Você é o(a) Head de Engenharia de GTM (Go-to-Market) na Clay, uma plataforma de entrada no mercado nativa de IA, o que significa que você trabalha em estreita colaboração com as equipes de vendas, ajudando-as a transformar IA em fluxos de trabalho de entrada no mercado replicáveis. O que você tem observado de diferente nas empresas líderes à medida que a IA se torna parte integrante de suas estratégias de entrada no mercado? Quais são as principais mudanças em seu crescimento quando a IA está verdadeiramente integrada?
A maior diferença é que a IA aumentou drasticamente a velocidade com que as equipes de lançamento de produtos conseguem entregar resultados. A analogia mais próxima é o que aconteceu na engenharia. Assim como a IA permite que as equipes de engenharia escrevam mais código e lancem software mais rapidamente, ela está fazendo algo semelhante para as equipes de vendas na forma de estratégias. As equipes podem lançar novas campanhas mais rapidamente, testar novas mensagens mais rapidamente, enriquecer seus dados mais rapidamente e criar automações que melhoram a produtividade de vendas sem o mesmo nível de coordenação manual que antes atrasava todo o processo.
Só isso já é significativo, mas a mudança mais importante é o que essa velocidade possibilita. No passado, muitas iniciativas de lançamento no mercado levavam tanto tempo para serem alinhadas e implementadas que as organizações naturalmente se tornavam conservadoras. Se uma campanha exigia meses de planejamento, aprovações interdepartamentais e trabalho operacional, havia uma pressão para que tudo estivesse "certo" antes do lançamento. A IA muda essa equação. Torna-se muito mais fácil testar várias ideias, comparar mensagens, experimentar novos segmentos e refinar o que funciona em tempo real, em vez de tratar cada lançamento como uma grande aposta.
Esse aumento na experimentação é onde as empresas mais fortes estão se destacando. Elas não partem do princípio de que podem prever com antecedência qual campanha, persona ou mensagem terá melhor desempenho. Em vez disso, estão construindo um ritmo operacional baseado em testes e feedback. A IA permite que elas realizem mais experimentos, coletem informações mais rapidamente e escalem o que funciona com menos atrito. Na prática, isso significa que o crescimento deixa de ser sobre encontrar uma estratégia perfeita e passa a ser sobre construir uma máquina que aprenda mais rápido que os concorrentes.
Também tende a favorecer um modelo de entrada no mercado mais centralizado. Quando os dados, as personas, os fluxos de trabalho e as mensagens estão integrados em um sistema coordenado, as equipes podem agir com rapidez sem gerar caos. É possível realizar mais testes porque as entradas são mais precisas e o ciclo de feedback é mais eficiente. É aí que a IA começa a se tornar verdadeiramente integrada. Ela não está apenas atuando na periferia do fluxo de trabalho, auxiliando alguém a redigir um e-mail. Ela faz parte da infraestrutura que ajuda a organização a decidir os próximos passos.
Nos próximos dois a três anos, onde você espera que ocorram as maiores mudanças no crescimento da receita, com base no que você está observando em desenvolvimento agora?
Acredito que essas mudanças se manifestarão em três áreas: estrutura organizacional, processos de compra e modelo de produto.
Em relação ao design organizacional, consigo vislumbrar dois futuros muito diferentes, mas igualmente plausíveis. Um deles é a simplificação. Nesse cenário, as organizações convergem em torno de um conjunto menor de funções. Há engenheiros de entrada no mercado ou operadores altamente técnicos que criam automações, gerenciam sistemas e escalam o que está funcionando. Depois, há representantes de vendas cujo trabalho se concentra muito mais na intervenção humana direta: intervir nos momentos em que o julgamento, a confiança e o relacionamento ainda são cruciais. Nesse modelo, o sistema realiza o trabalho pesado em relação a processos, dados e orquestração, enquanto o vendedor humano aplica sua expertise onde tem maior influência.
