Eu poderia vir aqui com 8 reviews de dados e dados sobre “AI Native GTM” e sobre o que ouvimos nas palestras com C-levels da Stripe, Anthropic, Higgsfield. E os dados são bem impressionantes e interessantes de saber. Mas em meio a tanto barulho, eu quero te entregar algo que me parece mais valioso: insights "crus” sobre o que parece ser comum nos discursos:

1. Para ter sucesso com AI os dados precisam ser centralizados

• Se você que ganho de produtividade, não basta contratar N ferramentas e engajar seu time para usar se você não tiver seus dados formando uma camada de contexto da qual os agentes, assistentes e co-pilotos vão beber

• Tem vários caminhos diferentes para fazer isso. Mas o grande ponto é: precisa ser feito. Precisa ter um Data Lake, um Data Wherehouse, Lakehouse, Middlewhere, independente da arquitetura. Sem isso não tem contexto. Sem contexto, não tem agentes.
  

2. O papel de Engenharia de GTM não é hype

• Precisa de uma pessoa para entender profundamente e repensar os fluxos de trabalho dos times de pré-vendas, vendas e CS. Ela viabiliza ganhos de produtividade que realmente podem ser massivos.

• Vimos alguns casos de emrpesas que não vendem soluções de AI justificando a necessidade do papel como alguém que centraliza a adoção de AI.

• Mas também alguém que aplica princípios de engenharia de software, engenharia de produto e até mesmo a mais pura e simples engenharia por si só.
  

3. Skills são mais centrais do que eu pensava.

• Nós temos feito um esforço grande nesse sentido. Temos até uma biblioteca opensource das nossas skills aqui. Mas elas não servem só para disseminar boas práticas no time, elas servem como base para agentes compartilhados construídos em cima de ferramentas como Claude, OpenClaw ou qualquer outra.

• Ou seja, você cria um MVP de um fluxo, itera ele até chegar em um output OK, cria a skill, compartilha com o time e cria rotinas dentro dos agentes que rodam essas skills para todo o time. (Se isso é óbvio pra você, você está no topo da adoção)

Vou desdobrar esses insights com mais profundidade hoje, às 20h em um webinar.

Só clicar aqui e te vejo lá!

A Head de Vendas Enterprise da Anthropic contou como ela deu conta da explosão da demanda conectando a Stack de GTM com Claude e usando Skills.

Ouvir a gerente de linha de frente da empresa com o crescimento mais meteórico da história já valeu a viagem até a Califórnia.

Ela fez 4 investimentos estruturais para conseguir segurar o rojão:

1. Conseguiu transformar mais da metade das vendas para grandes contas em auto-serviço. Sim, você leu certo. 54% das grandes contas compraram sem falar com ninguém.

Como: Clay e Claude fazem qualificação e enriquecimento e aí entra em uma bifurcação. Caminho 1: Finn (Agente de Atendimento do Intercom). Caminho 2: BDR enterprise.

Takeaway: Abandonaram o “dogma” de que Enterprise só se vende com vendedores. Quebraram uma regra de ouro das vendas para grandes empresas. Mas, novamente, se você não tiver um produto como o Claude com o FOMO do Claude, provavelmente o resultado não será o mesmo.

2. Usaram o Claude como Conector Central da stack existente.

Stack: Clay, LeanData, Salesforce, Gong, Ironclad, Slack. Claude não é uma sétima ferramenta, é o conector central.

3. Centralizaram o Slack como fonte única de comunicação.

Como: Criaram uma infraestrutura de suporte aos vendedores que limpou o inbox do jurídico, compras, RevOps, produto. Tiram tudo em uma base de conhecimento e o AE consegue resposta na hora.

4. Transformaram Skills em uma espécie de “Playbook Operacional”

Como: Melhores vendedores > Documentação de Melhores Práticas > Skills.

Rampagem de novos AEs: bootcamp > território / lista > MCP + Skills.

Core Skills:

- Briefing da Manhã: priorização diária via Gmail, Gong, Slack, Calendar e Salesforece

- Preparacão de Call: One-pager com stakeholders, histórico, perguntas de Discovery e competição

- Follow-up de Cliente: pega os Planos de Ação das transcrições, faz rascunhos de respostas e não deixa eles se prederem através do briefing.

- Inteligência Competitiva: Battlecard dinâmico, customizado por cliente e atualizado em tempo real

- Criador de Assets: cria colaterais de marketing e vendas customizado para o cliente

Princípios Operacionais

1. Não troque o stack — faça o Claude conectar o que você já tem

2. Skills > Projetos para escalar comportamento organizacional

3. Sales leaders estão virando pensadores de sistemas, não só estrategistas

4. A meta é elevar a barra (baseline via skills) e AE pode ir além

5. Deals complexos ainda têm humanos — o que muda é quem lida com o volume

Vou juntar tudo que ouvi aqui de interessante e fazer um webinar quinta às 20h. 1h depois que terminar o evento. Se quiser pegar tudo fresco para começar a implementar, vou buscar ser ultra-pragmático.

No material pós-webinar vou deixar o link de todos os conteúdos gravados na íntegra.

Só clicar aqui e se inscrever.

Acabei de chegar em Palo Alto para o SaaStr. Um evento que une hype, dados, boas práticas e playbooks práticos de como uma empresa de nível global executa o crescimento.

E aqui eu vou trazer a perspectiva que eu adoto e busco pelo quarto ano consecutivo indo ao evento.

Eu sempre busco entender 3 coisas:

1. O que as empresas que mais crescem no ocidente estão fazendo para se manter no topo

- Empresas como a OpenAI, Hubspot, Perplexity, Salesforce, Monday, Anthropic, Notion, GitLab e muitas outras participam ativamente

- Elas trazem seus casos práticos de $X a $Y de receita para mostrar estrutura, boas práticas, princípios e métricas que estão tendo na execução

2. Entender as métricas gerais de crescimento e benchmark

- O que as empresas fazem em termos de funil, taxa de crescimento, margem, LTV, NRR, GRR

- O que temos de métricas aqui no Vale está quão distante quando olhamos para o Top Quartil no Brasil?

3. Inovação, AI e Tech em geral

- O que as empresas mais inovadoras no epicentro da construção de tecnologia do ocidente estão construindo?

- O que é overselling e criação de hype e o que parece ter base sólida para eu poder depositar minhas fichas internamente na empresa?

- Onde está concentrado o capital e as apostas de desenvolvimento tecnológico?

Nos próximos 7 dias, vou mergulhar junto a outros ~200 brasileiros aqui na Califórnia para buscar entender as principais mudanças no cenário de tecnologia e crescimento no epicentro da inovação mundial.

Como de costume, meu primeiro dia, passei em Stanford. Primeiro para matar a saudade da época que morei aqui e podia passar tardes a fio sem ter hora para acabar.

Segundo, para refletir sobre as minhas perguntas.

Vou deixar elas aqui e pedir para você comentar as suas também. Adoraria deixar suas questões no meu radar para voltar aqui e trazer algumas ideias sobre o que ouvimos e conversamos.

— Como está se desdobrando a mudança no design organizacional das empresas mais maduras na implementação de agentes?

— Quais são os casos de uso mais avançados de IA e que infraestrutura eles requerem?

— Como estão sendo estudados e replicados os casos emblemáticos da primeira safra das empresas fundamentadas na matemática nativa de IA?

— Como as grandes empresas de SaaS estão reagindo?

— Como estão as métricas de crescimento e quais são os benchmarks atuais?

— O que está vindo por aí? O que a OpenAI, Anthropic, Perplexity e cia estão desenhando para o próximo salto?

— Como estão pensando precificação e margem bruta nesse cenário novo?

O que mais você adicionaria? Adoraria saber.

Dia 14 às 20h vou fazer uma live sobre os principais insights. Se quiser participar só clicar aqui e fazer a inscrição.

ps: se você estiver por aqui também, dá um ping para batermos um papo!

ps2: o número 200 é uma proxy baseada nos últimos anos e na quantidade de pessoas que vi na viagem de SP pra cá e nos 20 ingressos que eu comprei para muitos dos meus amigos.

Na minha experiência, tendo visto de perto ~50 operações de RevOps nos últimos 4 anos, minha perspectiva é uma só: a maneira como formamos times de RevOps no Brasil tende ao operacional e a uma lógica bottom-up.

Não é uma crítica, é uma constatação.
Mas esse problema precisa de atenção dos líderes de receita e CEOs.

