Essa edição da newsletter é sobre como IA agêntica pode ajudar os times de go to market (mas a grande diferença aqui é na forma como os times trabalham juntos e não a tecnologia em si). E, como sempre como profissionais de CRM, marketing e afins pode tirar proveito para se posicionarem como líderes (tanto dos projetos de go to market quanto de suas próprias carreiras).

Espero que vocês gostem.

No dia 4 de setembro a Harvard Business Review publicou um artigo assinado por um professor da Universidade do Texas e por quatro sócios da McKinsey sobre a IA agêntica dissolvendo a fronteira entre marketing e vendas. Mas o que me interessou mais está na última página: os autores dizem que a tecnologia para montar um sistema de go-to-market em ciclo fechado já existe e já funciona.

​
O artigo inteiro gira em torno de uma palavra que ele nunca define, mas que definiremos aqui. Contexto é, por exemplo, tudo o que a sua empresa já sabe sobre uma pessoa no instante em que fala com ela: quem ela é, o que já comprou, o que já perguntou, em que etapa está e o que ela autorizou você a fazer com os dados dela. Some a isso o significado de cada um desses registros dentro dos seus sistemas, porque um campo preenchido que ninguém sabe interpretar continua sendo apenas um dado largado.

Na verdade, contexto sempre importou. O que mudou foi quem consome e, com isso sua urgência. Um vendedor humano que recebe um lead sem contexto faz o que sempre fez, ele pergunta. Liga, se desculpa por repetir uma pergunta que a empresa já tinha respondido e reconstrói na conversa aquilo que o sistema não entregou. Um agente de IA não pergunta, ele lê o que está registrado e age em busca do objetivo estabelecido. Quando o contexto está incompleto, o vendedor produz um atrito pequeno e o agente produz um erro, na velocidade e no volume definido para o agente. É por isso que uma falha de contexto que a sua empresa não conserta há dez anos passa a ter consequências mais sérias agora.

​
O artigo também explica os benefícios para empresas que usam esse contexto. Por exemplo, quando marketing, vendas e agentes leem a mesma base de cliente, cada ação tomada por qualquer um dos três volta para essa base como dado novo, e a segmentação da semana seguinte já nasce corrigida pelo que aconteceu na anterior. Note que ninguém é substituído nesse desenho, o contexto é que cresce de forma positiva e sem zerar a cada etapa.

​
Então, porquê apenas poucas empresas usam esse contexto? O que impede as empresas hoje, segundo os autores, é a (falta de) disposição da liderança de desenhar esse sistema em torno do cliente em vez de desenhá-lo em torno do seu próprio organograma. Desenhar em torno do organograma é o que quase toda empresa faz por definição. Marketing tem a sua plataforma, o seu banco e a sua meta, vendas tem os seus, e o cliente é repassado de uma área para a outra como um arquivo em anexo. Desenhar em torno do cliente inverte a ordem das perguntas: primeiro se define o que o cliente precisa ver e em que momento, e só depois se decide qual área e qual sistema entregam o que é necessário. A vantagem prática aparece no ponto do repasse entre os times, que é justamente onde o contexto costuma desaparecer.

​
Os números do artigo são desconfortáveis exatamente para quem opera esse repasse, ou seja, para nós, profissionais de marketing. Mais de 80% dos consumidores usam vários canais para pesquisar ou comprar, e o comprador B2B passa por dez canais de interação numa jornada típica, o dobro do que passava há menos de uma década. Cada canal a mais é uma chance a mais de o contexto se perder na passagem. A pesquisa B2B Pulse de 2026 da McKinsey mede quanto isso custa: o motivo número um para um comprador trocar de fornecedor é receber informação inconsistente de times diferentes da mesma empresa. O que empurra o cliente para o concorrente é ter recebido duas versões da mesma empresa na mesma semana, uma do fluxo de CRM e outra do vendedor que ligou depois. O produto do concorrente nem precisa ser necessariamente melhor…

O agente não sabe que "D" quer dizer "Débito"

O relatório AI Agents in the Enterprise, que a The Martech Weekly produziu com a Treasure Data, tem a melhor definição do problema que eu achei até agora. Uma base unificada é o mínimo, não a linha de chegada. O que falta depois dela é a camada semântica (que também é contexto), e um diretor de dados de um banco americano explica isso em uma frase: um agente não saberia que "D" significa "Débito" na tabela de transações, você precisa dar contexto a ele.

Aha! Aqui vemos contexto como benefício novamente. O mesmo relatório aponta que 63% das organizações não têm, ou não sabem se têm, as práticas de gestão de dados necessárias para IA, e que empresas com mais de 5 mil funcionários rodam em média 131 aplicações SaaS. Quanto mais sistemas, mais “dialetos” diferentes de dados convivendo na mesma empresa. A pessoa que sabe o que cada campo quer dizer, quais exclusões existem e por que aquela base de 2023 não serve mais para acionar ninguém é você, profissional de CRM, marketing e afins!

O artigo da HBR chega à mesma conclusão por um outro caminho. Os autores dizem que o sucesso exige duas mudanças. A primeira é tecnológica, uma fundação de dados de clientes compartilhada que permita a marketing, vendas e agentes operarem no mesmo contexto. A segunda é organizacional, incentivos e métricas que meçam a jornada inteira, com as distinções entre MQL e SQL dando lugar a qualidade de pipeline, conversão e valor do cliente ao longo do tempo. Eles também nomeiam uma posição nova, ou ao menos um novo título, o go-to-market engineer, responsável por desenhar e governar os fluxos agênticos que atravessam as duas áreas.

