Adotar agentes de IA em vendas virou consenso. No entanto, executar é o que separa quem colhe resultado de quem só paga licença.
Em primeiro lugar, a Forrester diz que 88% das empresas B2B já adotam ou vão adotar agentes de IA em vendas. Além disso, a Gong analisou 7,1 milhões de oportunidades de venda e concluiu que 95% dos projetos ficam abaixo do impacto esperado.
Portanto, faça a conta. Se você tem um piloto de IA rodando no comercial, então a chance de ele estar do lado errado dessa estatística é de 19 em 20.
Ou seja: adotar não é executar.
Em 26 anos de consultoria eu já vi esse filme antes, com outros protagonistas: ERP, BI, CRM. Primeiro a ferramenta chega prometendo, depois todo mundo compra e, dois anos mais tarde, o diretor pergunta onde foi parar o retorno. Com agentes de IA em vendas, então, a velocidade mudou. O padrão, porém, não mudou. Mas a boa notícia é que dessa vez temos dados suficientes para saber exatamente o que os 5% que colhem fazem de diferente — e é isso que você vai levar daqui.
Agentes de IA em vendas: o que os números da Forrester e da Gong mostram
A resposta curta é esta: 88% das empresas B2B adotam ou planejam adotar agentes de IA em vendas, times que usam IA geram 77% mais receita por vendedor e, ainda assim, 95% dos projetos ficam abaixo do impacto esperado. Ou seja, os três números são verdadeiros ao mesmo tempo.
A pesquisa State of Customer Obsession 2025, da Forrester, mostra 74% das organizações B2B já usando agentes de IA e outros 14% planejando — ou seja, os tais 88%. Além disso, a mesma Forrester, nas previsões para 2026, estima que empresas B2B vão perder mais de US$ 10 bilhões por uso de IA generativa sem governança. Portanto, temos adoção em massa e governança em falta. Guarde essa combinação, porque ela explica muita coisa mais adiante.
Depois, do lado da Gong, o relatório State of Revenue AI 2026 aparece como a maior base já analisada sobre o tema: 7,1 milhões de oportunidades em 3.613 empresas, mais 3.048 líderes de receita ouvidos nos EUA, Reino Unido, Austrália e Alemanha. Assim, os achados centrais ficam difíceis de ignorar:
- Primeiro, times que usam IA regularmente geram 77% mais receita por vendedor — seis dígitos de diferença, em dólar, por pessoa, por ano;
- Segundo, empresas com IA no centro da estratégia de receita têm 65% mais chance de aumentar a taxa de conversão;
- Por fim, quem foi fundo cresceu 31% mais do que quem ficou em piloto limitado.
O dado que explica a pressa
Há também um dado menos badalado que explica a pressa: o crescimento médio das empresas pesquisadas caiu para 16% em 2025, enquanto o atingimento de quota despencou de 52% para 46%. O curioso, porém, é o motivo. Taxa de conversão e ciclo de venda ficaram estáveis, ou seja, os vendedores simplesmente estão trabalhando menos oportunidades. Isso acontece porque 77% do tempo de um vendedor vai para atividade que não envolve cliente, segundo a Forrester: preparação, pesquisa, CRM, relatório.
Portanto, o vendedor não piorou. Ele apenas vende menos horas.
Amit Bendov, CEO da Gong, resumiu bem ao VentureBeat: “Não acho que as pessoas deleguem decisões à IA — mas elas se apoiam na IA no processo de decidir.” Assim, a decisão continua humana. O que muda, então, é a qualidade da evidência embaixo dela.
Automação, copiloto e agente: qual a diferença?
Primeiro, automação executa tarefa fixa; depois, copiloto sugere para um humano executar; por fim, agente recebe um objetivo e decide o caminho em várias etapas. Mas o mercado vende os três como “IA”, e essa confusão custa caro.
| O que faz | Exemplo em vendas | Quem decide | |
|---|---|---|---|
| Automação | Executa uma tarefa fixa, sempre igual | Transcrever a call e registrar no CRM | Ninguém — a regra já está definida |
| Copiloto | Sugere, o humano executa | Rascunhar o e-mail de follow-up para você revisar | O humano, sempre |
| Agente | Recebe um objetivo e executa em várias etapas | Pesquisar a conta, montar o briefing, priorizar quem abordar e preparar a mensagem | O agente decide o caminho; o humano decide os limites |
Em 2024, por exemplo, a maioria dos times estava no primeiro nível: transcrição, rascunho de e-mail, atualização de registro. Útil, mas raso. Depois, o relatório da Gong chamou a virada de 2025 de passagem “da automação para a inteligência”: o uso de IA para previsão de vendas cresceu 50% em um ano nos EUA.