O outro futuro é, na verdade, mais especializado. Em vez de menos funções, poderíamos ver as organizações dividindo o fluxo de receita em etapas mais específicas. Um processo de vendas de sete etapas poderia se tornar sete áreas de especialização distintas, com uma pessoa focada na prova de conceito, outra em assuntos jurídicos e de compras, outra em integração de novos funcionários e assim por diante. No papel, isso parece complicado, mas se o processo envolvendo essas pessoas for bem coordenado e a IA lidar com grande parte da transição operacional, o comprador poderá ter uma experiência melhor, pois estará interagindo com um verdadeiro especialista em cada momento crítico.
Independentemente da direção que prevalecer, acredito que o perfil do representante de vendas vai mudar. Os profissionais mais valiosos podem ser menos parecidos com o vendedor clássico que faz tudo e mais com especialistas altamente qualificados em um setor, produto ou caso de uso específico. Podem até não ser vendedores de elite no sentido tradicional. O que importará será a capacidade de transmitir credibilidade, responder a perguntas detalhadas e gerar confiança. A automação presente no ambiente de vendas poderá lidar cada vez mais com a pesquisa, a coleta de dados, a criação de listas de contatos e o suporte aos processos que antes consumiam grande parte do tempo de um representante.
O próprio processo de compra provavelmente se dividirá de acordo com o tipo e a complexidade do cliente. No segmento de menor complexidade, muitos clientes continuarão comprando por meio de autoatendimento ou processos guiados pelo produto. Um pouco acima dessa faixa, acredito que veremos mais clientes comprando por meio de agentes, especialmente em pequenas e médias empresas (PMEs) e casos de uso comercial mais simples, onde os compradores desejam respostas, mas não necessariamente precisam de um processo de vendas totalmente humano. No segmento de maior complexidade do mercado, os representantes humanos continuarão sendo essenciais, mas seu papel mudará. Eles dedicarão menos tempo à prospecção e mais tempo construindo confiança, moldando soluções e mantendo um relacionamento próximo com o cliente ao longo de um ciclo de compra mais extenso.
Isso pode até mesmo trazer de volta um modelo mais centrado no cliente. Em vez de fragmentar a jornada do cliente entre equipes separadas de pré-vendas e pós-vendas, algumas empresas podem decidir que é melhor manter uma pessoa ou uma pequena equipe próxima ao cliente ao longo do tempo. De uma forma peculiar, a IA pode automatizar grande parte do que as vendas de SaaS profissionalizaram na última década e levar os vendedores humanos de volta a um trabalho de relacionamento mais profundo.
Depois, há o lado do produto. Empresas cujos produtos são essencialmente camadas de interface do usuário sobre fluxos de trabalho terão que se perguntar cada vez mais se foram criados para um mundo orientado por agentes. Se o software for usado não apenas por humanos, mas também por agentes, os produtos e os modelos de precificação precisarão evoluir de acordo. Isso provavelmente significa um design com foco em APIs, uma lógica mais voltada para o consumo e uma reflexão mais profunda sobre quais partes do produto podem ser usadas como elementos básicos em sistemas automatizados. As empresas que se adaptarem a essa mudança estarão em melhor posição para crescer do que aquelas que permanecerem com um modelo baseado puramente em usuários e interface humana.
Ao analisar as organizações mais inovadoras em termos de receita atualmente, o que diferencia as equipes que escalam com sucesso a IA daquelas que permanecem estagnadas em projetos-piloto? O que elas mudaram em seu modelo operacional, seja em pessoas, processos, dados ou governança?
A principal diferença é que as equipes que obtêm sucesso esperam que a versão inicial falhe, ou pelo menos fique aquém das expectativas. Elas entendem desde o início que implementar IA geralmente não é um processo simples e direto. Com softwares tradicionais, a organização muitas vezes se adapta ao produto. Com IA, geralmente ocorre o contrário. O sistema precisa ser moldado de acordo com a forma como a empresa realmente funciona, como seus dados são estruturados, o que significa sucesso e onde o julgamento humano precisa permanecer envolvido. Isso torna o processo mais complexo, iterativo e, às vezes, frustrante no início.