Os times de RevOps que eu conheço, basicamente ficam o dia todo puxando dados de zilhões de planilhas para preparar reports que ninguém usa. E isso não é culpa deles, é culpa da liderança.

O escopo do time de RevOps começa na ownership do Plano.
O BP tem que passar por eles.
O headcount necessário deveria ser o output de uma conta deles.

Mas o que vemos na prática, é um time que fica:

- Arrumando gambiarra do CRM
- Fazendo report bonito que ninguém confia no dado
- Implorando ajuda do time de dados
- Apagando incêndio operacional dos vendedores

E isso também é fruto de uma certa cultura de ter um time de ops mais júnior. O que não é demérito, mas as empresas demoram demais para ter um líder sênior de RevOps.

Quando a gente para para olhar o que REALMENTE muda o ponteiro, fica claro o ROI dessa pessoa.

- Ter um plano atingível em primeiro lugar
- Entender a produtividade das pessoas
- Padronizar os processos
- Centralizar os dados e trazer confiabilidade para eles
- Estabelecer disciplina operacional e melhoria contínua

Eu juntei tudo que aprendi sobre RevOps em um conteúdo que chamei de GTMBlackBox. E hoje, vamos fazer um Webinar para lançar esse conteúdo e fazer um teste de tornar tudo que sabemos sobre RevOps e GTM OpenSource para 500 empresas.

Vai ser de graça só para as primeiras 500. Quero testar o que vai acontecer quando entregarmos o equivalente a 12 meses de consultoria de graça.

Se quiser participar o link é esse: Webinar hoje às 20h.

Se você é CRO e quer saber como as 100 empresas que mais crescem no vale estão escolhendo os casos de uso de IA, a ICONIQ Growth — investidores da Figma, Canva, Notion, Airbnb — acabou de publicar seu relatório proprietário com dados dessas empresas.

E um gráfico me chamou atenção mais do que os outros.
O de uso de IA no GTM.

- 61% usam IA para Lead Generation
- 58% para criação automatizada de conteúdo e campanhas
- 71% para transcrição e análise de calls — o maior índice absoluto

Até aqui, nenhuma surpresa.
Topo e meio de funil concentram o grosso do investimento em IA.

Mas olha o pós-venda:
- 25% para Churn Prediction
- 19% para Contract Management
- 11% para Product Recommendations

Fui entender o que isso significa na prática.
E a conclusão me pareceu previsível:

O mercado está usando IA para encher o funil.
Quase ninguém está usando para proteger e expandir a receita que já conquistou. Um reflexo dos dados históricos dos últimos anos: 75% de todas as despesas de GTM, investidas em aquisição. Apesar do grosso da receita vir de retenção.

Isso num contexto em que:
- CAC está subindo
- Ciclos de venda estão mais longos
- A maior parte do LTV está na retenção e expansão, não na aquisição

Ou seja, a matemática diz que o maior ROI de IA deveria estar em NRR. Mas o mercado continua hipnotizado por topo de funil.

E aqui mora o risco: IA amplifica o que você já tem. Se seu pós-venda é fraco, IA vai te ajudar a perder clientes mais rápido.

Se quiser um framework profundo para tomar decisão de onde alocar os esforços nos casos de uso de IA, quinta-feira vamos fazer um webinar sobre "AI Native RevOps", em que esse definitivamente será um dos temas centrais.

Se quiser participar, só clicar aqui e se inscrever. Não esquece de mandar para o seu time para depois não ter que tentar convencer todo mundo sozinho(a).

xAI, empresa do Elon Musk, dona do Grok postou uma vaga de Head of GTM Systems & Agents, com USD200-400K/ano de salário. A pergunta é: o que isso diz sobre 2026?

Antes de confabular sobre o futuro, vamos analisar o escopo exato da vaga:

É uma vaga "mão na massa" focada em "construção" da arquitetura e stack de go-to-market, automação e deploy de agentes de AI com foco direto em geração de receita.

Responsabilidades:
— Ser dono e escalar a tech stack de GTM
— Arquitetar e construir fluxos de trabalho que removam tarefas manuais
— Construir sistemas para suportar forecasts baseados em consumo
— Desenvolver dashboards e reports para a liderança
— Parceria direta com Produto, Vendas e RevOps
— Avaliar e implementar tecnologias que aumentem cobertura de automação

Nós fizemos um paper dizendo que essas vagas surgiriam dentro da disciplina de Engenharia de GTM. Todas as empresas Nativas de IA e "Habilitadas" de IA têm cargos semelhantes. Escopos semelhantes.

Parecia futurista demais. Talvez ainda pareça. Uma liderança inteiramente dedicada a esse tema? Focada em gerir agentes em vez de pessoas?

Pois é. O futuro chegou.

É claro que quem vai começar o movimento são as empresas que estão moldando o mercado. Mas minha pergunta é: qual será o efeito de ser um first mover nesse sentido?

Volto a dizer: as empresas realmente capazes de extrair valor desse tipo de vaga, precisarão construir uma estrutura mínima viável com dados de qualidade e documentação extensa sobre os fluxos de trabalho existentes.

Nossos princípios para isso são 4:

1. Dados com critérios definidos, centralizados e enriquecidos.
2. Metodologia de GTM unificada. Seja qual for, escolha uma.
3. Processos extensivamente documentados.
4. Parametrização do CRM para originação dos dados para Data Lake e CDP.

Com isso, você tem a infraestrutura necessária para automação de fluxos e criação de agentes que vão habilitar ganhos massivos de produtividade na sua empresa. Sem isso, você terá o que tem hoje, talvez numa escala maior: vendedores sem processos, cada um falando uma língua, dados que ninguém confia e não dizem nada = Agentes de Vendas ruins.

Nós formamos 100 GTM Engineers em 2025 e vamos formar 1.850 em 2026.
Será 1 cohort por trimestre.

O próximo começa 09/03.

Se quiser participar, só entrar em gtme.scient.cc.
Se quiser entender melhor sobre a proposta de valor, escopo e cronograma, aqui está o link.

A velocidade que isso está chegando é sem precedentes.
A capacidade de reação está diminuindo a cada trimestre que passa.
Quem se movimentar antes desenvolverá vantagens compostas no tempo.

See you on the other side!

Os números da virada operacional em 2024 são o meu foco nessa análise.

Receita triplicou. Burn rate caiu 70%. CAC payback melhorou 40%. Velocidade de aquisição subiu 50%. Maioria dos reps batendo ou superando meta.

No Enterprise: crescimento de 80% YoY, NRR acima de 140%, win rate de 80% contra competidores. Clientes como Anthropic, Robinhood, ServiceTitan e Wiz.

O método foi eliminar 2 camadas de gestão em vendas. Não otimizar, cortar. Liderança diretamente conectada aos deals. (Como Large Enterprise tem que ser, em casos como este).

A estrutura de Engenharia de GTM é onde a operação se diferenciou.

A Brex formalizou a função de GTM Engineering e Engineering Manager (Acquisition) — papéis que conectam engenharia de produto diretamente com Marketing, Vendas e Ops.

Accountability conjunta sobre CAC, payback e taxas de conversão. Salários de US$ 240k a US$ 340k para GTM Engineering Manager.

Profissionais que constroem sistemas e que não operam em planilhas.

Nas vagas de Marketing Operations, a Brex exige experiência com "AI‑driven tools" e "agentic workflows" para automatizar tarefas de SDR, enriquecer dados de lead e acelerar execução. O stack inclui Clay, LeanData, Outreach, Segment, Salesforce — orquestrado por agentes que fazem roteamento, qualificação e follow‑up automatizado.

A camada de IA no produto reflete a mesma lógica aplicada ao GTM interno.

75% das transações de despesa automatizadas sem toque humano. Compliance rate de 94% versus 70% da indústria. 169 mil horas por mês economizadas. US$ 56,5 milhões em custo salarial evitado ao ano no agregado de clientes.

Clientes enterprise que adotaram o ecossistema de IA da Brex alcançam 99% de automação em processos de despesa, segundo o CTO James Reggio.

O ponto estratégico: a Brex tratou GTM como produto.

Reduziu dependência de camadas humanas de coordenação. Substituiu gestão por sistemas. Formalizou engenharia como função core de go‑to‑market.

Em 2022, queimava US$ 22 milhões por mês. Em 2025, caminho para cash flow positivo com US$ 500M de ARR projetado.

Capital One pagou metade em cash por uma operação que provou que sabe escalar com eficiência.

