O problema começa antes do primeiro lead chegar
A maioria das equipes configura seu SDR de IA uma vez e considera o trabalho feito. O modelo começa a pontuar, classificar e priorizar. Os números parecem razoáveis. Mas semanas depois, o time de vendas percebe que os leads "quentes" não convertem - e os que convertem nem apareceram no topo da fila.
O diagnóstico comum é "o modelo errou". O diagnóstico correto é mais específico: o prompt carregava premissas que não existem no mercado real.
Isso não é falha de tecnologia. É falha de calibração. E tem solução.
Quatro vieses clássicos que entram pelo prompt
Quando você escreve as instruções do seu SDR de IA, cada escolha de palavra é uma hipótese sobre o mercado. Algumas hipóteses são verdadeiras. Muitas não são.
1. Viés do cliente ideal idealizado
O ICP foi definido em uma reunião de planejamento, sem dados históricos de fechamento. O prompt replica esse ICP como verdade absoluta. O modelo então descarta leads que não se encaixam no molde - incluindo segmentos que sua empresa nunca testou mas que comprariam.
2. Viés de senioridade
O prompt instrui o modelo a priorizar C-level. Na prática, em empresas de médio porte, a decisão passa pelo gerente de TI ou pelo coordenador financeiro. O modelo filtra exatamente as pessoas certas pelo motivo errado.
3. Viés de setor vertical
Se o prompt lista "indústria de manufatura" como prioridade, o modelo penaliza leads de logística ou agronegócio - mesmo que sua solução resolva o mesmo problema para todos eles.
4. Viés de tamanho de empresa
Faixas de headcount no prompt costumam ser copiadas de benchmarks de mercado, não do seu histórico de vendas. Uma empresa de 80 funcionários pode ter ticket médio idêntico a uma de 500, dependendo do setor.
Como o modelo amplifica o viés em vez de corrigi-lo
Um SDR humano percebe quando algo está errado. Ele ouve a resposta do lead, ajusta o discurso, anota observações. O modelo de IA não faz isso por padrão - ele executa a instrução com consistência perfeita, inclusive quando a instrução está errada.
Isso cria um ciclo perigoso:
- O prompt define critérios equivocados
- O modelo qualifica com base nesses critérios
- Os leads desqualificados nunca chegam ao time de vendas
- O time de vendas não tem dados para contestar a qualificação
- O prompt permanece intacto
O resultado é um funil que parece limpo por fora e está contaminado por dentro. Taxas de conversão caem. O time culpa o volume de leads. O problema real permanece invisível.
Como mapear o viés: confrontando prompt com realidade
O processo é direto. Ele exige dados históricos e disposição para questionar decisões que pareciam óbvias.
Passo 1 - Extraia seus clientes reais dos últimos 18 meses
Liste os que fecharam, os que avançaram mas não fecharam e os que desistiram depois de qualificados. Mapeie: setor, tamanho, cargo do contato inicial, tempo de fechamento, ticket.
Passo 2 - Compare com os critérios do prompt
Para cada critério no prompt, pergunte: quantos dos meus clientes reais passariam por esse filtro? Se a resposta for menos de 60%, o critério precisa ser revisado.
Passo 3 - Identifique os padrões ocultos
Procure correlações que o prompt ignora. Exemplo: empresas com time de marketing interno têm taxa de fechamento 2x maior, mas o prompt não menciona esse atributo.
Passo 4 - Reescreva com pesos, não com binários
Em vez de "qualificar apenas C-level", instrua o modelo a pontuar mais alto contatos de C-level, mas não desqualificar outros cargos automaticamente. Qualificação por pontos é mais resistente a viés do que qualificação por exclusão.
Sinais de alerta que sua equipe já conhece, mas não conectou ao prompt
Alguns indicadores de qualificação de leads IA com erros são visíveis no dia a dia - o time simplesmente não sabia a causa raiz:
- SDR passa leads para AE e o AE diz "esse não era para mim" com frequência acima de 30%
- Leads desqualificados voltam por outras fontes e fecham depois
- Reuniões de pipeline mostram concentração excessiva em um único segmento
- O modelo qualifica bem em períodos de alta demanda, mas o padrão quebra em meses lentos
- Clientes que vieram por indicação têm perfil diferente dos que o modelo teria aprovado
Cada um desses sinais é um dado. Tratado como dado, ele se torna correção de prompt. Ignorado, ele se torna churn de pipeline.
Recalibrando de forma contínua: o prompt como hipótese viva
A mentalidade correta para trabalhar com SDR de IA é científica, não operacional. O prompt não é uma configuração - é uma hipótese sobre o mercado. E hipóteses precisam ser testadas, revisadas e atualizadas.
Algumas práticas que funcionam:
- Revisão mensal do prompt com base nos últimos 30 dias de fechamento
- Tag de "falso positivo" e "falso negativo" no CRM para rastrear erros de qualificação sistematicamente
- Teste A/B de versões de prompt em segmentos de leads equivalentes
- Reunião trimestral de calibração com AEs, SDRs e o responsável pelo modelo
- Documentação de cada alteração no prompt com data, motivo e resultado esperado
Quando o prompt é tratado como hipótese viva, o modelo para de ser um problema e passa a ser uma vantagem competitiva real. A qualificação melhora porque a empresa aprende mais rápido do que concorrentes que congelaram suas instruções na semana de implementação.
O SDR de IA não erra porque é IA. Erra porque recebe instruções escritas por humanos que acreditavam saber mais sobre o mercado do que os dados confirmavam. A correção não está no modelo - está no processo de calibração.
Perguntas frequentes
Por que meu SDR de IA qualifica bem no início e piora com o tempo?
O mercado muda. Perfis de compradores, cargos decisores e segmentos prioritários se movem. Se o prompt não é atualizado junto com o mercado, o modelo continua aplicando critérios que eram válidos no passado mas deixaram de ser. A queda de performance é sinal de prompt desatualizado, não de falha do modelo.
Como identificar se o problema está no prompt ou nos dados de entrada dos leads?
Um teste simples: pegue 20 leads que o modelo desqualificou e avalie manualmente se você concordaria com a decisão. Se mais de 30% desses leads parecerem oportunidades válidas, o problema está no prompt. Se os leads realmente não têm fit, o problema está na geração de leads, não na qualificação.
Quantas vezes por mês devo revisar o prompt do SDR de IA?
Uma revisão mensal é o mínimo recomendado para equipes com volume regular de fechamentos. Empresas com ciclos de venda curtos e alto volume de dados podem se beneficiar de revisões quinzenais. O gatilho real não é o calendário - é qualquer variação de mais de 15% na taxa de conversão de SQL para oportunidade.
Faz sentido ter prompts diferentes para segmentos de mercado distintos?
Sim, e em muitos casos é necessário. Um único prompt que tenta cobrir enterprise e PME ao mesmo tempo tende a ser impreciso para os dois. Prompts segmentados permitem critérios calibrados por contexto, com pesos e sinais de qualificação específicos para cada realidade de compra.
Qual é o maior erro que equipes cometem ao escrever o prompt de qualificação?
Descrever o cliente que gostariam de ter, não o cliente que realmente compra. O ICP aspiracional é útil para estratégia de longo prazo. Para qualificação operacional, o ponto de partida deve ser sempre o histórico de fechamentos - com todos os seus padrões inesperados e exceções que o planejamento não antecipou.