As organizações que ficam presas em projetos-piloto muitas vezes interpretam essa desorganização como prova de que a abordagem não funciona. Elas testam uma primeira versão, o retorno sobre o investimento (ROI) não é imediatamente óbvio, as métricas são inconsistentes e a iniciativa estagna. As equipes mais eficazes tratam essa fase como normal. Elas se dão espaço suficiente para refinar o caso de uso, limpar os dados, aprimorar os prompts, ajustar o fluxo de trabalho e continuar até que o valor se torne claro. Em muitos casos, não é a primeira ou a segunda versão que transforma a organização. É a quarta versão que finalmente funciona e se torna algo em torno do qual as pessoas se mobilizam.
Isso exige comprometimento da liderança, mas também um modelo operacional diferente. As equipes mais fortes criam ciclos de iteração mais rápidos, centralizam mais a experimentação e levam a qualidade dos dados a sério. Grande parte do valor da IA depende de dados subjacentes que sejam utilizáveis, estruturados e confiáveis. Se essa base for frágil, a organização terá dificuldades para obter resultados consistentes, não importa o quão promissora a ferramenta pareça em uma demonstração. Portanto, na prática, escalar a IA geralmente significa investir não apenas em um novo aplicativo, mas na disciplina fundamental de como as informações são gerenciadas e ativadas.
Um exemplo útil é a Intercom e a forma como se desenvolveu em torno do Fin. O que se destaca não é apenas o lançamento de um produto de IA, mas sim a reorientação do produto e da estratégia de entrada no mercado em torno dessa oportunidade. Utilizando segmentação baseada em IA, a equipe conseguiu identificar microsegmentos com perfis particularmente adequados. No caso do Finn, esses clientes ideais tendiam a ter uma base de conhecimento de suporte bem desenvolvida e um alto volume de solicitações de suporte. Uma vez definido esse perfil, a equipe pôde isolar e focar em segmentos específicos onde o produto tinha maior probabilidade de apresentar bom desempenho.
É esse tipo de disciplina operacional que diferencia os esforços de IA escaláveis de projetos-piloto isolados. As equipes vencedoras não se contentam com o caso de uso amplo. Elas refinam, segmentam, testam e aprimoram até encontrarem onde a estratégia realmente funciona. Só então a escalam. Muitas organizações nunca chegam tão longe porque desistem no meio do caminho, antes que o sistema tenha tempo de amadurecer.
Qual é uma suposição comum, porém ultrapassada, sobre como o trabalho de geração de receita deve ser feito? O que você gostaria que os líderes entendessem sobre o que a IA já pode fazer hoje, com base no que você observa na prática?
Uma das suposições mais ultrapassadas é a de que a prospecção é fundamentalmente impulsionada pela magia individual dos representantes de vendas. Muitas empresas ainda operam como se o sucesso das estratégias de prospecção ativa residisse na capacidade de cada representante, individualmente, de construir listas, pesquisar contas, encontrar contatos, elaborar mensagens e executar tudo isso com qualidade consistente. Na realidade, esse modelo sempre se mostrou muito menos confiável do que as organizações gostariam de acreditar.
O que realmente importa é a qualidade da segmentação e a qualidade dos dados. Na Clay, existe uma frase que resume isso muito bem: a lista é a mensagem. Se você sabe quais contas são importantes, quais pessoas são relevantes, quais sinais indicam o momento certo e qual contexto deve moldar a abordagem, você já percorreu grande parte do caminho para uma prospecção muito mais eficaz. A IA está cada vez mais eficiente nessa etapa do processo. Ela pode ajudar a identificar as empresas certas, revelar os contatos certos, organizar os sinais corretos e até mesmo gerar pontos de partida sensatos para mensagens, com uma velocidade e consistência difíceis de alcançar manualmente.
Isso não significa que os vendedores humanos não importem mais. Significa que o foco muda. O diferencial não está mais em quem consegue passar três horas criando uma planilha de contas, mas sim em quem consegue entrar em uma conversa ao vivo e gerar valor real. Os melhores representantes são aqueles que demonstram conhecimento, credibilidade e utilidade diante do cliente. São aqueles que sabem fazer perguntas inteligentes, lidar com nuances e construir confiança. A IA pode eliminar grande parte do trabalho repetitivo que antes antecedia esse momento.