A pergunta para o mercado brasileiro: quem está construindo GTM com essa arquitetura?

Abaixo, diferença POSITIVA de High Adopters:

1. Conversões do Funil de Lead > Closed-Won

+5% Lead > MQL
+5% de MQL > SQL
= SQL > Closed-Won

Primeiro insight:
Marketing e Pré-Vendas têm melhor performance.
Vendas não. Afinal, maior parte venda complexa.

2. Recorte dentro do Funil para SaaS puro e PLG

+3% Demo > Closed-Won
+5% Freemium > Closed-Won

Segundo insight:
Quanto mais PLG, maior impacto de IA.
Quando mais SLG, menor impacto de IA (pós SQL, portanto Vendas).

3. Eficiência:

+5% no percentual de Vendedores rampados atingindo meta.
Possível influência de IA em Enablement.

-25% no ciclo de vendas
Possível influência de IA em: follow-ups, uso dados desestruturados de vendas como transcrições e e-mails para assertividade nas interações prospect <> vendedor, possível automação de processos manuais de vendas.

Terceiro insight:
Nenhuma influência na taxa de conversão, mas ciclos 25% menores de quem usa bastante IA no processo de vendas.

+0.1 em cobertura de pipeline
-4,6% no custo por oportunidade
-2% em renovações tardias (ou seja, renovam mais rápido)

Quarto insight:
Custo de oportunidade mais eficiente, maior cobertura de pipe e melhor performance de renovações. Imagina o impacto dessas pequenas melhorias em um ano? Lembrando aqui: se vc melhora 10% em 7 taxas de conversão você dobra a receita de uma empresa. O poder das pequenas melhorias compostas no tempo são extremamente relevantes.

4. Produtividade em P&D (pesquisa e desenvolvimento)

+10% de ganho de produtividade (!)
+8% em código assistido por IA

Quinto insight: 10% de produtividade para high adopters de IA.

Quando eu digo por aí que os EUA tem muito a nos ensinar em termos de adoção de IA a turma vira o olho. E outra coisa que acontece é dizerem que a distância é muito grande e não dá para comparar.

Por fim eu pergunto: entenderam porque estamos investindo 100% da nossa energia em ajudar empresas +R$50M a implementarem IA em GTM? Porque estamos criando a fundação da Engenharia de GTM no Brasil?

Novamente: já assistimos esse fenômeno outras vezes na história.
Na adoção de interfaces digitais na jornada do cliente, de aplicações web
e mobile nos processos da empresa e assim por diante. Em 10 anos, certamente os High-Early Adopters terão uma diferença colossal no P&L.

Assim como foi com transformação digital.

Vamos fazer a primeira Imersão de Engenharia de GTM para CROs, Fundadores e Diretores de Receita e GTM. O tema é: AI Native GTM Transformation.

O nosso objetivo é ficar 2 dias inteiros abrindo nosso Playbook e Metodologia que já implementamos em empresas que juntas faturam em média de R$300 milhões por ano. São só 20 vagas! Se quiser, só chamar por aqui que te enviamos o brochure com toda a programação.

Estamos falando de uma reconfiguração completa da Architetura De Receita.

A diferença fundamental entre nativos SaaS e nativos IA não está nas ferramentas — está no tempo de resposta ao sinal.

Empresa SaaS típica: detecta mudança no comportamento do cliente → análise pelo time de dados → reunião de vendas → ajuste de estratégia → execução. Tempo total: 3-6 meses.

Empresa nativa IA: sinal detectado → agente processa → estratégia ajustada → execução iniciada. Tempo total: horas.

Essa compressão temporal não é evolução. É ruptura.

O Problema da Adoção Parcial

A maioria das equipes GTM hoje opera em um limbo operacional perigoso.

Implementam ferramentas de IA sem repensar a arquitetura fundamental. Colocam ChatGPT na mão dos SDRs. Automatizam emails. Geram relatórios mais rápidos.

E se perguntam por que os resultados permanecem incrementais.

A resposta é simples: estão automatizando ineficiências, não eliminando-as.

Um estudo recente mostrou que apenas 20% das empresas que adotam IA conseguem ROI significativo. A diferença? As bem-sucedidas repensaram todo o sistema operacional — não apenas adicionaram camadas de automação.

O Framework de Integração Sistêmica

Para transformar IA de ferramenta em sistema operacional, três pilares precisam convergir:

1. Fundação de Dados Contextual

Sem dados unificados, IA é apenas um motor potente sem combustível. As 12 ferramentas típicas de um stack GTM precisam convergir em uma camada de contexto único.

Isso significa integrar: CRM + intent data + product usage + conversation intelligence + campaign performance em tempo real.

2. Governança de Loop Fechado

IA probabilística exige QA contínua. Mas não o QA tradicional de aprovação — um sistema de feedback que melhora os modelos em produção.

Cada output gerado precisa ser rastreado até o resultado de negócio. Cada desvio alimenta o treinamento.

3. Orquestração Humano-Máquina

O futuro não é sobre substituir humanos. É sobre criar sinergias onde cada parte opera em sua zona de excelência.

Máquinas: processamento de volume, detecção de padrões, execução de tarefas repetitivas.

Humanos: julgamento contextual, criatividade estratégica, conexão emocional.

A Transformação na Prática

Veja o caso da Clay. Eles não construíram apenas uma ferramenta de enriquecimento de dados.

Construíram um sistema onde GTM Engineers — profissionais com background técnico — eliminam 80% das tarefas manuais de prospecção.

Resultado: produtividade 6-8x maior por vendedor.

Mas o insight crítico não é a produtividade. É a mudança de mentalidade.

De “quantos SDRs precisamos contratar” para “que sistema precisamos construir”.

De headcount para arquitetura.

De pessoas fazendo tarefas para sistemas executando processos.

Os Novos Papéis Emergentes

O GTMEngineer não é mais conceito — é realidade operacional.

Este profissional combina:

- Fluência em P&L (conecta ações a resultados financeiros)

- Domínio de IA aplicada (não apenas prompts, mas arquitetura de sistemas)

- Visão interfuncional (marketing + vendas + CS como sistema único)

- Mindset de produto (iteration > perfection)

As empresas que estão criando essa função reportam redução de 40% no CAC e aumento de 2.5x na velocidade de iteração.

Ferramentas e Implementação Prática

O stack moderno de IA para GTM converge em torno de capacidades, não categorias:

Orquestração: n8n, Make

Enriquecimento: Clay, Apollo

Geração: Copy.ai, Jasper

Análise: Gong, Chorus

Execução: Outreach com IA, SalesLoft

Mas a ferramenta é menos importante que a arquitetura de integração.

Um sistema bem orquestrado com ferramentas medianas supera ferramentas excelentes mal integradas.

O Imperativo da Velocidade

Jason Lemkin foi direto: líderes que não dominarem IA até meados de 2025 estarão “cozidos”.

Não é alarmismo. É matemática.

Enquanto você demora 3 meses para ajustar sua estratégia, seu competidor nativo-IA já iterou 90 vezes.

Enquanto você analisa relatórios mensais, eles respondem a sinais em tempo real.

Enquanto você escala com headcount, eles escalam com código.

Eficiência virou o novo crescimento porque velocidade de adaptação superou tamanho de recursos.

A questão não é se IA vai transformar GTM.

A questão é se você será arquiteto dessa transformação ou vítima dela.

Uma pessoa que domina Product Magement, BizDev e RevOps?

Achei justíssimo o questionamento.

Vou explicar a perspectiva de uma forma direta e pragmática:

Primeiro ponto — diferentes maturidades

Em uma empresa madura, o Engenheiro de GTM é uma função dentro de uma pod de receita. Não uma função isolada que vai entregar tudo sozinha.

Em uma estrutura mais early stage, a função existe para apoiar a estrutura atual: seja só fundadores ou as primeiras pessoas do time de GTM.

Pensando em um cenário ideal, uma empresa de +R$50M ARR (nosso ICP) deverá existir um ou dois engenheiros de GTM por Pod de Receita.

Na SCIENT temos 2 pessoas: uma compõe o pod de receita. Outra, o squad de entrega de soluções para os clientes.

Segundo ponto — diferentes habilidades

Pensa comigo, essa pessoa vai precisar:

— Saber priorizar os caso de uso baseado nas piores taxas de conversão ou tarefas repetitivas que mais consomem o tempo do time.

