Português

87% das Empresas Não Bateram as Metas de Receita Apesar do Investimento Recorde em AI. A Solução Começa pelos Seus Dados

87% das empresas não atingiram as metas de receita apesar do investimento recorde em AI

Os orçamentos aumentaram. As ferramentas se multiplicaram. As metas continuaram sem ser atingidas.

Essa é a conclusão incômoda de uma nova pesquisa da Clari Labs, publicada em janeiro de 2026, que constatou que 87% das empresas não alcançaram suas metas de receita de 2025, mesmo com o investimento em AI batendo recordes históricos. O estudo ouviu líderes de receita em organizações de vendas enterprise e identificou um padrão que a maioria dos times de Sales Ops já suspeita: o problema não está na cobertura de ferramentas. Está nos dados que sustentam essas ferramentas.

Segundo a Clari Labs, 48% dos times de receita afirmam que seus dados simplesmente não estão prontos para a implementação de AI. E 55% enfrentam sinais contraditórios de pipeline vindos de fontes de dados desconectadas, o que significa que a AI não está produzindo clareza, está produzindo ruído mais rápido.

Por Que Mais AI em Dados Ruins Piora as Coisas

Essa é a parte que raramente aparece nos keynotes dos fornecedores. Modelos de AI não resolvem problemas de dados. Eles os amplificam.

Quando seus dados de receita estão em silos, CRM, automação de marketing, tickets de suporte, logs de uso do produto, cada sistema conta uma história diferente sobre a saúde de um negócio. Um analista humano consegue triangular essas histórias com contexto. Um agente de IA não consegue. Ele identifica padrões com base nos sinais que consegue ver e, quando esses sinais se contradizem, gera resultados conflitantes. É exatamente o que 55% das empresas no estudo da Clari Labs estão vivenciando.

87% das empresas não atingiram as metas de receita de 2025 versus 96% de precisão de forecast para times com dados unificados

O contraste na pesquisa é marcante. Empresas que unificaram e governaram seus dados de receita alcançaram 96% de precisão no forecast, registraram um aumento de 20 pontos na taxa de renovação e entregaram 398% de ROI, aproximadamente US$ 96,2 milhões em benefícios em três anos. As mesmas capacidades de AI. Resultados radicalmente diferentes. A variável é a qualidade e a governança dos dados, não o stack de AI em si.

Dados-Chave

  • 87% das empresas não atingiram as metas de receita de 2025 apesar do investimento recorde em AI (Clari Labs, jan. 2026)
  • 55% enfrentam sinais contraditórios de pipeline vindos de fontes de dados desconectadas (Clari Labs, jan. 2026)
  • Empresas com dados de receita unificados e governados alcançaram 96% de precisão no forecast e 398% de ROI (Clari Labs, jan. 2026)

O déficit de governança também é real. A Clari Labs descobriu que 42% das empresas não têm nenhum framework formal de consistência e responsabilidade de dados em suas operações de receita. E 39% recalibram seus modelos de forecast apenas semanalmente ou mensalmente, não de forma contínua. Esses são problemas estruturais que nenhum volume de investimento em AI consegue encobrir.

O Mercado Está Alcançando o Que Sales Ops Já Sabia

A entidade fusionada Clari + Salesloft, que passou da fase de integração para a expansão do seu Predictive Revenue System desde o fechamento da combinação, foi reconhecida no inaugural Magic Quadrant da Gartner em uma categoria que a Gartner agora chama de "Revenue Action Orchestration". O próprio nome da categoria é revelador.

Orquestração. Não geração. Não automação. Orquestração.

A Gartner está reconhecendo formalmente que a próxima vantagem competitiva em tecnologia de receita não está em adicionar mais uma ferramenta pontual de AI ao stack. Está em coordenar ações de AI sobre uma camada de dados limpa, unificada e governada. Esse tem sido o argumento de Sales Ops há anos. O mercado finalmente está chegando lá.

A Clari + Salesloft também nomeou Brian Benfer como CRO e Rajesh Krishnaswami como CTO em maio de 2026, sinalizando investimento contínuo no avanço enterprise da plataforma combinada. Você pode acompanhar essa narrativa no hub de imprensa da Clari.

Se você está avaliando como o cenário geral de plataformas está evoluindo, nossa análise do marco de US$ 500M ARR do Gong aborda o que "inteligência de receita em escala" realmente exige da sua infraestrutura de dados. E nosso guia de avaliação para CRO da fusão Clari + Salesloft aprofunda o que a plataforma combinada significa para o seu stack atual.

O Revenue Data Readiness Check (Um Diagnóstico de Sales Ops)

Antes de sua organização aprovar mais um deployment de agente de IA, Sales Ops deve executar o que chamamos de Revenue Data Readiness Check. Três perguntas. Respostas honestas apenas.

Pergunta 1: Os seus dados de receita estão unificados? Uma única consulta consegue retornar uma visão consistente da saúde de um negócio, cruzando CRM, marketing, suporte e uso do produto? Se a resposta exige reconciliar manualmente exportações de múltiplos sistemas, seus dados não estão unificados.

Pergunta 2: Os seus dados de receita estão governados? Você tem responsabilidade documentada, regras de validação e accountability para cada campo de dados que alimenta seu forecast? Se times diferentes definem "oportunidade qualificada" de formas diferentes, você tem um problema de governança, não de tecnologia.