Isso também significa que as empresas devem repensar o quanto da atividade de prospecção realmente precisa ser descentralizada. Para muitas organizações, especialmente aquelas com ICPs (Perfil de Cliente Ideal) bem definidos e processos repetíveis, centralizar mais a segmentação, a identificação de contatos e o desenvolvimento de mensagens pode elevar o nível de qualidade em toda a equipe de vendas. Em vez de pedir a cinquenta representantes que realizem as mesmas tarefas de pesquisa e segmentação com diferentes níveis de qualidade, uma empresa pode centralizar tudo isso, automatizar grande parte do processo e permitir que os representantes concentrem mais tempo do seu dia no trabalho humano que não pode ser totalmente automatizado.
Isso rompe com muitas antigas suposições sobre vendas, incluindo a ideia de que a melhor maneira de melhorar a geração de leads é simplesmente contratar mais representantes e torcer para que um número suficiente deles seja excepcional. Cada vez mais, uma resposta mais eficaz pode ser construir um sistema melhor, de modo que o desempenho dependa menos da variação aleatória e mais da inteligência compartilhada.
Se você pudesse transmitir uma mensagem aos CEOs e conselhos administrativos sobre como a IA está transformando a liderança em geração de receita, qual seria?
A mensagem seria que os melhores líderes de receita agora precisam pensar como líderes de sistemas. Os CROs mais eficazes que vejo não estão apenas gerenciando equipes de vendas ou correndo atrás de metas. Eles estão analisando a estratégia de entrada no mercado quase da mesma forma que um líder de produto ou de engenharia analisaria um sistema que são responsáveis por aprimorar. Eles pensam nas ferramentas, nos fluxos de dados, nos ciclos de feedback, na velocidade das campanhas, nos pontos de automação e nos locais onde os humanos criam o maior valor diferenciado.
Essa é uma mudança significativa na postura da liderança. Um líder de receita moderno deve ter uma visão clara sobre o papel da IA na organização, quais tarefas podem ser automatizadas hoje, quais devem permanecer sob a responsabilidade humana, como os representantes de vendas estão usando a IA de forma fragmentada e o que precisa ser centralizado para que a empresa não obtenha apenas ganhos de produtividade locais aleatórios. A questão não é se as pessoas estão experimentando essas ferramentas. Na maioria das organizações, elas já estão. A questão é se a liderança está transformando esses experimentos dispersos em um modelo operacional coerente.
Há também uma implicação em termos de talento que os conselhos de administração e CEOs precisam levar a sério. Se a IA puder automatizar uma parcela significativa do trabalho repetitivo de geração de receita, a composição da equipe mudará. Algumas funções serão reduzidas. Outras se tornarão mais técnicas. Algumas organizações podem precisar de menos representantes tradicionais e mais especialistas em produtos, operadores ou especialistas de domínio. As empresas que lidarem bem com essa mudança não serão as que simplesmente reduzirem o número de funcionários mais rapidamente. Serão as que redesenharem o trabalho de forma criteriosa e alinharem os talentos ao novo modelo.
Por isso, acredito que a abordagem mais útil seja tratar a estratégia de entrada no mercado como um produto ou sistema. Isso ajuda os líderes a tomarem decisões melhores no presente e também os protege da incerteza sobre o futuro dos modelos. Ninguém sabe exatamente até onde a capacidade dos agentes avançará ou com que rapidez. Mas os líderes que já estão construindo um sistema de receita modular, observável e passível de aprimoramento estarão em uma posição muito mais forte caso essas capacidades melhorem rapidamente. Eles estarão prontos para se adaptar, porque já estão pensando em termos de arquitetura, e não apenas em número de funcionários e processos.
Nesse sentido, a IA não está simplesmente mudando a forma como as equipes de receita executam suas tarefas. Ela está mudando o que significa liderança em receita. O modelo antigo recompensava os gerentes que conseguiam impulsionar as atividades dentro de uma máquina de vendas já conhecida. O modelo emergente recompensa os líderes que conseguem redesenhar a própria máquina.
English (United States) 
English (Canada) 
English (UK) 
Spanish (Spain) 
Spanish (Mexico) 
Spanish (Chile) 
French 
Portuguese (Brazil) 
Portuguese (Portugal) 
Dutch