IA no Workflow do Demand Gen Manager

Você abriu 14 e-mails de vendors essa semana. 13 deles falavam de "IA." Nenhum te disse o que fazer de verdade na segunda-feira às 9h com o briefing de campanha que precisa estar pronto na quarta.

Vamos resolver isso.

Não vou te vender um futuro em que o LLM gerencia sua nutrição de leads enquanto você toma espresso. Já me queimei com três dessas ferramentas. Vou te dizer quais partes do trabalho de Demand Gen Manager a IA consegue tornar mais rápidas, quais ela quebra ativamente quando você confia nela e o plano de 30 dias que eu rodaria se começasse de novo na segunda-feira.

O enquadramento, antes de tudo: AI é um multiplicador de força para quem tem critério. Ela não transforma um DGM ruim em bom. Ela torna um bom DGM cerca de 30% mais rápido nas partes do trabalho que não exigem critério, para que você possa gastar mais tempo nas que exigem. O ICP, a política com Vendas, o número de pipeline no board ao lado do seu nome. Esses ainda são seus.

Onde a IA realmente ajuda o DGM

Esses são os casos de uso que vi gerar pipeline, não apenas economizar alguns minutos. Seja específico sobre qual você está tentando. "Usar IA para marketing" é a ambição; o trabalho abaixo é o job.

Briefings de campanha e variantes de copy: primeiro rascunho em 8 minutos, não 80

Esse é o uso de maior ROI de IA para um DGM hoje, e também o que a maioria dos times subaproveita porque trata o output como produto final. Não é. É o andaime.

Um briefing de campanha típico me toma 60-90 minutos partindo de um doc em branco: posicionamento, audiência, gancho, copy canal a canal, CTA, mensuração. Com Claude ou ChatGPT e um prompt preciso que inclui o ICP, a oferta e o mix de canais, tenho um v0.5 passável em 8 minutos. Depois gasto 30 minutos editando até virar algo que um humano escreveu, em vez de 80 minutos construindo do zero.

O mesmo vale para variantes de copy. Doze linhas de assunto geradas por um modelo em 90 segundos. Dez delas são mediocres. Duas são interessantes. Eu nunca teria escrito essas duas por conta própria na hora três de uma sexta longa. Esse é o ganho.

O que você não faz: publicar o v0.5. Modelos padrão geram textos seguros, genéricos e levemente pomposos. Seu ICP consegue identificar isso em duas frases.

Síntese de pesquisa de audiência: 30 ligações de vendas em 6 objeções

Se você tem acesso a gravações de chamadas do Gong ou Chorus, é aqui que a IA justifica o custo da licença. Puxe 30 transcrições de chamadas de discovery do último trimestre para o seu segmento de ICP, coloque no Claude com um prompt como "Extraia as principais objeções recorrentes dessas chamadas e ordene por frequência. Para cada uma, cite exatamente as palavras que os compradores usaram." Vinte minutos depois você tem as seis objeções que realmente importam, na linguagem dos próprios compradores, prontas para usar direto em copy de nutrição e criativos pagos.

Fazer isso manualmente leva um dia e meio, e a maioria dos DGMs nunca faz. Resultado: escrevem copy baseado na opinião do VP de Vendas sobre o comprador, não nas palavras reais do comprador. A IA não inventou esse exercício. Só tornou barato o suficiente para realmente executar.

Aceleração de testes de criativo pago

O workflow antigo era: escrever 3 variantes de anúncio, lançar, aprender devagar. O novo é: escrever 12 títulos variantes, 6 ganchos, 4 briefings de visual, lançar as 4 combinações mais fortes, eliminar as duas piores em uma semana, escalar a melhor.

Meta e LinkedIn recompensam volume de variantes. O modelo não sabe qual vai ganhar. Você também não. Mas o modelo produz 12 em cinco minutos e você escolhe as quatro que não soam como marketing genérico de vendor. São 3x mais superfície de teste pelo mesmo tempo humano.