— Construir coisas em cima dos processos existentes, para o ICP correto e dentro da Stack atual.

— Suas atividades devem ter como finalidade a geração de receita. Direta ou indiretamente (no apoio a quem de fato gera a receia).

— As automações e ferramentas que ela implementa, precisarão de iteração e melhoria contínua.

— Antes de por a mão na massa, ela deve descobrir as dores do usuário e o fluxo de trabalho atual.

Os pontos acima misturam as 3 habilidades.

Lembrando de um ponto que, atualmente, ainda temos dificuldade de projetar/imaginar:

Essa é uma função nativa de IA.

Então, quando ela for construir algo, ela vai produzir ou melhorar os processos e documentação que existem (para compor o RAG) usando agentes.

Afinal, ela domina as ferramentas como a maior parte de nós não domina.

Ela priorizará os casos de uso e definirá o escopo das soluções, alavancada por IA, porque isso é natural do trabalho dela.

Portanto, sendo uma função nativa de IA, ela tenderá a uma produtividade muito maior do que estamos acostumados no workflow das funções geradoras de receita pré-LLMs.

—

A ideia não é que ela seja um PM, um Vendedor e um RevOps ao mesmo tempo.

A ideia é que ela seja uma função, dentro de RevOps, que empodera e alavanca marketing, vendas e/ou CS, usando metodologia ágil.

—

Não é utópico, é diferente da forma como pensamos as funções anteriores de GTM.

Da mesma forma que se eu te dissesse há 2-3 anos que você veria empresas atingindo $100M em 8 meses, você também diria que acha inviável.

E também da mesma forma que se você dissesse para os seus avós 20 anos atrás que hoje você seria capaz de falar com eles por mensagem de texto eles não conseguiriam conceber.

É difícil imaginar as funções do futuro coma cabeça presa em como o presente funciona.

Se quiser ver a apresentação do CRM Zummit, está aqui.

Arquitetura de Receita não é sobre adicionar componentes ao sistema. É sobre projetar um sistema onde cada componente amplifica o próximo — criando loops de feedback positivo que transformam crescimento linear em exponencial.

O Problema da Escala Humana

Empresas SaaS tradicionais operam sob uma lei cruel: para dobrar a receita, precisam quase dobrar o time. CAC sobe, eficiência cai, margens comprimem. É a tirania do modelo baseado em headcount.

Um dado brutal: payback de CAC em SaaS públicas pode chegar a 5 anos. O modelo de aquisição atual não é apenas ineficiente — é matematicamente insustentável.

Enquanto isso, empresas AI-native como Cursor atingem $100M ARR em 12 meses. Lovable cresce 8 dígitos em 8 meses. Não porque têm produtos melhores, mas porque operam sob uma arquitetura de receita fundamentalmente diferente.

A Virada Arquitetural

O insight central: pare de pensar em funil e comece a pensar em sistema.

Um funil é unidirecional. Um sistema é recursivo.

Na prática, isso significa redesenhar GTM sob três princípios matemáticos:

1. Composição sobre Adição

Em vez de SDR + AE + CS = Pipeline, pense em SDR × AE × CS = Revenue. Cada função deve multiplicar a efetividade da próxima, não apenas passar o bastão.

2. Velocidade de Ciclo sobre Volume

Empresas AI-native respondem a sinais de mercado em horas, não meses. Se demora 3-6 meses para ajustar sua estratégia baseada em dados, você está operando com matemática do século passado.

3. Densidade de Contexto sobre Dispersão de Dados

12 ferramentas desconectadas geram entropia, não inteligência. A arquitetura moderna consolida contexto em tempo real — cada interação alimenta o sistema inteiro.

O Framework COMPOUND

Para operacionalizar Arquitetura de Receita, desenvolvi o framework COMPOUND:

Contexto unificado em todas as funções

Orquestração de sinais em tempo real

Multiplicação de loops de feedback

Precisão sobre volume em cada ação

Otimização contínua via IA

Unidade de comando distribuída

Não-linearidade como premissa

Dados como infraestrutura, não métrica

Aplicação Prática: O Caso Saisnick

Saisnick tinha 39% do pipeline vindo de signal-based outbound. Mas só com os melhores reps. O desafio: democratizar essa performance.

A solução não foi treinar mais. Foi arquitetar melhor:

- Fundação de dados unificada conectando intent, engajamento e contexto competitivo

- Agentes IA que pré-processam e priorizam sinais para cada rep

- Loops de feedback que alimentam o sistema com cada interação

Resultado: performance de elite se tornou baseline. Não por mágica, mas por matemática aplicada.

A Nova Função: GTM Engineer como Arquiteto de Sistemas

O GTM Engineer não otimiza funis. Projeta sistemas de crescimento composto.

Habilidades essenciais:

- Fluência em P&L (ler demonstrações financeiras como código)

- Pensamento em sistemas (ver conexões, não silos)

- Engenharia de processos (automatizar o repetitivo, amplificar o estratégico)

- Velocidade de implementação (dias para produção, não trimestres)

Clay não inventou o termo por acaso. Provaram que um time de GTM Engineers pode gerar 6-8x mais produtividade por pessoa. Não porque trabalham mais, mas porque trabalham em multiplicação, não em adição.

Implementando Arquitetura de Receita

Comece com três movimentos:

1. Unifique sua fundação de dados. Sem isso, IA é só outro silo. Com isso, cada ferramenta amplifica as outras.

2. Meça velocidade de resposta a sinal. Se demora semanas para agir em um insight, você está perdendo para quem age em horas.

3. Redesenhe incentivos para colaboração multiplicativa. SDRs ganham em conversion rate, não em meetings. AEs em expansion, não só em new logo.

Crescimento sustentável não vem de fazer mais do mesmo, mais rápido.

Vem de mudar a matemática do jogo.

Durante o lançamento da certificação de GTM Engineer, desenvolvi uma SDR IA — um agente conectado ao nosso stack de marketing e vendas, capaz de:

➡️ Responder dúvidas de leads em tempo real
➡️ Direcionar conversas para o time comercial
➡️ Concluir compras direto pelo chat

O resultado:
R$15 mil em 6 horas.
Mais de R$20 mil em poucos dias.

Mas o ponto principal não é o faturamento.
É o modelo por trás.

A engenharia invisível do crescimento

Construir automações é diferente de montar campanhas.
Campanhas têm começo, meio e fim.
Sistemas têm ciclos.

A SDR IA nasceu dentro de um processo estruturado — Discovery mínima com usuários, MVP viável, feedback loops e iteração semanal.

Por trás dela, havia dezenas de peças conectadas:

• n8n para orquestração

• Redis e Supabase para base de dados

• RAG da Tropicalia para personalização contextual

• API da OpenAI para gerar as respostas

O papel do GTM Engineer é exatamente esse:
transformar estratégia em sistema funcional.

O novo papel do GTM Engineer

Na prática, ser GTM Engineer é estar no centro de três forças:

1. Estratégia de Go-To-Market → entender ICP, canais, jornada e alavancas de crescimento
2. Engenharia de Produto → traduzir isso em fluxos, automações e agentes
3. Operação de Receita → medir, iterar e otimizar até a previsibilidade aparecer

O resultado é uma nova forma de pensar crescimento:
menos dependente de headcount, mais dependente de arquitetura.

➡️ Em vez de contratar mais SDRs, criamos um sistema de SDRs digitais.
➡️ Em vez de campanhas isoladas, montamos fluxos contínuos de ativação.
➡️ Em vez de “time de vendas”, criamos “máquinas de resposta”.

O que aprendemos com o case

1. IA não substitui — complementa.
   A SDR IA não eliminou etapas humanas, mas otimizou o tempo de resposta e ampliou o alcance.

2. O ciclo de aprendizado é o novo funil.
   Os dados coletados pela IA se tornam insumo para novas versões de prompt, roteiros e fluxos.

3. Disciplina operacional é o motor.
   Nada disso funciona sem consistência, versionamento e melhoria contínua.

O que vem a seguir

Esse foi só o primeiro experimento público da certificação.
Nos próximos meses, vamos testar novas aplicações e vamos divulgando… 👀

É o início de uma nova fase:
o GTM está deixando de ser um playbook — e virando um sistema.