​
Alguns exemplos citados: numa empresa de tecnologia da Fortune 500, em oito semanas, os vendedores apoiados por IA passaram a enviar cinco vezes mais mensagens mantendo as mesmas taxas de abertura, de resposta e de agendamento, e o tempo de preparação para a primeira ligação caiu de uma ou duas horas para dez ou quinze minutos. Os próprios autores creditam o resultado aos dados compartilhados e aos repasses coordenados por trás do agente, muito mais do que ao agente, a tecnologia, em si.

E uma observação interessante: Nem o relatório da The Martech Weekly nem Rio Longacre, sócio da Credera, encontram evidência de encolhimento de times, e as equipes de marketing cresceram 5,4% em 2024. A conversa, por enquanto, parece ser sobre quem senta em qual cadeira de marketing.

O que você pode fazer:

1. Mapeie onde o contexto se perde. Desenhe a jornada real de um único cliente que passou por marketing e por vendas nos últimos 90 dias, e marque cada ponto em que o time seguinte precisou perguntar algo que a empresa já sabia. Cada marca dessas é um lugar onde um agente vai errar em escala.
2. Liste, pelo nome, os sistemas que marketing lê e os sistemas que vendas lê. Se as duas listas não forem idênticas, você já tem o diagnóstico e não precisa comprar um de fornecedor.
3. Construa essa "fundação de contexto" compartilhada pelos times antes do soltar o agente.
4. Escreva com vendas um contrato de dados de uma página. O que conta como contato, o que conta como conta, quem tem autoridade para alterar cada campo, e qual sistema vence quando os dois discordam.
5. Documente a camada semântica dos seus dez campos de dados do consumidor/cliente mais usados. O que cada código quer dizer, quais exclusões existem, qual o estado do consentimento. Um agente que aborda por conta própria vai acionar contatos cujo opt-in já venceu, a menos que alguém tenha escrito a regra antes.
6. Troque a métrica que te mantém no operacional. Proponha aposentar o par MQL e SQL como métrica de reporte executivo e colocar no lugar qualidade de pipeline, conversão e valor do cliente ao longo do tempo. A HBR aponta essa troca como uma das duas mudanças necessárias, e ela é organizacional antes de ser técnica.
7. Posicione sua carreira antes que o cargo seja criado sem você. Escreva hoje a versão da sua própria descrição de cargo que inclui a responsabilidade de go-to-market engineer, desenhar e governar os fluxos agênticos que atravessam marketing e vendas, e leve para a sua liderança antes que alguém contrate de fora.
8. Escolha uma competência que não morre junto com a plataforma. Governança de dados, desenho de sistema e tradução entre time técnico e time comercial sobrevivem a qualquer troca de ferramenta.

O que esse artigo de Harvard mostra é que a tecnologia parou de ser a desculpa, e o que sobrou é uma decisão de processo de marketing que alguém na sua empresa vai tomar neste trimestre. A minha leitura é que essa pessoa pode (e deve!) ser você, porque você já administra as duas coisas que estão em jogo.

Chung, Doug J., Jean-Christophe Fann, Candace Lun Plotkin, Jennifer Stanley e Maria Valdivieso. "AI Is Blurring the Line Between Sales and Marketing". Harvard Business Review, 4 de setembro de 2026.

Taylor, Keanu. "AI Agents in the Enterprise: From Pilots to Proof". The Martech Weekly, em colaboração com a Treasure Data, 2025.

Longacre, Rio. "The Peculiar Rise of the Marketing Engineer: How AI Is Redesigning the Marketing Profession". Signal & Noise, 5 de agosto de 2026.

Referências

1. MarTech Square, What Is a Customer Decision?, 17 de agosto de 2026 (publicação original no Customer Decisioning Guild em 15 de agosto de 2026), customerdecisioningguild.com.
2. Scott Brinker, em declaração a Shana Haynie, The Data Reality Check: AI is only as smart as the signals behind it, MoEngage Customer Engagement Magazine, Issue 1, julho de 2026.
3. Juan Mendoza, Making Sense of Martech (série Office Hours), episódio Dirty Data Everywhere, 20 de abril de 2026. Relato de terceiro colhido em evento, não pesquisa.
4. MarTech Square, What Is a Customer Decision?, agosto de 2026. No original: "Every ingredient has an owner. The decision has none."
5. Allen Martinez, Delegated authority is the missing layer in the AI martech stack, MarTech.org, abril de 2026. Framework POP (Permissions, Obligations, Prohibitions).
6. MoEngage, State of AI in Customer Engagement in LATAM, 2026.
7. Tudo Sobre Incentivos e Vertem, Tendências de fidelização e engajamento 2025, com dados Comarch, p. 160.
8. PHDX e WARC, From Abundance to Agents, julho de 2026, pp. 85 e 88.
9. Stanford AI Index, citado por Rio Longacre em We Passed the Turing Test and Went Back to Work, Signal & Noise, 2026, signalandnoise.ai.
10. MarTech Square, 10 de novembro de 2025 e 19 de janeiro de 2026.^[14] MarTech Square, The Customer Decisioning Vacuum. A série completa Customer Decisioning Blueprint, de Pawan Deshpande e Satya Upadhyaya, saiu em sete partes entre 17 de novembro de 2025 e 5 de janeiro de 2026.

Você recebeu este email porque se inscreveu no meu site sobre CDP para profissionais de CRM ou através da minha newsletter The Experimental Marketer. Para se descadastrar dessa newsletter, use o link abaixo.