Aumento de pontuação de MQL: com validação humana

Seu modelo de scoring provavelmente está desatualizado. Foi construído dois anos atrás por alguém que saiu e pontua "VP+ em empresa com mais de 200 funcionários" da mesma forma que "estagiário na Stripe explorando a documentação." Um modelo pode reconhecer padrões em sinais firmográficos e comportamentais ao longo de opps fechadas como ganhas e perdidas e identificar o que é realmente preditivo, geralmente alguns sinais incomuns que ninguém incluiu nas regras originais.

Duas ressalvas. Primeiro, isso só funciona se você tem histórico suficiente de opps para o padrão ser real (algumas centenas no mínimo). Segundo, nunca deixe o modelo atualizar automaticamente os scores no CRM. Apresente os pesos propostos para um humano, discuta numa reunião de terça-feira, depois aplique as mudanças manualmente. Pontuação automática é onde boas intenções encontram dados ruins e Vendas para de confiar no seu flag de MQL para sempre.

Análise de atribuição: narrativas sobre o dashboard

Dashboards de atribuição multitoque são ilegíveis para qualquer um que não seja quem os construiu. Um DGM acaba ou recitando números que ninguém absorve, ou contando histórias sem evidência. A IA fica no meio: alimente o modelo com os últimos 90 dias de dados de atribuição e peça um resumo de 200 palavras sobre o que mudou e por quê. Você recebe um rascunho que pode validar contra o que já sabe sobre o trimestre. Publique o resumo no deck do QBR, não o gráfico de espaguete.

Onde a IA quebra o DGM

Essa é a seção que os e-mails de vendors não vão escrever. Cada uma dessas falhas me custou pipeline real em algum momento. Aprenda com os meus erros.

Nuances do ICP

O modelo calcula a média do seu comprador. Seu comprador não é a média. Ele vai escrever copy para um VP de Vendas genérico em uma empresa de SaaS genérica, e seu ICP real é "VP de Vendas em uma empresa de 80-200 pessoas, Série B, com modelo de vendas híbrido, que acabou de perder o CRO e está em pânico com o pipeline do Q3." Esse segundo comprador não lê o copy escrito para o primeiro.

Você pode ajustar via prompt com contexto detalhado de ICP, mas a partir de certo ponto você gasta mais tempo no prompt do que gastaria escrevendo o copy. A linha honesta: IA é útil para os 70% dos compradores que são mais ou menos na média. Para suas contas mais valiosas, escreva o copy à mão.

Política entre vendas e marketing

Nenhum LLM sobrevive a uma reunião em que o VP de Vendas diz "esses MQLs são lixo e todo o seu funil é uma fantasia." Essa reunião é vencida pelo DGM que consegue apresentar os fatos: quais definições de MQL mudaram, quais campanhas geraram os leads questionáveis, quais SDRs desqualificaram o quê e por quê. Você não pode passar essa reunião para o modelo. Pode usar o modelo para se preparar (resumir o último trimestre de conversão MQL-para-SQL por fonte), mas a reunião em si é um esporte de contato humano.

Originalidade de conteúdo

Se você e seu concorrente pedem ao GPT para "escrever um artigo de thought leadership sobre demand gen em 2026," vocês dois publicam o mesmo artigo. O modelo foi treinado na internet aberta, então seu output padrão é a média de tudo que já está na internet aberta. Originalidade vive nas partes que ainda não estão lá: os experimentos reais do seu time, a coisa estranha que funcionou na sua empresa, a leitura contrária sobre uma categoria. A IA consegue editar essas partes. Não consegue gerá-las, porque não as conhece.

Sinais de intenção

Bombora, 6sense, G2: essas ferramentas identificam contas com surge de interesse em sua categoria. Os dados são reais. Interpretar esses dados contra sua lista de contas ainda é trabalho humano. O modelo vai te dizer alegremente "a Conta X está mostrando alta intenção, recomendo outreach." A Conta X é um cliente antigo que deu churn há seis meses e o seu AE vai incendiar o e-mail se você rotear mais uma sequência para eles. Esse contexto vive no seu time, não no conjunto de dados.