Pergunta 3: O seu modelo de forecast está atualizado? Com que frequência seu time recalibra o modelo com base nos resultados reais? A pesquisa da Clari Labs constatou que 39% das empresas fazem isso apenas semanalmente ou mensalmente. Em um mercado onde a velocidade dos negócios muda mais rápido do que uma cadência trimestral, esse atraso se acumula em erros sistemáticos de forecast.

Se qualquer uma dessas três respostas for "não" ou "não sabemos", adicionar mais agentes de IA vai acelerar o problema de ruído, não resolvê-lo.

A Sequência de Dados Antes dos Agentes

Aqui está a sequência prática que recomendamos para times de Sales Ops que querem transformar investimento em AI em performance real de receita:

Passo 1: Audite suas fontes de dados. Mapeie todos os sistemas que contribuem com dados para seu forecast de receita. Sinalize os que não sincronizam automaticamente, exigem reconciliação manual ou produzem campos com definições inconsistentes.

Passo 2: Estabeleça uma camada de governança. Defina responsabilidade por cada campo de dados crítico. Atribua um data steward por sistema. Documente o que "limpo" significa para cada métrica e construa validações leves no workflow do seu CRM.

Passo 3: Defina uma cadência de recalibração. Migre de atualizações semanais ou mensais do modelo para recalibração contínua, ou no mínimo semanal, vinculada a dados reais de fechamento e perda. A precisão do forecast degrada quando os modelos se distanciam das condições atuais do mercado.

Passo 4: Só então implante a AI. Com dados unificados, governados e atualizados, os agentes de IA vão operar sobre sinais internamente consistentes. É aí que os resultados de 96% de precisão no forecast se tornam alcançáveis.

Essa sequência se aplica tanto para quem está avaliando novas plataformas quanto para quem tenta extrair mais valor do stack atual. Para times que estão pensando em qualidade de dados de pipeline como parte desse trabalho, os fundamentos não mudaram: entra lixo, sai lixo, só que na velocidade da AI.

Se você quer entender como a AI está redesenhando o próprio papel de Sales Ops, nossa biblioteca AI Sales Operator aborda os quatro padrões que definem como essa função está evoluindo.

Leitura complementar sobre o tema de deployment de agentes de IA: o Salesforce Agentforce agora é um colega de trabalho, e o RevvyAI da 6sense migra a qualificação de contas para AI. Ambos os artigos abordam a mesma tensão: a capacidade de AI está pronta, mas a prontidão dos dados ainda é o fator limitante.

Perguntas Frequentes

Por que as ferramentas de AI não estão melhorando a precisão do nosso forecast de vendas?

A maioria das ferramentas de forecast com AI é tão boa quanto os dados que consome. Se seus dados de receita estão em sistemas desconectados, usam definições de campos inconsistentes ou são recalibrados com pouca frequência, a AI vai surfaçar sinais conflitantes em vez de uma visão coerente. A Clari Labs descobriu que 55% das empresas já estão vivenciando isso. A solução é governança e unificação de dados primeiro, deployment de AI depois.

O que "Revenue Action Orchestration" significa para Sales Ops?

É a categoria que a Gartner criou para descrever plataformas que coordenam ações de AI em todo o ciclo de receita sobre uma camada de dados unificada. Para Sales Ops, isso significa que o mercado está validando o que a função já sabia há muito tempo: o valor não está em ter mais ferramentas de AI, mas em ter um ambiente de dados único e governado a partir do qual todas as ferramentas operam. Sales Ops está naturalmente posicionado para ser dono dessa camada.

Como começar a corrigir a fragmentação de dados de receita sem substituir a plataforma inteira?

Comece pelas três perguntas diagnósticas acima (unificado, governado, atualizado). Escolha a lacuna de maior impacto primeiro. Um framework de governança muitas vezes pode ser implementado com as ferramentas existentes, atribuições de responsabilidade por campo e definições documentadas, antes de qualquer nova compra de tecnologia. Esse trabalho de base torna cada deployment subsequente de AI mais eficaz, incluindo as ferramentas que você já tem.

O Que Sales Ops Deve Fazer Esta Semana

  1. Execute o Revenue Data Readiness Check. Responda as três perguntas acima sobre seus dados de forecast atuais. Anote as respostas. Se alguma for "não" ou "não está claro", esse é o seu item de maior risco antes de qualquer novo rollout de AI.

  2. Mapeie suas fontes de dados. Liste todos os sistemas que tocam seu forecast de receita. Identifique quais sincronizam automaticamente e quais exigem intervenção manual. A reconciliação manual é onde os erros se acumulam.

  3. Agende uma revisão de governança. Reúna o admin do CRM, o líder de RevOps e pelo menos um representante de AE. Alinhe sobre o que "oportunidade qualificada" significa. Documente. Torne oficial.

  4. Audite sua cadência de recalibração. Se o seu modelo de forecast não foi recalibrado com resultados reais nos últimos 30 dias, agende isso agora. Modelos desatualizados são fábricas sistemáticas de erro.

  5. Construa o business case. Os números da Clari Labs são convincentes: 398% de ROI e 96% de precisão no forecast a partir da unificação de dados. Use esses benchmarks para embasar um investimento em prontidão de dados junto ao CFO antes que o próximo pedido de compra de agente de IA chegue.

As empresas no estudo da Clari Labs que não atingiram suas metas não tinham falta de ferramentas de AI. Tinham falta de disciplina de dados. Sales Ops é dono dessa disciplina. Este é o seu momento.

Plataformas como a Rework são construídas com base na premissa de que dados de receita unificados e governados são a fundação, não um recurso. Mas independentemente do seu stack, a sequência é a mesma: limpe os dados, governe-os, depois deixe a AI rodar.

Saiba Mais