Três sessões principais construíram esse raciocínio com profundidade técnica:

1. A reinvenção da stack GTM com IA contextual (Zoominfo)

2. A nova arquitetura de receita para escalar de R$1M a R$100M ARR (Winning by Design)

3. Os dados da Insight Partners sobre como AI-Natives estão operando com precisão, e não com força bruta
   
   

1. A nova arquitetura de receita: PLG, IA e o fim da dependência de headcount

“Escalar não é adicionar pessoas. É construir sistemas que ampliam a capacidade da empresa de aprender e decidir sozinha.”
— Dave Boyce, Board Member, Winning by Design

O conteúdo mais denso do GTM25 veio da reunião estratégica liderada por Dave Boyce, baseada em 3 anos e meio de pesquisa com empresas como Atlassian, OpenAI, Zoom e Canva.
O estudo originou o novo livro da Winning by Design, lançado oficialmente no evento.

A tese:
Empresas que escalam de US$1M a US$100M ARR com consistência não operam com mais pessoas.
Operam com sistemas adaptativos, orientados por sinais e coordenados por IA.

Pilares do modelo “Agent-GTM Architecture”:

• Produto como motor primário de aquisição, educação e ativação

• Agentes de IA que executam parte significativa da jornada: follow-up, expansão, reengajamento, suporte

• SDRs como analistas de sinal, não operadores de cadência

• Loops semanais de retroalimentação, com análise de cohorts, churn reversível e comportamento em tempo real

• Função do líder de GTM deixa de ser gerenciar funções isoladas — passa a ser desenhar o sistema
  
  

Esse modelo se mostrou especialmente poderoso para empresas no mid-market, que operam com estrutura de SMB, mas ambição de enterprise.

“Estamos assistindo ao colapso da segmentação funcional como arquitetura. O novo modelo é por sinal, e não por etapa.”

2. Zoominfo: IA contextual como fundação de execução

“Ferramenta sem contexto é ruído. IA com contexto é execução preditiva.”
— André Chagas, CEO da Zoominfo Brasil

A apresentação da Zoominfo Brasil trouxe um diagnóstico preciso sobre por que as máquinas de receita tradicionais entraram em colapso entre 2022 e 2024:

• O comprador deixou de seguir uma jornada visível

• O funil virou uma nuvem de sinais dispersos

• O time comercial parou de receber contexto — e começou a operar no escuro
  
  

A resposta? Uma nova fundação de dados para GTM.

O modelo apresentado por André Chagas reorganiza a stack em três camadas:

1. Unificação
Integração de dados vivos: CRM, firmografia, uso de produto, G2, LinkedIn, e-mails, reuniões, cargos abertos, funding e interações assíncronas.

2. Orquestração
IA decide o timing, a abordagem e o canal com base em sinais reais de intenção — não em ICP estático ou gatilho genérico.

3. Execução assistida
O vendedor recebe o plano do dia, alertas de risco, recomendações de sequência e atualizações automáticas de CRM.

“O erro não está no vendedor. Está no sistema que entrega dados descontextualizados e espera performance previsível.”

3. Insight Partners: como AI-Natives estão escalando com menos

A Insight apresentou dados consolidados do portfólio de AI-Natives — empresas early-stage que construíram desde o início sua operação GTM com IA, dados e sistemas de feedback.

Benchmarks apresentados:

• Crescimento 2,3x mais rápido entre US$1M e US$10M ARR

• Conversão de trial para cliente: 56% (AI-native) vs. 33% (média de mercado)

• Custo por oportunidade: 27% menor em empresas com IA nativa

• Equipes de receita 40% menores, com performance igual ou superior

• Retenção bruta: >95%, com churn reversível via automação contextual
  
  

Essas empresas operam com uma lógica diferente:

• Menos cold outbound

• Mais sinais compostos: uso de feature + firmografia + comportamento no site

• IA interpretando sinais e tomando decisões antes do time comercial entrar em cena
  
  

“O futuro não é sobre encontrar o lead. É sobre detectar intenção antes mesmo do lead saber que está pronto.”

💡 Takeaway do dia

O GTM de 2025 é interpretativo, autônomo e orientado por sinal.

• A stack precisa entregar contexto no ponto de decisão, e não apenas dados brutos

• A IA não deve ser enxergada como executor de tarefas — mas como sistema coordenador de movimento

• Os operadores que vencem não seguem cadência. Eles desenham, testam e escalam sistemas vivos.
  
  

As empresas que escalam com consistência não têm mais vendedores.
Têm sistemas que transformam sinais em ação — e contexto em receita.

Durante o evento, vimos com clareza o surgimento de um novo consenso técnico entre operadores, fundadores e investidores:

O pipeline que converte em 2025 não é o mais cheio —
É o mais bem interpretado, priorizado e ativado.

A IA, os dados e a unificação entre produto, marketing e vendas não são mais “capacidades complementares”.
Viraram infraestrutura de sobrevivência GTM.

Abaixo, desdobramos com profundidade as palestras de quatro nomes que estão liderando essa transição:

• Jacco van der Kooij (Founder, Winning by Design)

• Kyle Norton (CRO, Owner)

• Gaurav Agarwal (COO, ClickUp)

• Sam Jacobs (CEO, Pavilion)

📍 Jacco van der Kooij — Winning by Design

Palestra: Arquitetura Avançada de Receita

Jacco foi direto ao ponto:

“Funnel é uma metáfora preguiçosa. O que precisamos é de um sistema dinâmico de conversão baseado em sinais comportamentais reais.”

A Winning by Design trouxe um novo modelo matemático para modelar o funil de receita, tratando cada estágio como um sistema probabilístico — e não como uma escada sequencial.

Pontos-chave da apresentação:

• Pipeline não começa no marketing. Começa no comportamento.

• Empresas AI Native já operam com forecast probabilístico baseado em sinais de uso e engajamento, não apenas histórico.

• Cada ponto de contato do usuário gera sinal — e sinais precisam ser enriquecidos, qualificados e versionados.

• A conversão deixa de ser função de persuasão e passa a ser função de arquitetura.

Jacco reforçou que a IA não substitui o raciocínio GTM.
Mas permite que ele seja reaplicado em escala, com precisão estatística e aprendizado contínuo.

📍 Kyle Norton — CRO da Owner

Palestra: Por Dentro do Sistema de Receita com IA: Como a Owner.com Dobrou o ARR e Transformou seu Go-To-Market

Kyle foi um dos executivos mais técnicos do evento.
Sua apresentação foi uma aula sobre como usar IA e dados de produto para alimentar vendedores com sinais reais de intenção — não com listas frias.

“O desafio não é descobrir quem clicar. É entender quem quer comprar — mesmo quando ainda não disse nada.”

Elementos centrais do playbook da Owner:

• Sinais compostos de intenção: uso de integrações, ativação de features específicas e comportamento fora do padrão do ICP tradicional.

• AI como copiloto, não executor: modelos preditivos sugerem timing, canal e abordagem com base no que o usuário faz, não no que ele responde.

• Camada de inteligência entre dado e vendedor: a função da AI é entregar contexto acionável, não tarefa cega.

• Mensuração contínua da confiabilidade dos sinais: cada hipótese GTM entra num ciclo de QA — quem acerta, vira modelo. Quem erra, é descartado.

Kyle fechou com uma provocação que ficou no ar:

“A maior fonte de ineficiência em vendas hoje não é o time.
É o ruído que a operação entrega para eles interpretarem.”

📍 Gaurav Agarwal — COO da ClickUp

Palestra: Construindo a IA Mais Informada para Estratégias de Go-To-Market

Gaurav mostrou como a ClickUp — mesmo como ícone do PLG — está se tornando um case de GTM híbrido e profundamente orientado por dados.

“PLG escala uso. Mas não escala receita sozinho. Precisamos de vendedores operando com base em sinais reais — não scripts repetidos.”

Estrutura apresentada pela ClickUp:

• Stack de dados unificada: eventos de produto + CRM + dados externos

• Modelos que detectam “inflection points” no uso da plataforma

• Cadência adaptativa: a abordagem muda com base em padrões vivos de comportamento, e não por ICP fixo

• SDRs operando como analistas: interpretam sinais e priorizam contas com base em score dinâmico

Um dos principais insights:
→ Mais de 40% das oportunidades que viraram closed-won em 2024 vieram de sinais não óbvios — e que seriam ignorados por playbooks tradicionais.

📍 Sam Jacobs — CEO da Pavilion

Palestra: KEYNOTE: Uma Nova Era para o Go-To-Market

Sam falou pouco sobre ferramentas — e muito sobre estrutura.
E talvez por isso sua fala tenha sido uma das mais impactantes.

