Vice-presidente de Vendas partilha como as equipas de receita podem juntar-se aos 6% que implementaram a IA com sucesso

Byron Munson é o Vice-Presidente de Vendas para a JAPAC na Supermetrics.

Sentámo-nos com Byron para perceber por que razão apenas 6% das equipas implementaram a IA com sucesso — e como ele está a fazê-lo acontecer na sua equipa. Eis o que nos contou.

Construir motores comerciais de raiz

Sou Byron Munson, Vice-Presidente de Vendas para a JAPAC na Supermetrics, uma empresa global de MarTech em fase de crescimento. A nossa base de clientes vai desde pequenas e médias empresas até às maiores marcas empresariais. A nossa estrutura GTM centra-se num modelo simplificado de Gestor de Contas Estratégicas e Executivo de Contas Comerciais, bem como numa organização de parceiros.

Ao longo de mais de vinte anos, trabalhei na APAC e na EMEA, construindo motores comerciais de raiz até à escala regional. Comecei na publicidade na DDB e na McCann, em Sydney, passei depois para a tecnologia publicitária na Adconion London e na Videology SEA e, mais tarde, para a MarTech na Datorama. Ajudei a gerir a APAC para a Datorama e concretizei a aquisição pela Salesforce na região.

Passar por uma aquisição a partir do interior, já por duas vezes, ensinou-me muito do que não teria aprendido num plano estratégico: o que sobrevive numa organização maior, o que é reconstruído e o que desaparece silenciosamente.

Também fundei a minha própria empresa, uma startup de tecnologia climática chamada Climagap, que me proporcionou uma boa dose de humildade no que diz respeito à criação de ideias, à obtenção de financiamento e ao lançamento de uma ideia no mercado de raiz. Em última análise, a empresa não cresceu por várias razões, pelo que decidi encerrar as operações.

Na Supermetrics, lidero uma equipa regional de cerca de 20 colaboradores multifuncionais. Construímos a JAPAC desde a ausência de uma presença dedicada no mercado até uma operação regional significativa. Isto inclui um ecossistema de parcerias que proporciona acesso a fortes operadores de implementação e tecnologia nos mercados locais, o que é essencial para um crescimento sustentável e para o sucesso a longo prazo dos nossos clientes.

Uma organização de receitas afetada pela IA em duas frentes

Mais recentemente, isto estendeu-se à IA em duas frentes. Internamente, criámos a nossa própria infraestrutura de receitas orientada por IA — abrangendo a saúde do pipeline, o risco dos clientes e o acompanhamento de negócios — baseada nos nossos próprios dados. Isto ensinou-me em primeira mão que a adoção da IA é sobretudo um problema de confiança e gestão da mudança, e não de tecnologia.

E, externamente, assisti à mesma mudança junto dos nossos clientes: marcas e agências afogadas num excesso de dados. O verdadeiro desbloqueio não tem sido obter mais dados; tem sido ajudá-los a decidir mais rapidamente.

As nossas parcerias com LLM, incluindo o nosso papel mais recente como parceiro de lançamento do Google Gemini Enterprise na região, estão precisamente nessa interseção — colocando inteligência de marketing baseada em IA diretamente nas mãos dos profissionais de marketing. Sinceramente, aprendi que não se trata da tecnologia; as pessoas só agem com base em informações em que confiam, quer seja um representante a confiar numa sugestão de acompanhamento, quer seja um cliente a confiar suficientemente numa recomendação para alterar os seus planos de investimento em marketing.

Onde a IA se destaca e onde termina a sua utilidade

A IA capacita as decisões ao fornecer informações. A propensão para fazer um upgrade é o caso mais evidente; num modelo de autosserviço, os sinais de utilização, faturação e envolvimento podem estar em sistemas desligados, sem uma ligação natural entre si. A IA reúne estas fontes de dados, revelando um sinal claro de quem está preparado para expandir.

Mas a IA nunca é o único fator determinante. Aquilo que continua a ser inteiramente humano inclui a definição de preços, a negociação e tudo o que assenta na confiança e na interação interpessoal. A IA pode dizer-me que uma conta está preparada. Não pode ter a conversa.

E vale a pena salientar que nem todas as apostas na IA se convertem em receitas tão rapidamente quanto o entusiasmo em torno da IA sugere. Algumas consomem uma capacidade significativa antes de produzirem resultados relevantes.

É por isso que o risco que acompanho com mais atenção é o excesso de confiança. Os resultados da IA podem parecer polidos e definitivos, mesmo quando se baseiam em dados insuficientes. Encaro-os como o primeiro rascunho de um analista júnior: úteis, mas não ajo com base neles sem os verificar.

Dois pontos em que a IA falha nas organizações de receitas

Estou a identificar duas falhas perigosas no que diz respeito à IA nas receitas.

A mais evidente é a personalização de contactos de prospeção gerada por IA. É eficiente em todas as métricas de atividade, mas não aumentou a taxa de sucesso, porque os compradores identificam imediatamente a personalização artificial.

Eis uma mais subtil: permitir que um modelo avalie automaticamente o risco de um negócio. Acertava com frequência suficiente para merecer confiança, mas falhava precisamente onde era importante — nas relações que começavam a arrefecer, algo que nunca aparece nos dados estruturados.

Em ambos os casos, é necessária uma pessoa no processo.