O stack prático: ferramentas reais, limites reais

Aqui está o stack que eu montaria para um DGM IC começando hoje, com um veredicto de uma linha para cada ferramenta.

Claude / ChatGPT. Melhor ROI para um DGM hoje. Use para ideação, síntese, rascunhos, análise de transcrições, geração de briefings. Ambos são bons. Claude tende a escrever de forma um pouco mais natural; ChatGPT tem maior superfície de plugins e integrações. Escolha um, aprenda a fazer bons prompts, não pague pelos dois. Cerca de US$ 20-40 por mês por licença.

Jasper / Copy.ai. Opinião direta: camada fina sobre o GPT com treinamento de brand voice e UI voltada para marketing. O treinamento de brand voice é o único diferencial real, e a maioria dos times não o treina bem. Se o seu time tem zero familiaridade com IA, os templates de workflow podem ajudar. Se o time sabe fazer prompts, você está pagando pelo envoltório. Parei de usar essas ferramentas.

Mutiny / ferramentas de personalização. Funcionam para A/B de topo de funil em escala nas suas landing pages de maior tráfego. Ganho real, mensurável. Falham quando "personalização" regride a tokens "Olá " que todo mundo ignora desde 2014. Vale pilotar nas suas três páginas principais, não vale implementar em todo lugar.

Clay / Apollo com enriquecimento por IA. É aqui que moram as economias de tempo reais para construção de listas e habilitação de outbound. Puxe uma lista, enriqueça com dados firmográficos e de intenção, encaminhe para os SDRs com contexto relevante já anexado. O DGM que configura isso bem economiza horas por semana do time de SDR e faz Vendas gostar de Marketing de novo, por um tempo.

Resumos de IA do Gong / Chorus. Vale a pena se você já paga pela plataforma. Os resumos automáticos têm 80% de precisão, o que é suficiente para um DGM verificando padrões de objeção. Não cite nos decks do board sem verificar.

Qualquer coisa que prometa "nutrição totalmente automatizada." Veja a próxima seção.

A armadilha da "nutrição totalmente automatizada"

A cada seis meses um vendor tenta convencer um DGM a deixar a IA rodar toda a nutrição: escolher o segmento, escrever o e-mail, definir o horário de envio, reescrever o assunto se a taxa de abertura cair. Parece ótimo. Destrói as taxas de abertura em 60 dias. Veja por quê.

Sistemas totalmente automatizados otimizam para a métrica que você define, exatamente. Você define taxa de abertura, eles evoluem linhas de assunto que inflam aberturas mas parecem manipulativas: clickbait, urgência falsa, "Re:" em frente a envios frios. As aberturas sobem por duas semanas, depois a reputação do seu domínio despenca. Você define taxa de cliques, eles evoluem CTAs que geram cliques mas são vazios e sua taxa de reuniões agendadas cai. Você define reuniões agendadas, eles acionam segmentos de alta intenção demais e queimam suas contas mais quentes.

A solução são checkpoints humanos nos pontos de estrangulamento. IA rascunha. Humano publica.

Os quatro checkpoints que mantenho sempre humanos, sem exceção:

Linhas de assunto em envios frios. Uma linha de assunto estranha com 18% de abertura bate uma linha polida com 11% sempre. Modelos padrão geram o polido. Um humano escolhe o estranho.
Decisões de dia de envio. Terça-feira às 10h no horário de Brasília é a resposta do modelo para todo envio. Às vezes o envio certo é domingo às 19h porque seu comprador é um founder que triage e-mails no fim de semana. Modelos não sabem disso. Você sabe.
Divisões de segmento. Quando você separa "contas tier-1" de "todos os outros," a diferença normalmente são algumas contas onde a mensagem errada queimaria seis meses de relacionamento. Um humano aprova.
Qualquer coisa para as suas 50 principais contas-alvo. Listas de ABM pertencem a humanos. O ganho de um e-mail bem elaborado para uma conta-alvo supera 1.000 envios automatizados.

