, à priorização de contas e à preparação do GTM, dando-nos muito mais capacidade de venda sem aumentar o número de colaboradores. Isto conduziu a um foco melhor na prospeção, a uma maior qualidade das reuniões e a menos esforço desperdiçado em todo o funil.

Em alguns casos, o impacto foi mais visível a nível operacional do que propriamente nos resultados globais. Tarefas que anteriormente exigiam horas de pesquisa manual podiam ser realizadas muito mais rapidamente, criando mais espaço para vender e tomar decisões. Também tornou o fluxo de trabalho menos reativo. Em vez de perseguirmos tudo, podíamos ser mais criteriosos sobre onde investir o nosso tempo.

Numa startup, este tipo de vantagem é importante porque ajuda a crescer de forma mais inteligente antes de alcançar escala.

Como a IA pode aperfeiçoar a geração de pipeline

Eis um exemplo de um fluxo de trabalho. Utilizei a IA para aperfeiçoar a forma como gerávamos pipeline, identificando quais os visitantes do site e as contas que demonstravam intenção de compra. Antes, trabalhávamos com premissas mais abrangentes sobre o ICP, pesquisa manual e dados de intenção limitados. Isto significava que passávamos tempo em contas que pareciam adequadas no papel, mas que não estavam necessariamente no mercado.

Alterámos este processo utilizando a IA para identificar visitantes únicos, analisar o comportamento de interação e classificar as contas de acordo com a probabilidade de compra. Isto permitiu-nos concentrar mais a atenção nos segmentos do mercado-alvo e nas empresas que demonstravam uma intenção real.

O resultado foi uma melhoria da priorização, da relevância e da eficiência de conversão. Passámos menos tempo a adivinhar e mais tempo a agir com base em sinais, tornando o nosso movimento de GTM mais preciso e focado.

E a grande mudança foi passar de “quem parece adequado no papel” para “em quem vale mais a pena agir neste momento”. É para aí que mais CROs precisam de avançar.

Porque pode a IA ser desastrosa para empresas em fase inicial

A desvantagem é que a IA só é tão boa quanto os seus dados de entrada, a sua lógica e as suas salvaguardas. Já vi casos em que deu um peso excessivo a sinais ruidosos, apresentou falsos positivos ou demonstrou um nível de confiança que os dados subjacentes não justificavam. Num ambiente em fase inicial, isto pode ser perigoso porque o conjunto de dados é mais pequeno, o mercado ainda está a evoluir e é fácil convencermo-nos de que um padrão é mais forte do que realmente é. Assim, um dos resultados negativos é o desperdício de esforço quando a IA nos direciona para contas ou sinais que parecem promissores, mas que não têm uma convicção real.

Também vi que a IA nos pode tentar a automatizar demasiado, demasiado cedo. Se não tivermos cuidado, podemos acabar com mais atividade, mas não necessariamente com melhor discernimento.

Ainda estamos muito longe de automatizar totalmente as decisões estratégicas relacionadas com as receitas. A IA pode ajudar na investigação, identificar sinais e acelerar a execução, mas ainda não tem sido consistentemente fiável na previsão, na estratégia de negócios ou na previsão confiante das oportunidades que serão fechadas. Permite-nos avançar 90% do caminho; é necessário que uma pessoa preencha os outros 10%. Especialmente em contextos numa fase inicial, normalmente falta à IA um volume suficiente de dados históricos fiáveis para tomar essas decisões ao nível esperado.

Assim, a IA é um multiplicador de capacidade para a investigação, a priorização e a execução. Mas não substitui o instinto de quem está no terreno nem a proximidade com o cliente. A estratégia, o discernimento e a tomada de decisões orientada pelas relações têm de continuar a ser humanos. Continuo a tomar as decisões finais sobre o foco de mercado, as mensagens, a priorização, os preços e a condução dos negócios.

Como ajustar quando a IA fica aquém nas mensagens

Eis um exemplo de uma situação em que a IA ficou aquém das minhas expectativas.

Utilizámos a IA para gerar e aperfeiçoar mais rapidamente o texto das comunicações de prospeção, mas grande parte do resultado era demasiado genérico ou demasiado polido, não conseguindo criar empatia com os compradores. Soava bem, mas nem sempre refletia as nuances reais do mercado ou aquilo a que os compradores responderiam.

Para resolver isso, deixei de tratar as mensagens geradas pela IA como o resultado final e passei a utilizá-las mais como uma primeira versão. O posicionamento final, o tom e a assertividade continuaram a ser definidos por pessoas. A IA acelerou o processo, mas o discernimento continuou a ter de vir de alguém próximo do cliente.

Porque é crucial medir o impacto da IA nas receitas

Nem todas as implementações de IA são realmente úteis. Meço o impacto da IA da mesma forma que mediria qualquer investimento em GTM. Cada fluxo de trabalho de IA que implemento tem de fazer uma das seguintes coisas:

• Aumentar a produção
• Melhorar a qualidade das decisões
• Reduzir o tempo até obter resultados ao nível das receitas

Se não melhorar uma destas três áreas, provavelmente está apenas a acrescentar ruído.

