O problema que ninguém quer admitir
O SDR de IA entrou para escalar. E escalou, de fato. O pipeline ficou cheio, o time de vendas ficou ocupado, e o ticket médio começou a cair silenciosamente.
Isso acontece porque a maioria dos modelos de qualificação é otimizada para volume, não para valor. O algoritmo aprende a aprovar leads, não a filtrar pelos certos.
O resultado é previsível: representantes dedicando tempo a contas pequenas, forecast inflado e receita abaixo do esperado.
Por que o threshold padrão falha em segmentação leads AI ticket size
Threshold é o ponto de corte: acima dele, o lead vai para o pipeline; abaixo, é descartado ou nutrido.
A maioria das ferramentas entrega um threshold default de 0,5, ou seja, qualquer lead com mais de 50% de chance de conversão avança. O problema não é a matemática, é o critério de conversão usado no treino.
Se o modelo foi treinado com histórico que mistura contratos de R$ 5 mil e R$ 500 mil, ele aprende padrões médios. Ele não sabe distinguir quem converte rápido com ticket baixo de quem leva 90 dias mas fecha contratos grandes.
Três sinais de que seu threshold está errado:
- Taxa de avanço de pipeline acima de 70% dos leads qualificados
- Ciclo de vendas caindo, mas ARR também
- Representantes reclamando de leads "fáceis mas sem dinheiro"
Como calibrar o modelo sem derrubar o volume
A lógica aqui é separar dois objetivos que vivem misturados: probabilidade de fechar e valor esperado do fechamento.
O ajuste funciona em três passos.
Passo 1 - Segmente o histórico por faixa de ticket
Divida seus deals fechados em pelo menos três faixas: pequeno, médio e estratégico. Use receita anual do cliente como proxy se o ticket em si variar por escopo.
Passo 2 - Treine ou pondere o modelo por faixa
Se a ferramenta permite retreino, crie um score separado para cada faixa. Se não permite, aplique um peso multiplicador ao score bruto baseado em atributos firmográficos: número de funcionários, setor, cargo do lead.
Passo 3 - Defina thresholds diferentes por rota
Lead de conta enterprise pode avançar com score 0,4. Lead de SMB precisa de 0,75 ou vai para sequência de baixo custo. Volume se mantém; destino muda.
Atributos que predizem ticket alto e ficam fora do modelo padrão
A maioria dos SDRs de IA usa dados comportamentais: páginas visitadas, e-mails abertos, formulários preenchidos. Esses dados predizem intenção, não capacidade de compra.
Para segmentação leads AI ticket size funcionar de verdade, você precisa cruzar intenção com firmografia e contexto de compra.
Atributos com maior correlação com ticket alto, segundo análises de CRM em B2B SaaS:
- Receita anual da empresa acima de R$ 10 milhões
- Mais de 200 funcionários no LinkedIn
- Cargo do lead: VP, Diretor ou C-level
- Empresa com mais de uma unidade de negócio ou filial
- Histórico de compra de soluções complementares (dados de intent de terceiros)
- Processo de compra formal, identificado por perguntas de discovery
Nenhum desses atributos aparece sozinho em um formulário de contato. Eles precisam ser enriquecidos via API ou coletados no primeiro contato humano.
Escala não é sinônimo de volume: redefinindo a métrica certa
O erro conceitual está na definição de escala. Escala não é processar mais leads, é processar mais receita potencial com o mesmo esforço.
Um SDR de IA que qualifica 500 leads por mês com ticket médio de R$ 8 mil gera R$ 4 milhões de pipeline potencial. O mesmo SDR qualificando 200 leads com ticket médio de R$ 40 mil gera R$ 8 milhões, com menos ruído para o time comercial.
As métricas que importam mudam:
| Métrica antiga | Métrica correta | |---|---| | Leads qualificados por mês | Receita potencial qualificada por mês | | Taxa de conversão de MQL para SQL | Ticket médio de SQL | | Volume de atividades do SDR | Cobertura de ICP estratégico |
A transição exige alinhar o objetivo do modelo de IA com o objetivo do negócio, não com o objetivo do funil.
Implementação prática: o que fazer nas próximas duas semanas
Ajuste de threshold não é projeto de trimestre. Com acesso ao CRM e à ferramenta de IA, é possível começar em dias.
Semana 1:
- Puxe os últimos 12 meses de deals fechados com ticket e atributos firmográficos
- Calcule o ticket médio por fonte de lead e por score de qualificação
- Identifique o score mínimo de leads que fecharam acima do ticket-alvo
- Esse número é seu novo threshold para contas estratégicas
Semana 2:
- Configure rotas distintas no CRM: strategic, mid e low-value
- Aplique sequências diferentes por rota, com cadência e esforço proporcionais ao valor
- Monitore pipeline por faixa de ticket, não por volume total
- Agende revisão de threshold em 30 dias com dados reais
Não existe configuração definitiva. O mercado muda, o ICP evolui, e o modelo precisa acompanhar. A disciplina de revisão periódica vale mais do que o ajuste perfeito no dia zero.
Perguntas frequentes
O que é threshold em um SDR de IA? Threshold é o ponto de corte do score de qualificação. Leads acima do valor definido avançam para o pipeline; abaixo, são descartados ou enviados para nutrição. O valor padrão da maioria das ferramentas não considera ticket esperado, apenas probabilidade de conversão.
Segmentação leads AI ticket size funciona para empresas pequenas? Funciona, mas o benefício é maior em empresas com base de leads diversa em termos de tamanho de conta. Se todos os seus leads têm perfil similar, o ajuste de threshold por faixa de valor traz ganho menor do que o enriquecimento de dados firmográficos.
Reduzir o volume de leads qualificados não vai impactar o time de vendas negativamente? Depende de como o impacto é medido. Se a métrica é quantidade de oportunidades, sim, o volume cai. Se a métrica é receita potencial em pipeline, o resultado costuma ser neutro ou positivo, com menos esforço desperdiçado em contas fora do ICP.
Quais ferramentas de SDR de IA permitem ajuste de threshold por segmento? Ferramentas como Clay, Amplemarket, Outreach e algumas configurações de HubSpot com scoring customizado permitem ponderação por atributos firmográficos. O nível de flexibilidade varia: algumas exigem configuração via API, outras têm interface nativa para regras de roteamento.
Com que frequência devo revisar o threshold de qualificação? O mínimo recomendado é a cada 60 a 90 dias. Revisões mais frequentes fazem sentido em períodos de mudança de posicionamento, novo produto ou expansão para segmento diferente. O sinal mais claro de que o threshold precisa de ajuste é a divergência entre ticket médio de SQL e ticket médio de deals fechados.