Assim aparece a primeira pista sobre os 5%: as organizações no percentil 95 de impacto comercial tinham de 2 a 4 vezes mais probabilidade de usar agentes de IA em vendas para previsão de resultado, identificação de conta em risco e modelos preditivos.
Ou seja, transcrever call não é estratégia.
Por que 95% dos projetos com agentes de IA em vendas travam no piloto?
Em resumo, quatro padrões explicam a maior parte dos fracassos: caso de uso raso, ferramenta genérica, uso sem governança e dado ruim na entrada. Portanto, reconhecer o seu já é meio caminho andado.
Caso de uso raso demais
O piloto típico nasce da pergunta errada, porque começa em “onde a IA pode nos poupar tempo?”. A pergunta dos 5%, no entanto, é outra: “onde a IA pode mudar um número de receita?”. Poupar tempo dilui, porque são dez minutos aqui, quinze ali, e ninguém consegue medir. Já previsão mais precisa, conta em risco identificada antes do cancelamento e cliente certo priorizado na semana certa aparecem no resultado e, assim, sustentam o projeto quando alguém cobrar o ROI.
Bendov dá, por exemplo, um caso claro: empresas somam milhares de deals numa previsão baseada em sentimento — “ele me disse que vai comprar”. Então a IA entra com uma segunda opinião baseada em evidência e, só com isso, a precisão do forecast melhora de 10% a 15%.
Ferramenta genérica para problema específico
Segundo o relatório, times com agentes de IA em vendas especializados em receita cresceram 13% mais e reportaram 85% mais impacto comercial do que os que dependem de ferramenta genérica tipo ChatGPT. O dado vem da Gong, que obviamente tem interesse na conclusão — mas a lógica se sustenta sozinha, porque um agente é tão bom quanto o contexto que enxerga. Afinal, ferramenta genérica não conhece sua carteira, seu histórico, nem seu funil.
Assim, ela escreve bonito sobre nada.
Shadow AI: o uso que você não vê
Uma pesquisa do MIT citada no estudo mostra o tamanho do ponto cego, porque 59% dos times declaram usar ferramentas pessoais de IA no trabalho. O número real, porém, está perto de 90%. Ou seja, seu time já usa IA — e a questão é se usa com dado de cliente vazando para ferramenta que ninguém aprovou.
Você pode achar que isso é alarmismo de consultor, sobretudo vindo de alguém que veio da segurança da informação. Mas não é. Afinal, agente com acesso a CRM, e-mail e WhatsApp é poder de execução real. E, sem trilha de auditoria, esse poder de execução vira passivo esperando data de vencimento, porque os US$ 10 bilhões da previsão da Forrester saem exatamente desse bolso.
Dado ruim na entrada
Esse é, por fim, o padrão mais brasileiro dos quatro. Base desatualizada, histórico espalhado em planilhas e cadastro duplicado aparecem em quase toda operação. Assim, agente em cima de dado ruim vira estagiário sem supervisão: rápido, confiante e errado — e eu já fui apresentado a alguns humanos assim também hehehe 😉
Ou seja: dado ruim, decisão ruim. Só que muito mais rápido, porque o agente não hesita.
O que a própria Gong fez para ficar nos 5%
O caso mais transparente do relatório é o da própria empresa, porque ela usa o que vende: com agentes cuidando de pesquisa e preparação de prospecção, os vendedores da Gong hoje geram 80% das próprias reuniões — trabalho que antes exigia um time separado de SDRs.
Além disso, o efeito colateral é a reversão de uma década de hiperespecialização. Antes, uma pessoa qualificava, outra agendava, uma terceira fechava e uma quarta fazia onboarding — enquanto o cliente falava com cinco ou seis pessoas até assinar. Então, com agentes de IA em vendas assumindo o bastidor, uma pessoa volta a cuidar do relacionamento inteiro. Assim, quem compra conversa com alguém que tem o contexto todo.
