Quando Kyle Norton descreve a operação de go-to-market da Owner.com, os números causam desconforto saudável. Um rep médio fecha mais de $2 milhões em ARR por ano. Os BDRs de outbound geram $100 mil em ARR fechado por mês cada — em média, não como exceção. E o ARR por representante é quatro vezes o que os concorrentes diretos reportam.
A diferença não é uma ferramenta isolada nem um prompt esperto. É o resultado de uma aplicação sistemática e agressiva de IA em toda a jornada do cliente, guiada por um framework claro de maturidade — o que Norton chama de Escada de Sofisticação.
Este artigo organiza as cinco decisões centrais que Norton usa para avançar organizações do nível zero ao nível três: onde a IA deixa de ser experimento e passa a ser infraestrutura competitivamente existencial.
A Escada de Sofisticação
A maioria das empresas acha que está "fazendo IA". Na prática, estão no nível um ou dois — e a diferença entre esses níveis e o nível três é exponencial, não linear.
Sistema Auto-Aperfeiçoável
O sistema inspeciona a si mesmo recursivamente e constrói novas ferramentas para se tornar melhor. Nenhuma organização chegou aqui ainda — mas é o estado final para onde o mercado converge.
Infraestrutura Centralizada
Plataforma de deployment, biblioteca de contexto compartilhada, habilidades reutilizáveis. As ferramentas construídas se plugam em toda a organização. É aqui que o valor vira exponencial — e a distância para os concorrentes começa a ser irreversível.
Workflows Automatizados
Equipes de GTM engineering automatizando fluxos de ponta a ponta — pesquisa pré-call, lead scoring, follow-up. Win rates sobem, produtividade por BDR melhora. Primeiro feedback positivo consistente com IA.
Ativos Reutilizáveis
Reps individuais ou times criando GPTs customizados e arquivos de prompt distribuídos manualmente. Há mais organização que o nível zero, mas o output é medíocre e o impacto nos resultados é frustrante.
Uso Aleatório
Reps usando ChatGPT como substituto de busca. Copiar e colar emails, pedir para "reescrever esse parágrafo". Sem estrutura, sem reaproveitamento, sem resultado mensurável.
Brendan Schor, que escreve o Signal, observou que empresas firmemente no nível 3 estão ampliando o gap de forma acelerada — não 10 ou 15%, mas duplicando o output por pessoa. Quem ficou no nível 1 enquanto concorrentes chegaram ao 3 vai sentir isso de forma irreversível.
Centralizado vs. Descentralizado
A primeira decisão organizacional — e provavelmente a mais importante. Quem detém o mandato de inovação em IA no go-to-market?
Descentralizado
LIMITADOCentralizado
RECOMENDADOA lógica é simples: por que ter 20 pessoas construindo algo em nível medíocre quando você pode centralizar essas ideias e construir algo 5-10× melhor? O rep deve estar em frente ao cliente — não gerenciando agentes ou construindo skills que escrevem emails razoáveis.
Audrey Rosenkrantz, CRO da Webflow, cunhou o conceito: um diretor chega animado com um app que construiu. A pergunta certa é — isso está te colocando em mais calls com clientes? Ou é trabalho hiperrealista que parece produtivo mas não é? Stuart Butterfield chamou de "atividades de aparência de trabalho". Descentralizar sem critério produz exatamente isso.
Build vs. Buy: Compre Infraestrutura, Construa Inteligência
A regra de ouro é direta: compre infraestrutura, construa inteligência. Mas como aplicar isso nas decisões concretas? Norton usa cinco perguntas.
Aplicando esse framework ao CRM: ferramentas como Salesforce passam no teste — uptime crítico, resolução difícil de engenharia, e você pode customizar em cima da plataforma em vez de substituí-la. O mesmo vale para plataformas de IA de vídeo com latência complexa. São infraestrutura. Seu modelo de scoring, seu fluxo de pesquisa pré-call, seu contexto de empresa — são inteligência. Construa.
Comece pelos Dados
Antes de qualquer agente, workflow ou automação — existe uma precondição absoluta: dados de qualidade. IA medíocre não cria dados ruins. Dados ruins criam IA medíocre.
Se você colocar agentes fazendo outbound em cima de dados mediocres, eles vão ter conversas medíocres. A qualidade dos dados é o teto da qualidade de qualquer sistema de IA que você construir em cima.
Dados de Terceiros: Mapeie o Mercado
Quais são suas melhores contas? Você as tem pontuadas? Quem são as pessoas certas dentro delas? Qual é o contato delas? O que justifica que seu produto é o fit certo? Esse mapa de mercado é o ponto de partida. Sem ele, agentes de outbound ou SDRs de IA não têm base para operar.
Dados de Primeira Parte: Instrumente a Jornada
Você precisa entender o que está acontecendo em cada estágio do funil — e por quê. Ferramentas como Momentum capturam transcrições de calls e preenchem campos no Salesforce automaticamente: quando o pricing muda, quando o posicionamento evolui, quando novos concorrentes aparecem, tudo fica registrado sem depender do rep. E esse entendimento alimenta qualquer experimento de IA subsequente com dados reais.
O Framework dos 5 Ps
Com dados no lugar, como priorizar quais projetos de IA atacar primeiro? Norton usa um modelo mental estruturado em cinco variáveis.
