Por que seu SDR de IA qualifica leads que nunca fecham: diagnóstico de threshold mal calibrado

O que é threshold de qualificação e por que ele importa

Threshold, em SDRs de IA, é o valor mínimo de pontuação que um lead precisa atingir para ser considerado qualificado e seguir para o próximo passo do processo comercial.

Parece simples. E é exatamente por isso que muitas empresas erram.

Quando esse valor é definido sem dados históricos sólidos, ele vira chute. Um chute caro.

• Threshold muito baixo: leads sem fit real entram no pipeline e consomem tempo de Account Executives.
• Threshold muito alto: oportunidades reais são descartadas antes de chegar a qualquer conversa.
• Threshold fixo e nunca revisado: o modelo perde aderência conforme o mercado muda.

O resultado mais comum nas empresas que nos procuram é o primeiro caso. O SDR de IA aprova com entusiasmo. O time de vendas fecha com raridade.

Como identificar que seu threshold está mal calibrado

Antes de mexer em qualquer configuração, o diagnóstico precisa ser baseado em números, não em percepção do time.

Três métricas revelam o problema com clareza:

1. Taxa de conversão SQL para fechamento Se seus SQLs gerados pela IA convertem abaixo de 15% em reuniões realizadas, ou abaixo de 8% em contratos assinados, o sinal é vermelho.

2. Motivo de perda registrado pelo AE Puxe os últimos 60 dias de oportunidades perdidas e filtre por motivo. Se "sem orçamento", "sem autoridade" ou "sem problema real" dominam a lista, o threshold não está filtrando o que deveria.

3. Tempo médio de ciclo por fonte Leads vindos do SDR de IA com ciclo muito mais longo do que leads inbound orgânicos indicam que a qualidade de entrada é diferente, mesmo que a pontuação diga o contrário.

Um padrão recorrente: empresas que implantam o SDR de IA sem ajustar o threshold para seu segmento específico copiam benchmarks genéricos de mercado. Benchmark de SaaS B2B horizontal não serve para fintech regulada. Não serve para indústria com ciclo de 6 meses. Não serve para nenhum negócio com particularidades não mapeadas no modelo original.

As causas mais comuns do threshold errado

O threshold mal calibrado não nasce do nada. Ele tem causas identificáveis.

Causa 1: dados de treinamento desbalanceados Se o modelo foi treinado com mais exemplos de leads que "avançaram" do que de leads que "fecharam", ele aprende a prever avanço, não receita. Avançar é diferente de fechar.

Causa 2: ausência de feedback loop real O SDR de IA qualifica. O AE rejeita o lead informalmente, sem registrar o motivo no CRM. O modelo nunca aprende que aquele perfil não converte. O ciclo se repete.

Causa 3: threshold definido uma vez e nunca revisado Mercado muda. ICP muda. Produto evolui. Um threshold configurado na implantação e esquecido por 12 meses trabalha com uma fotografia antiga do seu cliente ideal.

Causa 4: variáveis erradas com peso alto Cargo e tamanho de empresa têm peso excessivo, enquanto sinais comportamentais, como páginas visitadas, conteúdo consumido e frequência de retorno, ficam subvalorizados. O modelo vira um filtro demográfico, não preditivo.

Como recalibrar o threshold com método

Recalibrar não é só mover um número. É um processo com etapas definidas.

Passo 1: construa o dataset de verdade Exporte todos os leads dos últimos 90 dias com a pontuação que o SDR de IA atribuiu e o resultado final: fechou, perdeu, ou está parado. Esse é o seu ground truth.

Passo 2: encontre o ponto de corte real Plote a distribuição de pontuações separando leads que fecharam dos que não fecharam. O threshold ideal está onde a taxa de precisão (leads aprovados que realmente fecham) e a taxa de recall (leads que fecham e foram aprovados) se equilibram para o seu negócio. Para negócios com CAC alto, precisão vale mais. Para negócios com alto volume e ticket baixo, recall pode valer mais.

Passo 3: segmente por canal e persona Um threshold único para todos os canais é uma simplificação perigosa. Lead de cold outbound tem padrão diferente de lead de evento presencial. Calibre por segmento.