Como a utilização da IA na gestão do desempenho e na estratégia de mercado melhora as decisões

Fiz recentemente duas grandes alterações:

1. Gestão do desempenho: Passámos a identificar os riscos individuais e das equipas antes de se transformarem num desafio de desempenho, e não depois. Resolução proativa em vez de uma abordagem pós-morte. Fazemo-lo reunindo transcrições de chamadas, histórico do funil, notas do CRM, receitas por linha de produto e feedback dos clientes — e a IA identifica os comportamentos subjacentes.
2. Estratégia de mercado: A análise de 4 anos de dados operacionais em toda a região revelou uma tendência especificamente na Tailândia, o que nos levou a expandir através de uma estratégia baseada em parceiros. Desenvolvemos uma sólida rede de parceiros de soluções no mercado, em vez de estabelecermos diretamente uma presença no terreno.

Conseguimos isto ligando todos os nossos dados internos e plataformas de terceiros ao nosso ambiente Claude. Em última análise, isto proporciona a base para tomar decisões repetíveis e com impacto comercial em grande escala. Não se trata de uma análise aprofundada pontual, mas de uma abordagem consistente e de longo prazo.

Byron partilha

Desenvolvemos uma sólida rede de parceiros de soluções no mercado, em vez de estabelecermos diretamente uma presença no terreno.

Como a colaboração centrada no cliente se torna possível com a IA

As equipas de vendas e de Sucesso do Cliente sempre funcionaram lado a lado: o mesmo cliente, duas funções, dois sistemas de registo, duas versões da verdade. Isso não é uma parceria. É uma atuação em paralelo.

O setor acompanhou essa análise. Os líderes de receitas mais sérios concordam agora com «Um número, um movimento, uma única fonte de verdade». O GTM como um sistema interligado, e não como uma sucessão de passagens de testemunho.

Essa ideia já não é controversa. Mas a maioria fica-se pela estrutura: quotas partilhadas, painéis unificados, consolidação do CRM. Isso é canalização. Não responde à pergunta: «Como podem duas funções, que trabalham em dois sistemas diferentes, descrever o mesmo cliente exatamente da mesma forma?»

Eis o mecanismo: quando a linguagem de todos os pontos de contacto com o cliente (vendas, integração e renovação) está num LLM orientado para os seus dados, deixa de existir uma versão do cliente nas vendas e outra na equipa de Sucesso do Cliente.

É assim que a colaboração e a transparência se manifestam na prática. Não como um valor apresentado num diapositivo, mas como a estrutura que impede as equipas de perderem de vista o cliente. E é isto que parece a colaboração centrada no cliente.

Como adotar a IA com sucesso nas organizações de receitas

89% das equipas sentem pressão para adotar a IA. Apenas 6% a implementaram efetivamente. Essa diferença é a oportunidade (Supermetrics, Relatório de dados de marketing 2026).

Eis como colmatar essa diferença:

1. Audite as suas lacunas e necessidades. Estabeleça os seus objetivos e associe os testes A/B para revelar a verdadeira direção a longo prazo. Depois, mapeie os seus dados. Se não os ligar, o LLM não terá contexto. A maioria das "iniciativas de IA" que ficam paradas tem origem em problemas de higiene dos dados. Se não confiar nos dados de entrada, não pode confiar nos resultados.
2. Não implemente a IA em toda a organização logo no primeiro dia. Encontre a única tarefa da sua equipa que mais tempo e esforço consome: resumos de negócios, preparação das QBR, higiene do pipeline. Reconstrua esse fluxo de trabalho com todo o seu contexto. Comprove os ganhos de eficiência antes de expandir.
3. Registe as regras por escrito. Os seus representantes usam critérios não documentados — como é um negócio saudável, o que significa "parado" no nono mês e como distinguem renovações de vendas adicionais. Se não o registar por escrito, o seu LLM não poderá utilizá-lo e os novos colaboradores também não.
4. Meça a adoção pelas decisões alteradas, não pelo número de licenças ativadas. As contagens de licenças e as estatísticas de início de sessão não lhe dizem nada. Acompanhe se os insights identificados pela IA alteram as previsões, as estratégias dos negócios ou as conversas de acompanhamento. Esse é o único sinal que distingue uma implementação real daqueles que nunca ultrapassam uma fase-piloto.

Byron partilha

Eis como colmatar essa lacuna: audite as suas lacunas e necessidades. Não implemente a IA em toda a organização logo no primeiro dia. Registe as regras por escrito. Meça a adoção pelas decisões alteradas, não pelo número de licenças ativadas.

Porque é que os LLM têm de ter uma integração semelhante à de novos colaboradores

E mais uma coisa: faça a integração do seu LLM como faria com um novo colaborador. Se ignorar esta integração, terá confiança sem competência.

Um novo colaborador não recebe acesso ao CRM ou ao seu manual de procedimentos sem conhecer as funções e responsabilidades e compreender o que significa fazer um bom trabalho. Um LLM precisa dos mesmos quatro elementos essenciais antes de lidar com dados reais:

• Os seus objetivos: O que significa "saudável" para este pipeline, neste trimestre e nesta região
• As suas definições: O que significa "em risco" e como é um pipeline saudável
• Os seus limites de segurança: O que nunca deve decidir sozinho — por exemplo, reclassificar a fase de um negócio ou indicar um motivo de cancelamento sem a intervenção de uma pessoa.
• O seu histórico: O contexto que altera o significado de um número — por exemplo, "a cobertura do pipeline é baixa" tem um significado muito diferente quando se sabe que acabámos de antecipar uma grande renovação num trimestre.

Ignore essa integração e o modelo não falhará silenciosamente — falhará de forma convincente.

Acompanhe

Pode acompanhar o trabalho de Byron Munson no LinkedIn.

Haverá mais entrevistas com especialistas no The CRO Club!