O ponto prático: para empresas que estão mais no começo da jornada, priorize projetos que são claramente positivos para o rep. A gestão da mudança é o maior desafio em qualquer transformação de IA. Quando os reps percebem que a equipe de IA está lá para facilitar a vida deles — não para substituí-los — a abertura para mudança de workflow cresce exponencialmente.
O Stack de Pessoas
Quem constrói isso tudo? A resposta define o teto de onde você vai chegar na escada de sofisticação.
GTM Engineer
- Background técnico: engenharia e dados
- Reinventa processos — não apenas otimiza os existentes
- Faz as perguntas que um RevOps tradicional não faz
- Opera na fronteira entre produto, dados e go-to-market
Estrutura e Liderança
- Pode ser em RevOps, dados, ou direto no CRO/CEO
- O que importa: líderes que são genuinamente "AI-pilled"
- Alguém que vai empurrar pelos recursos, mudança de comportamento e qualidade
- Input vem dos reps — construção e produção ficam na equipe central
A demanda por GTM engineers está crescendo de forma que as vagas abertas já superam a oferta em ordens de magnitude. E o perfil que funciona não é o RevOps que "usa IA agora" — é alguém que pensa como engenheiro de produto aplicado ao go-to-market, reinventando do zero o que deveria ser feito diferente.
Desfazer o Bundle dos Cargos
Jordan Crawford tem um framework que Norton cita como fundamental: todo cargo é um bundle de tarefas. A IA nos força a desfazer esse bundle e repensar onde cada tarefa deveria viver — com um humano ou com uma máquina.
Na Owner.com, os BDRs não passam mais 60% do tempo procurando quem ligar. Isso é feito centralmente pela equipe de dados. O rep chega com a lista pronta, a pesquisa pronta, o contexto pronto. O trabalho do rep é a conversa — e é isso que move o número.
Assistido vs. Agêntico — e o Problema da Lossiness
Assistido
O rep invoca a ferramenta e toma todas as decisões. IA como toolkit disponível, humano no controle completo de next actions.
Determinístico Híbrido
Passos determinísticos com checkpoints humanos antes de cada etapa generativa crítica. O melhor equilíbrio entre automação e qualidade.
Agêntico
Workflows que acontecem totalmente sem intervenção humana. Alto risco de "AI slop" se múltiplos passos generativos forem encadeados sem supervisão.
O Problema da Lossiness
Cada passo generativo tem algum nível de degradação ou alucinação. Quando você encadeia cinco passos generativos sem humano no loop, o output final é a soma de cinco erros compostos:
A solução não é eliminar a automação — é ser intencional sobre onde inserir checkpoints humanos. Para um rep enterprise, o sistema pode entregar: "aqui estão os 15 melhores contas para esta semana e por quê." O rep revisa antes de disparar a prospecção. Um passo humano antes do ponto de consequência muda completamente a qualidade do resultado.
Evals: o Trabalho Que Mais Importa
A maioria das equipes constrói um tool, testa uma vez, acha "razoável" e publica. Isso é o que cria AI slop em escala. O processo real:
Construa → teste → output ruim → volte ao prompt → ajuste contexto → piora → entenda por quê → ajuste → melhora → novo edge case → ajuste novamente. Esse processo vai durar horas ou dias. É exatamente aí que a maioria desiste — e exatamente onde a vantagem é criada.
Você pode automatizar evals com datasets e comparação de outputs. Mas o eval humano — especialmente em contextos de GTM — é frequentemente mais importante. É o líder ou a equipe que olha para o output e diz: "não é bom o suficiente ainda." Construir a ferramenta está ficando cada vez mais fácil. Iterar até o output ser excelente é o que diferencia quem realmente escala.
O Sistema Pessoal de IA Composta
Gary Tan não pensa em IA como produtividade imediata. Ele pensa em sistemas que compõem ao longo do tempo — que ficam melhores a cada semana, que acumulam contexto e inteligência como um ativo. Líderes precisam construir seu próprio sistema assim.
Aprenda os Fundamentos
Entenda o que os modelos fazem — pré-treinamento, pós-treinamento, por que se comportam como se comportam. Os vídeos de Andrej Karpathy são o melhor ponto de partida disponível.
Escolha uma Plataforma
OpenAI, Claude, Hermes — escolha uma e vá fundo. Seu sistema fica melhor quanto mais você investe nele: connectors, contexto, skills acumulados. Não fique pulando entre plataformas.
Escolha um Projeto
Pode parecer trivial no início. Execute até o output ser algo que você se orgulha. 6 a 10 horas de iteração é normal. Esse projeto vira a base do seu stack pessoal.
Construa o Segundo Cérebro
Notas de reuniões, ideias de livros, princípios de decisão, transcrições de podcasts — tudo entra no seu knowledge graph. O sistema aprende como você pensa e melhora com o tempo.
Kyle Norton construiu um workflow completo de preparação de podcast: o convidado preenche um formulário, isso dispara pesquisa automatizada, ingestão do LinkedIn, geração de tópicos, redação do roteiro. Levou de 6 a 10 horas para ficar bom — e hoje poupa horas toda semana. Cada podcast ingerido alimenta o knowledge graph com ideias atômicas que ficam disponíveis para referências futuras.
"Se você quer manter seu emprego, automatize seu emprego. E então crie um novo emprego acima dele." A evolução não é ser substituído — é subir um andar na hierarquia de valor enquanto a IA executa o andar atual.