“As empresas querem previsibilidade. Mas operam com estruturas que não foram feitas para lidar com incerteza.”

Linhas mestras da provocação:

• A média de permanência de um profissional de GTM hoje é de 13 a 18 meses.

• A linearidade (SDR → AE → Head → VP) está sendo substituída por trajetórias de alta adaptabilidade.

• Vemos cada vez mais:
  → ICs que viram advisors
  → VPs que assumem funções técnicas temporárias
  → Squads com mandato de 3 a 6 meses para resolver frentes específicas

• A comunidade (como o Pavilion) vira o ambiente de validação, aprendizado e transição profissional.

Sam fechou com uma linha que resume a crise atual de talento e estrutura:

“Você pode ter a melhor ferramenta de AI.
Mas se o operador não tiver autonomia e contexto, a única coisa que você escala é frustração.”

💡 Takeaway do dia

O pipeline que converte hoje não é gerado.
É detectado, priorizado e ativado — com base em sinais, não em desejos.

Os operadores que sobrevivem não são os que seguem playbooks.
São os que conseguem desenhar sistema, adaptar modelo e traduzir dado em decisão.

2025 não vai premiar velocidade.
Vai premiar interpretação.

➡️ O custo dobrou.
➡️ A eficiência caiu pela metade.

Esse gap não nasceu da noite para o dia. Ele é fruto de um modelo de crescimento baseado em:

• Força de trabalho de baixo custo (SDRs em massa)

• Automação de marketing

• Dialers e cadências para escalar contatos

Tudo isso foi desenhado para a lógica da manufatura de massa.
Mas agora, entramos em outro ciclo.

Os ciclos tecnológicos que mudaram tudo

• AWS (2007): democratizou a infraestrutura

• App Store (2009): criou distribuição global de apps

• ChatGPT API (2022): abriu a porta para agentes inteligentes

E a previsão é clara: até 2027, teremos agentes confiáveis em escala

O problema não é só IA

Antes da onda de automação, a dor estava em RevOps e BizDev:

• Forecasts sem desdobramento, metas ao acaso

• ICP mal definidos → aquisição ineficiente e churn alto

• Planejamento de contratações sem lógica matemática

• Modelos operacionais fragmentados → silos, complexidade, custo

Sem melhoria contínua estruturada, não há IA que faça milagre.

Depois, veio outro gargalo: Product Engineering aplicado a GTM.
Quem prioriza casos de uso?
Quem prototipa agentes?
Quem integra via low-code?
Quem itera os fluxos como produto?

A resposta: GTM Engineer

Uma nova profissão está emergindo — a intersecção entre RevOps, BizDev e Product
O GTME:

• Estrutura e otimiza a receita (Lean Revenue Factory, dados, jornadas)

• Orquestra marketing, vendas e CS com inteligência de negócios

• Constrói e integra agentes que multiplicam a capacidade da operação

Cenário atual

• Apenas 150 pessoas atuam hoje diretamente como GTM Engineers

• Crescimento de 200% nos últimos 2 anos

• Salários acima de marketing e vendas tradicionais em SaaS

• 60% das vagas estão em São Paulo, o restante distribuído em operações remotas

• A maioria veio de cargos em marketing, growth e vendas, combinando experiência prática com domínio técnico[SCIENT] Webinar GTM Engineer @…

É um movimento óbvio: quem domina IA no papel anterior, soma funções de receita e gera produtividade.
Foi assim com o SDR em 2010. Agora, é a vez do GTM Engineer em 2025.

🔗 Saiba mais:
AI 2027 Research
OneMind
Job description GTME

Existe uma correlação direta entre autoconsciência do líder e crescimento sustentável da empresa.
Não é sobre “ser legal”. É sobre criar um ambiente previsível, saudável e de alta performance — por muito mais tempo.

O Framework da Liderança Consciente (baseado em execução, não em discursos)

1. Autoconhecimento antes de OKRs
Líderes que não entendem seus próprios gatilhos emocionais criam ambientes instáveis.

Times performam 23% melhor com liderança emocionalmente previsível. (MIT Sloan)
Aplicação prática: check-ins pessoais antes dos stand-ups do time.

2. Vulnerabilidade como alavanca de confiança
Admitir erros ↓ turnover em 31%. (Gallup, 2024)

Cria psychological safety — o maior preditor de inovação (Google).
Aplicação prática: compartilhe aprendizados reais com o time, sem dramatizar.

3. Feedback radical (de duas vias)
Adapte o Radical Candor: Care personally + Challenge directly.

Acrescente: Receive gracefully — aceite feedback sem reatividade.
Aplicação prática: rituais mensais de feedback 360º, com espaço seguro de fala.

4. Métricas de saúde do time (além do eNPS)

• Team Velocity Variance → flutuações indicam burnout

• Innovation Rate → ideias bottom-up implementadas

• “Você recomendaria seu gestor?” → mais revelador que o NPS tradicional

Agora, vale descrever o case da GitLab 👇

GitLab: como escalar com transparência e saúde

Sid Sijbrandij, CEO da GitLab, criou uma cultura remota que virou referência global.
A chave? Transparência radical e foco em desenvolvimento humano.

O que eles fizeram:

• Handbook público com +2.000 páginas, inclusive decisões do CEO

• “Iteration over perfection” como valor central

• 1:1s com foco em evolução pessoal

• Coffee chats aleatórios entre níveis hierárquicos

Resultados:

• IPO de US$ 11B

• Turnover 50% abaixo da média

• Ship rate 3x maior

• Satisfação interna: 94%

A mudança de mentalidade que libera escala real

Liderança de verdade não é ser “bonzinho” — é ser humano com consistência, enquanto mantém padrões altos e clareza de direção.

Um líder que impõe entrega a qualquer custo pode crescer rápido — mas por pouco tempo.
Um líder que combina autoconsciência com ambição constrói algo que dura.

Provocação final:

Quando foi a última vez que você compartilhou um erro real com seu time?
Mais importante: o que aconteceu com a performance depois disso?

Vendas tradicional (modelo linear)

• 1 SDR = 50 ligações/dia

• 1 AE = 8 demos/semana

• CAC médio B2B SaaS = US$ 15.000

• Tempo para ROI positivo = 18 meses
  

Vendas com IA (modelo exponencial)

• 1 GTM Engineer + IA = 5.000 touchpoints/dia

• Personalização em massa real (não “Hi {{FirstName}}”)

• CAC reduzido em 70–85%

• Tempo para primeira venda: 3–5 dias
  

A matemática é brutal: um SDR júnior custa US$ 60k/ano + benefícios. Um stack de IA custa ~US$ 500/mês e trabalha 24/7. Mas o verdadeiro insight não está no custo — está na velocidade de iteração.

Como a 11x.ai está redefinindo o jogo

Alice, o agente de vendas da 11x.ai, não é um chatbot glorificado. É um sistema que:

• Pesquisa em tempo real: analisa 10.000 data points por lead em segundos

• Hiperpersonaliza: escreve e-mails únicos com base em posts do LinkedIn, mudanças de cargo, earnings calls

• Qualifica com contexto: aplica BANT/MEDDIC melhor que 80% dos SDRs humanos

• Aprende e melhora: cada interação treina o modelo para o próximo ciclo
  

Resultado prático: a Brex reduziu o time de SDRs de 48 para 12 pessoas. A performance do pipeline aumentou 3,2×.

O que a Brex descobriu (e você precisa entender):

1. SDRs humanos agora fazem trabalho estratégico — parcerias, contas enterprise, relacionamento.

2. IA cuida do volume — primeiro contato, follow-ups, qualificação básica.

3. Surge o novo cargo crítico: GTM Engineer — quem arquiteta e otimiza esses sistemas.

Playbook tático para implementar IA em Vendas

Fase 1 — Automatize o óbvio (Semanas 1–4)

• E-mail sequences com Clay.com ou Smartlead

• Enriquecimento de dados com Apollo + GPT

• Chatbots de qualificação no site

Fase 2 — Construa inteligência (Mês 2–3)

• Modelos específicos do seu ICP

• Lead scoring preditivo

• Call recording + análise com Elephan.ai/Gong/Chorus/MeetRox

Fase 3 — Escale exponencialmente (Mês 4+)

• SDR virtual 24/7

• A/B testing automático de messaging

• Pipeline preditivo com alertas de churn

Ferramentas essenciais do stack

• Agentes: 11x.ai, Qualified, Drift

• Orquestração: Clay, n8n, Zapier com IA

• Analytics: Gong, Clari, People.ai

• Enriquecimento: Clearbit, ZoomInfo + GPT

Custo total estimado: US$ 2–5k/mês para substituir 5–10 SDRs.