Passo 4: implante o feedback loop no CRM Todo lead rejeitado pelo AE precisa de motivo registrado em campo estruturado, não em nota de texto livre. Esse dado alimenta o modelo na próxima rodada de ajuste.

Passo 5: revisite a cada 60 dias nos primeiros 6 meses Depois que o modelo estabilizar, revisão trimestral já sustenta a qualidade. Mas nos primeiros meses, 60 dias é o intervalo certo.

O custo real de ignorar esse problema

Threshold mal calibrado não é só um problema técnico. É um problema de custo e de cultura comercial.

Do lado do custo:

• AE gasta tempo em reuniões sem potencial real de fechamento.
• Taxa de no-show sobe porque o lead não tinha comprometimento genuíno.
• O pipeline infla com volume falso, distorcendo previsões de receita.

Do lado da cultura:

• O time de vendas perde confiança no SDR de IA rapidamente.
• Quando a confiança vai, o time começa a ignorar os leads gerados e fazer prospecção manual paralela, duplicando esforço.
• A adoção da ferramenta regride. O investimento em IA vira linha de custo sem retorno visível.

Um dado que observamos com frequência em diagnósticos: empresas com threshold mal calibrado têm taxa de rejeição de SQL pelo AE acima de 40%. Empresas com calibração adequada ficam entre 10% e 20%. Essa diferença, multiplicada pelo custo hora do AE, representa dezenas de milhares de reais por trimestre em tempo desperdiçado.

Calibração threshold SDR IA: o que monitorar depois do ajuste

Depois que o threshold é recalibrado, o trabalho não termina. Ele entra em modo de manutenção.

Monitore essas métricas de forma contínua:

• Precision@threshold: dos leads aprovados, quantos realmente avançam para proposta?
• Recall@threshold: dos leads que fecharam, quantos foram aprovados pela IA?
• Taxa de rejeição do AE por motivo: mantém o feedback loop ativo.
• Drift de pontuação média: se a pontuação média dos leads aprovados começa a cair sem motivo aparente, o mercado mudou ou o modelo começou a degradar.
• Correlação entre score e ticket: leads com score alto devem ter ticket médio pelo menos equivalente ao do seu cliente ideal. Se o score alto está chegando com ticket baixo, as variáveis estão priorizando o perfil errado.

A calibração threshold SDR IA não é um evento. É uma prática.

Empresas que tratam como prática constroem vantagem real. Empresas que tratam como configuração inicial deixam dinheiro na mesa todo trimestre.

Perguntas frequentes

O que é threshold em um SDR de IA? É o valor mínimo de pontuação que um lead precisa atingir para ser classificado como qualificado pelo sistema. Ele define o corte entre leads que seguem para o time de vendas e os que são descartados ou nutridos antes.

Com que frequência devo revisar o threshold do meu SDR de IA? Nos primeiros seis meses após a implantação ou após um ajuste, revise a cada 60 dias. Depois que o modelo estabilizar e o feedback loop estiver funcionando, revisão trimestral é suficiente para a maioria dos negócios B2B.

Qual a diferença entre threshold de precisão e threshold de recall? Precisão mede quantos dos leads aprovados realmente convertem. Recall mede quantos dos leads que converteriam foram aprovados. Um threshold alto favorece precisão, um threshold baixo favorece recall. O equilíbrio ideal depende do seu modelo de negócio, ticket e capacidade do time.

Meu time de vendas reclama da qualidade dos leads da IA. Como uso esse feedback na calibração? O feedback precisa ser estruturado, não informal. Configure um campo obrigatório no CRM para motivo de rejeição de SQL, com opções padronizadas: sem orçamento, sem autoridade, sem problema identificado, timing ruim, entre outros. Esse dado alimenta o ajuste do modelo e do threshold diretamente.

É possível ter thresholds diferentes para canais de aquisição distintos? Sim, e é recomendado. Lead de cold outbound, lead de evento, lead de inbound orgânico e lead de indicação têm padrões comportamentais e de intenção diferentes. Aplicar um threshold único para todos ignora essas diferenças e reduz a precisão do sistema.