De um modo geral, avalio se a IA nos ajuda a criar mais oportunidades no pipeline, a dar prioridade a melhores oportunidades e a tornar a equipa mais eficiente. Uma vez que utilizo intensivamente a IA na investigação e através de agentes de GTM, acompanho métricas como o tempo poupado na investigação de contas, a velocidade de criação de listas, o tempo até ao primeiro contacto e o grau de segmentação das nossas comunicações de prospeção. Se a IA estiver a funcionar, a equipa deverá passar menos tempo a recolher informação e mais tempo a agir sobre as oportunidades certas.

Também acompanho métricas de receitas centradas na qualidade, e não apenas na atividade. Estas incluem as taxas de conversão de conta-alvo para reunião, de reunião para oportunidade e de oportunidade para negócio fechado, as taxas de resposta às comunicações de prospeção baseadas em IA e o pipeline proveniente de contas com maior intenção de compra. Se a IA nos ajudar a identificar contas mais adequadas ou a melhorar as mensagens, espero que isso se reflita em conversas de maior qualidade e em taxas de conversão subsequentes mais fortes.

Em termos operacionais, avalio a precisão e a utilidade. Por exemplo: o agente identificou as contas certas, apresentou contexto relevante ou ajudou-nos a concentrar-nos no segmento de mercado adequado? Se os resultados forem rápidos, mas não forem úteis, não está a ajudar. Por isso, parte da avaliação continua a ser qualitativa: os conhecimentos obtidos são suficientemente precisos para merecer confiança e alteram de forma significativa a maneira como trabalhamos?

Porque é que a IA não é estratégia

A IA não é estratégia; é uma alavanca.

Todos os CRO devem compreender isto antes de começar, porque, se o seu ICP, as suas mensagens, o seu processo comercial e o seu processo principal forem fracos, a IA não os vai corrigir. Apenas o ajudará a fazer as coisas erradas mais depressa.

As empresas que tiram mais partido da IA utilizam-na para aperfeiçoar o discernimento, acelerar a aprendizagem e eliminar trabalho manual — não para substituir o pensamento. Se tratar a IA como um multiplicador de capacidade, em vez de uma solução mágica, irá implementá-la de forma muito mais eficaz.

O que deve saber antes de lançar a IA nas equipas de receitas

É importante ter dados de entrada limpos e limites de utilização claros. Já abordei este tema, mas vale a pena repeti-lo, porque gostaria de o ter percebido mais cedo.

No início, é fácil ficar entusiasmado com aquilo que a IA consegue produzir, mas, se os dados forem confusos, o pedido for vago ou o fluxo de trabalho não estiver bem definido, o resultado parece melhor do que realmente é. Isto pode criar uma falsa confiança e levar a esforços desperdiçados.

Se soubesse isto mais cedo, teria passado menos tempo a perseguir resultados vistosos e mais tempo a definir, desde o primeiro dia, o caso de utilização exato, a métrica de sucesso e a camada de revisão humana. Isso teria ajudado a evitar ruído, falsos positivos e muito trabalho repetido.

Aprendi com o meu erro e tornei-me muito mais disciplinado relativamente ao âmbito, aos dados de entrada e à revisão.

Primeiro, limitei cada iniciativa de IA a uma tarefa específica, em vez de lhe pedir que fizesse demasiado de uma só vez. Depois, uniformizei os dados de entrada — campos de dados consistentes, instruções mais claras, definições mais rigorosas do que seria considerado “bom” e uma menor dependência de informações desorganizadas ou incompletas. Também adicionei salvaguardas explícitas que definiam onde a IA podia dar apoio e onde uma pessoa tinha de tomar a decisão final.

Além disso, criei um ciclo de revisão. Testei os resultados com base em resultados do mundo real, identifiquei os casos em que a IA criava ruído ou uma falsa sensação de confiança e, a partir daí, aperfeiçoei o processo. A maior mudança foi passar a encarar a IA menos como magia e mais como um sistema operativo que precisa de estrutura, garantia de qualidade e restrições para ser útil.

Porque Devem os CROs Adotar a IA Como uma Mudança Operacional

De um modo geral, este é o meu conselho.

Não encarem a IA como a implementação de uma ferramenta. Encarem-na como uma mudança operacional.

Comecem por um problema claro de receita em que a velocidade, o processamento de sinais ou a carga de trabalho manual estejam a limitar a equipa. Utilizem primeiro a IA para criar uma vantagem nesse contexto. Mantenham o âmbito restrito, meçam o impacto e desenvolvam a partir de fluxos de trabalho reais, em vez de se deixarem levar pelo entusiasmo.

Mais importante ainda, não deleguem o discernimento. Os melhores CROs utilizarão a IA para avançar mais rapidamente, ver com maior clareza e tomar melhores decisões — não para substituir o contexto humano que continua a impulsionar uma excelente liderança de GTM.

Acompanhe

Pode acompanhar a jornada de Waleed Shaarani no LinkedIn, enquanto continua a liderar organizações de receita no ecossistema de startups.

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