* Se você conhece e já usa ferramentas brasileiras que têm as mesmas funcionalidades e potencial dessas, melhor ainda. Seu custo será ainda menor. Aliás, vale me indicar!

A provocação final: você está construindo uma máquina ou um time?

O maior erro? Tratar IA como “ferramenta” em vez de membro do time. Pense no seu SDR virtual como pensaria num SDR humano:

• Qual é o ICP dele?

• Quais objeções ele precisa superar?

• Como ele se integra com o time de AEs?

• Qual é o career path de um GTM Engineer na sua empresa?
  

A verdade inconveniente: em 18 meses, empresas sem IA em vendas serão como empresas sem CRM em 2010 — tecnicamente possível, praticamente irrelevante.
A pergunta não é SE você vai implementar. É QUANDO e COMO.

E, mais importante: seu time está pronto para operar máquinas de crescimento ou você ainda contrata para fazer cold call?

🔍 PESQUISA EXCLUSIVA: O PARADOXO DA ADOÇÃO DE IA EM EMPRESAS DE US$50M+

A Winning by Design realizou uma pesquisa profunda sobre IA-led Growth que revela um ponto de inflexão claro no mercado:

O Paradoxo:

• 89% vão aumentar o investimento em IA no GTM nos próximos 12 meses

• Mas 58% ainda alocam <5% do orçamento em IA

"Apesar de todo o buzz, as empresas operando com IA no centro ainda são a minoria. E as adoções ainda estão em um ciclo de 'early-adoption'."

Principais categorias mapeadas:

1. Prioridades de uso da IA:

• 51% → Sales Enablement (velocidade, eficiência e coaching)

• 22% → Forecasting & Pipeline Predictability

• 15% → Marketing Automation & Personalização

2. Principais barreiras de adoção:

• Integração de sistemas (CRM / AI Tools)

• Falta de expertise interno

• Dificuldade em provar ROI

• Qualidade dos dados

3. Drivers por perfil executivo:

• CROs → previsibilidade e produtividade

• CMOs → personalização e eficiência de campanhas

• RevOps → integração e fluidez do sistema GTM

Direcionamentos práticos para empresas R$50M+:

1. Substitua aumento de headcount por re-alocação de orçamento para IA

2. Crie task forces interdisciplinares com foco em fluência operacional de IA

3. Priorize playbooks que conectem eficiência com previsibilidade de receita

4. Use IA como infraestrutura — não apenas ferramenta

A pergunta central que emerge: Como empresas como Cursor e Harvey chegaram a US$100M de ARR em menos de 2 anos com menos de 50 pessoas?

A resposta não é sobre substituir humanos. É sobre eliminar o que desperdiça o tempo deles.

🚀 AS 4 MUDANÇAS FUNDAMENTAIS NO GTM DE EMPRESAS NATIVAS DE IA

Jacco van der Kooij apresentou uma análise definitiva sobre o que mudou fundamentalmente no GTM das empresas nativas de IA:

1. Transição de "clientes" para "usuários" como unidade central do GTM

• Empresas tradicionais B2B SaaS: focam em conquistar logos (ex: Fortune 500)

• Nativas de IA: focam em ativar, reter e transformar usuários em promotores — mesmo em empresas grandes

• Resultado: Exploram um K-Factor (usuários → novos usuários) negligenciado no modelo antigo

2. Criação de reservas de usuários (não apenas de leads)

• GTM tradicional: gira em torno de funil, MQLs e SQLs

• GTM moderno: gira em torno de "reservas" intencionais de usuários ativos, advogados, campeões e feedback loops

3. Playbook centrado em advocacy desde o início

• Empresas como Cursor não apenas vendem para um buyer, mas engajam múltiplos usuários com experiências excepcionais desde o trial

• Transformam experiências em canais de crescimento (G2, LinkedIn, user groups etc.)

4. Aplicação nativa de IA no processo GTM

• Agentes de IA que engajam inbound, pesquisam sobre o cliente, respondem tecnicamente — e aprendem

• Não se trata de usar IA para automatizar o antigo, mas para redesenhar o processo desde o início com base na experiência do usuário

💡 A NOVA MATEMÁTICA: USUÁRIOS COMO CENTRO DE GRAVIDADE

David Spitz revelou, com dados, por que as empresas deixaram de crescer mesmo com mais clientes:

"O modelo atual concentra 75% do esforço de GTM em 5% da base. Os outros 95% — os usuários que realmente usam o produto — seguem invisíveis para marketing e vendas."

Consequências do modelo antigo:

• Crescimento desacelerou

• CAC saiu do controle

• Conversões despencaram

A nova tese consolidada:

"Quem cresce mais rápido não é quem gera mais leads — é quem transforma usuários em advogados do produto."

O Novo Playbook em Ação:

As empresas que estão escalando:

• Criam ecossistemas de usuários, não só de clientes

• Rastreiam quais usuários são ICPs potenciais — e os ativam com IA

• Constroem campanhas de advocacy, não só de nurturing

• Medem o sucesso por "reservas de usuários", não por SQLs

A matemática não mente:

• 1.500 clientes × 12 usuários = 18.000 usuários

• 1 em 25 virando advogado = 720 novas oportunidades

• Ativação com IA: tempo real, personalizado, sem precisar de 7.000 leads por mês

🎯 DIAGNÓSTICO: VOCÊ ESTÁ USANDO O MODELO ERRADO PARA A FASE CERTA?

Para empresas que já passaram dos R$50M em receita e sentem que o motor de crescimento está travando, a pergunta central é:

Você está focando nos 5% (clientes/logos) ou nos 95% (usuários reais do produto)?

Próximos passos recomendados:

1. Diagnostique sua maturidade em AI-GTM

2. Eleja 1-2 casos de uso com ROI comprovado (Forecast, Enablement, ABM)

3. Crie um plano de 90 dias para transformar IA em vantagem estrutural

4. Meça impacto com métricas de eficiência, velocidade de ciclo e precisão de forecast

🔮 TAKEAWAY: NÃO FOI A IA QUE MATOU O FUNIL. FORAM OS USUÁRIOS.

A revelação mais impactante do Summit foi clara:

"E não foi a IA que matou o conceito de funil. Foram os próprios clientes. Melhor dizendo: os usuários."

A centralidade no usuário é uma das peças principais na mudança da nova matemática do GTM das empresas nativas de IA.

Isso explica cases como Cursor, Harvey e outras empresas que cresceram exponencialmente: não é só a tecnologia, mas princípios antigos sendo potencializados por novas plataformas com foco radical na experiência e advocacy do usuário.

A Pergunta que Fica:

Se você já passou dos R$50M em receita e sente que o motor está travando, talvez esteja usando o modelo errado para a fase certa.

O momento não tem margem para deixar o hype atrapalhar o que precisa ser feito. Quem não reposicionar agora, não vai escalar depois.

Qual é meu incômodo:

A maioria das empresas no BR (inclusive a minha) está subestimando a curva de implementação de IA. Especialmente em GTM.

Trabalho próximo de dezenas de fundadores todos os meses. E ao imergir e voltar, acho que há sim uma dissonância.

O Jason M. Lemkin foi direto em uma das falas mais provocativas do evento:

“Se o seu time de marketing, vendas, CS ou produto não estiver testando IA em alto nível até 30 de junho, eles têm que sair. Já estão fora do jogo.”

Um pouco de sensacionalismo?

Talvez vc possa achar que sim... Mas eu acho que não.

Vale dizer que:

- Eu morei no Vale em 2023

- Fiz um curso de IA em Stanford para entender melhor

- Fiz uma pesquisa dos primeiros impactos e soltei no youtube em nov/23

- Voltei outras 4 ou 5 vezes para acompanhar as evoluções mais de perto

Por isso mesmo essa provocação doeu. Mas me parece ser verdade.

Porque lá, ninguém está esperando.

→ A Perplexity está gerando reuniões 3x mais eficientes com IA

→ A HubSpot colocou copilotos em toda a operação GTM

→ A Snowflake orquestra vendas, CS e parceiros com sinal em tempo real

E o que me vem à mente quando eu vejo isso, pensa comigo:

SE as maiores startups da Bay Area — ou seja, as (1) empresas de tech, (2) no epicentro da inovação mundial, (3) com mais recursos e os melhores talentos

— estão chegando no nível IMPLEMENTAÇÃO que os DADOS e CASES que elas apresentaram indicam de fato estar acontecendo, o que isso quer dizer?