Sobre o medo do desemprego, por outro lado, o dado é menos dramático que as manchetes: 43% dos líderes esperam que a IA transforme funções sem reduzir o time, enquanto 28% preveem cortes e 21% apostam em funções novas.
Agentes de IA em vendas no varejo e na distribuição do Brasil
Na distribuição e no varejo, a lógica dos 5% se traduz direto para quem opera rede de lojas ou vende por representantes: assim, o agente que funciona é o que cruza os dados da sua carteira para apontar quem abordar, com o quê e em que momento.
Pense na cena, por exemplo. Dia 27 do mês, o representante abre a planilha, vê que está 30% abaixo da meta e então começa a ligar. Para quem? Para quem ele lembra, porque não tem critério melhor à mão. Já um agente que cruza histórico de compra, recência e comportamento entrega a cada representante uma lista priorizada — “esses oito compraram menos que o padrão, esses três estão prestes a sumir”. Portanto, isso mexe num número de receita, e não numa conveniência.
O mesmo vale para o varejo multi-loja, porque a campanha de massa que vai para a base inteira e converte pouco é a versão varejista do forecast por sentimento. Além disso, é esse problema que a gente ataca na Lemon: cruzar comportamento de consumo com a carteira e, depois, transformar isso em campanha hiper-personalizada que o time executa no canal onde o cliente brasileiro de fato responde, o WhatsApp. Se quiser o contexto do mercado, eu detalhei esse freio de crescimento em os 3 freios que estão parando o varejo brasileiro.
Tem ainda uma segunda camada dessa história: os agentes não vão operar só do lado de quem vende. Eles já estão comprando. Escrevi sobre isso em Seu próximo cliente não é uma pessoa. E ele não vai gostar da sua loja — vale como contraponto a este artigo.
As 5 decisões que tiram seus agentes de IA em vendas da estatística
O título prometeu. Então aqui estão elas, na ordem em que eu faria:
- Escolha um caso de uso que mexa em receita. Previsão, priorização de carteira ou risco de churn, por exemplo. Se o piloto só economiza tempo, então ele morre na renovação do contrato. Afinal, os 5% do topo estavam de 2 a 4 vezes mais presentes nesses casos.
- Cuide do dado antes do agente — e escolha ferramenta que enxerga esse dado. Primeiro base limpa, histórico centralizado e cadastro único. Depois, IA que conhece o seu contexto: os 13% de crescimento a mais dos times com ferramenta especializada não vieram de um modelo melhor, mas de um modelo que enxerga o negócio.
- Defina onde o humano decide. O agente prepara, prioriza e rascunha, enquanto a pessoa aprova o que chega ao cliente. Nas contas relevantes, sempre. Aliás, é o desenho que a Gong usa para gerar 80% das reuniões sem tirar o vendedor do relacionamento.
- Meça contra uma linha de base. Receita por vendedor, taxa de conversão e precisão de forecast antes do deploy. Sem baseline, todo resultado vira opinião — e, além disso, projeto sem número morre no primeiro corte de orçamento.
- Governe o acesso desde o dia um. Quem aprovou cada ferramenta, que dado ela enxerga e que trilha de auditoria existe. Chato? É. Mas muito mais barato que a alternativa.
Como colocar os agentes de IA em vendas para rodar em 90 dias
Na ecologia existe uma regra que eu gosto de emprestar para estratégia: duas espécies não ocupam o mesmo nicho por muito tempo, porque uma delas sempre some. Foi o que aconteceu com a adoção de IA, porque 88% entraram no mesmo nicho ao mesmo tempo, todo mundo com acesso às mesmas ferramentas, e então virou empate técnico. Assim, sobrevive quem cria o próprio habitat. E, no caso dos agentes de IA em vendas, habitat é execução: dado arrumado, caso de uso que mexe em receita, humano no lugar certo e governança desde o início.
Ou seja: adotar, qualquer um adota. Executar, porém, é o habitat que ninguém ocupa por você.
Quer saber quantos clientes da sua carteira já deveriam ter comprado este mês e não compraram? Então fale com a gente: com os seus dados, mostramos isso numa conversa de 20 minutos. 😉