A regra, repetida para quem não prestou atenção: IA rascunha, humano publica. Trate qualquer vendor que discordar da mesma forma que você trataria um empreiteiro que sugere pular a fundação.

Opcional: a lente do Framework ACE

Se você quer um vocabulário para falar sobre casos de uso de IA com o VP de Marketing, o Framework ACE divide o trabalho de IA em cinco capacidades: Ingest, Analyze, Predict, Generate, Execute. Os casos de uso do DGM acima se encaixam de forma clara:

Ingest: puxar transcrições de chamadas de vendas, dados de atribuição, sinais de intenção para um lugar que o modelo consiga ler
Analyze: sintetizar 30 chamadas em 6 objeções, resumir o dashboard de atribuição em um parágrafo
Predict: aumentar a pontuação de MQL com padrões históricos de opps
Generate: rascunhos de briefings de campanha, variantes de copy, andaimes de criativos pagos
Execute: envio automatizado (com os checkpoints humanos da seção acima)

Use o vocabulário se ele ajudar a comunicar para cima. Não o use como estrutura de pitch para o time. A maioria dos DGMs não precisa de um framework, precisa publicar. (Referência: Frameworks/ACE-Framework.md se quiser a versão completa.)

O que publicar nos primeiros 30 dias

Pare de ler posts de blog de vendors. Pegue este plano, execute, meça, ajuste.

Semana 1: construa uma biblioteca pessoal de prompts no Notion. Oito prompts que você vai realmente reutilizar. Não faça uma biblioteca de 50 que você nunca vai abrir. Os meus: gerador de briefing de campanha, teste de títulos (12 variantes), resumo de objeções a partir de transcrições, reescrita de nutrição para segmento travado, editor de copy alinhado ao ICP, gerador de narrativa de atribuição, briefing de variante de criativo pago, resumo semanal do QBR. Cada prompt deve ter um bloco de ICP com espaços em branco no topo para você não precisar redigitar sempre.

Semana 2: substitua uma tarefa semanal por uma versão assistida por IA. Escolha a tarefa que você mais detesta. Para mim era o resumo semanal de performance de campanha que escrevia para o VP de Marketing. Com um prompt e um export CSV, uma tarefa de 90 minutos virou 20. Meça o tempo economizado honestamente. Se a versão com IA foi pior, abandone e admita. Não mantenha algo pior só porque deveria ser melhor.

Semana 3: rode um teste de criativo pago com 3x as variantes que você normalmente lançaria. Qualquer que seja sua cadência normal (digamos, 4 variantes de anúncio por trimestre no LinkedIn), lance 12 esta semana. Meça CTR e CPL versus sua linha de base histórica. O objetivo não é provar que a IA funciona. É forçar você ao workflow de maior volume de variantes que a IA torna viável.

Semana 4: escreva o doc de "regras de IA" do seu time. Uma página. Três seções:

O que a IA pode rascunhar (briefings, variantes, resumos, extrações de transcrição)
O que humanos devem revisar antes de publicar (linhas de assunto, mensagens para contas-alvo, qualquer coisa voltada ao cliente em contas tier-1)
O que nunca deve ser colado em um modelo público (dados proprietários de clientes, transcrições de chamadas com nomes identificados, números financeiros internos)

Peça ao VP de Marketing para assinar a página. Agora você tem cobertura política para usar IA sem ninguém entrar em pânico com um incidente de privacidade, e a disciplina para usá-la bem.

A conclusão

IA não transforma um DGM ruim em bom. Ela torna um bom DGM cerca de 30% mais rápido nas partes do trabalho que não exigem critério, para que ele possa gastar mais tempo nas que exigem.

As partes que exigem critério: o ICP. A política. O número de pipeline. Esses ainda são seus. Sempre serão.

Agora feche a caixa de entrada e escreva o briefing.

Playbooks para Demand Generation Manager