Pense na curva de adoção de tecnologia.

1) Primeiro os inovadores

2) Depois, os early adopters

3) Aí vem o ABISMO

4) Do outro lado, a early majority

5) Depois, os retardatários

E veja, o ChatGPT já chegou em camadas da sociedade inimagináveis até meses atrás. Mas e as implementações capazes de trazer ganhos massivos de produtividade?

Existe uma preocupação com o custo de nuvem e a sustentabilidade do ROI?

Sim.

Eu quero pagar pra ver sendo que TODAS as principais tecnologias relevantes do mundo tiveram um custo decrescente conforme se desenvolviam?

Não.

Bom, eu escrevi um resumo completo com os aprendizados mais profundos do SaaStr, com foco em quem lidera empresas entre R$50M e R$500M de receita.

Você pode acessar ele aqui.

Chegamos ao fim do SaaStr 2025 com revelações definitivas sobre o futuro do Go-to-Market. O último dia foi marcado por uma mensagem clara: estamos diante da maior mudança desde o surgimento do CRM, e empresas que não se adaptarem agora podem virar estatística em 12 meses.

Vamos aos últimos e cruciais insights! Abaixo também está nosso vlog do último dia:

ENCERRAMENTO ÉPICO: "NÃO TEM MAIS DESCULPA. OU VOCÊ ADAPTA A MÁQUINA, OU VIRA ESTATÍSTICA"

Jason Lemkin encerrou o SaaStr 2025 com o que ele próprio chamou de "sessão de terapia coletiva" — mas no lugar de um abraço, entregou um choque de realidade sobre empresas que cresceram sem nunca construir uma verdadeira máquina de receita.

O diagnóstico é brutal e preciso:

"Tem muita empresa que bateu $10M, $50M, $100M, mas nunca construiu uma máquina de receita. Só acertou o timing e o produto. E agora tá vendo a tração evaporar."

Lemkin desenhou o colapso em câmera lenta:

• 70% vira 40%

• 40% vira 20%

• Quando o crescimento encosta nos 10%, começa a doer: churn sobe, vendas desaceleram, preço aumenta na marra e ninguém novo chega

A métrica crítica: crescimento abaixo de 30% depois dos $100M é sinal claro de que o motor não está mais funcionando.

"Se você não revisitar suas suposições de produto, ICP e canais, vai escalar ineficiência."

Os fatores agravantes identificados:

• Muitas empresas subestimaram o risco de não virarem multiproduto cedo

• O hype de 2021 criou uma falsa sensação de competência

• A IA mudou a regra do jogo e elevou a barra para todo mundo

Seu recado final foi direto: quem não mudar o playbook agora, vai virar case de pós-mortem em 12 meses.

🔄 A EXTINÇÃO DO CRO TRADICIONAL

"CRO Tradicional vs. CRO Nativo de IA? O CRO que não souber liderar um time híbrido (humanos + agentes de AI) terá seu papel reduzido nos próximos 12 meses."

Em uma conversa entre Jason Lemkin e Kyle (CRO da Owner.com), emergiu uma discussão sobre como o papel do CRO está sendo completamente redefinido.

O cenário atual já inclui:

• AISGs (Automated Intelligent Sales Guidance) participando de reuniões

• Respostas a dúvidas técnicas em tempo real

• Correção de vendedores ao vivo

• Qualificação de leads com mais precisão que 90% dos SDRs júnior

A nova composição do time de receita inclui:

• SEs digitais que dominam o produto melhor que os próprios vendedores

• CROs com mentalidade de engenheiro de sistemas

• RevOps que operam infraestrutura e workflows com fluência nativa

Os 4 pilares para a transição:

1. Escolha ferramentas construídas por fundadores A++ — e exija pilotos sempre

2. Invista semanas consecutivas em adaptação. A mágica acontece depois da 5ª semana, não da 1ª

3. Seja brutalmente seletivo. Com 10 ferramentas boas por categoria, só quem escolhe certo cresce consistentemente

4. Treine sua equipe para gerir agentes. Gerir IA é diferente de gerir humanos

"A era do 'vendedor de relações' está cedendo espaço ao arquétipo do operador técnico de receita."

🧠 O PODER DA "MENTE DIGITAL": IA COMO VANTAGEM COMPETITIVA DEFINITIVA

Uma das palestras mais provocativas apresentou o conceito de Alpha no mundo da IA — a capacidade de filtrar "mentiras expertas" e conselhos genéricos com inteligência e contexto.

A Delphi criou uma "mente digital" baseada no histórico de um empresário que prosperou no Irã pré-Revolução, para simular decisões em ambientes incertos como o atual.

A nova camada de vantagem competitiva:

A mente digital já está sendo usada para:

• Substituir o site institucional no topo do funil

• Automatizar decisões estratégicas com contexto real

• Atender clientes como se fosse o próprio CEO

• Acelerar onboarding e treinamento

• Escalar vendas com menos pessoas e mais precisão

As 4 variáveis que mudam completamente a orientação estratégica:

1. Fase de receita (0-1M → 10-100M)

2. Tipo de mercado (emergente, estabelecido, encolhendo)

3. Perfil do cliente (enterprise, SMB, B2C)

4. Estrutura de time (solo founder, co-founders, especialistas)

Resultado:

• Antes: conselhos genéricos baseados em "melhores práticas"

• Agora: decisões moldadas por simulações contextuais de altíssima precisão

"No mundo da IA, o verdadeiro Alpha é o contexto."

📊 SÍNTESE FINAL: OS 5 PADRÕES QUE DEFINEM O FUTURO DO GTM

Após 12+ horas de conteúdo sobre como IA está redesenhando o Go-to-Market, cinco padrões emergem como definidores do sucesso futuro:

1. O fim dos funis de vendas lineares

78% das empresas que cresceram >100% YoY abandonaram estágios binários e passaram a operar com modelos probabilísticos de qualificação, predição e expansão.

2. A fusão de marketing, vendas e produto

OKRs compartilhados, dados unificados e squads interdisciplinares estão:

• Reduzindo 65% do tempo de ciclo

• Aumentando 47% a conversão

3. Automação que realmente gera ROI

A Owner.com cortou 72% do tempo de preparação para reuniões enterprise e aumentou em 53% a conversão de primeiras calls usando sistemas preditivos + follow-ups personalizados via IA.

4. Parcerias baseadas em dados, não em feeling

A Snowflake cresceu 217% via canais indiretos usando scoring preditivo para identificar e priorizar integrações hipercríticas.

5. Frameworks cognitivos para decisões estratégicas

Empresas como Alpha estão:

• Prevendo movimentos competitivos com 73 dias de antecedência

• Acelerando decisões estratégicas em até 67%

• Usando alertas baseados em sinais fracos de mercado

💡 TAKEAWAY FINAL: O IMPERATIVO GTM

O SaaStr 2025 deixou uma mensagem cristalina: a IA virou um imperativo GTM.

Não basta mais "usar IA". É preciso redesenhar completamente o modelo mental — e operacional — do seu Go-to-Market.

As empresas que estão vencendo não são necessariamente as maiores ou mais conhecidas. São as que:

✅ Reconstruíram seus processos de receita do zero ✅ Investiram em times híbridos (humanos + IA) ✅ Abraçaram a personalização contextual em escala ✅ Transformaram parcerias em plataformas de confiança ✅ Mediram eficiência, não apenas crescimento

Como Jason Lemkin resumiu em sua fala final:

"Não falamos sobre tendências. Falamos sobre sobrevivência. Se você ainda está defendendo sua posição com o produto de 2023, já começou a perder."

🚀 RUMO AO SAASTR 2026

Encerramos esta cobertura com a certeza de que testemunhamos um marco na história do Go-to-Market. As próximas empresas de trilhões de dólares não nascerão apenas de uma ideia brilhante, mas da capacidade de construir máquinas de receita inteligentes desde o primeiro dia.

Nos vemos em 2026 para acompanhar como essas transformações se materializaram no mundo real.

Obrigado por acompanhar nossa cobertura exclusiva!

Equipe SCIENT

Esta foi nossa cobertura completa do SaaStr 2025. Se você perdeu algum dos dias anteriores, acesse nossos outros posts com todos os insights dos 3 dias de evento.