← Todos los insights
ai-sdrRevOpspipelinecrm-hygiene

El fracaso de un AI SDR es un problema de capa operativa, no de envío

Los proveedores de AI SDR autónomos han recibido críticas públicas por ARR inflado y churn. Los agentes envían bien. Lo que se rompe es la capa operativa que tienen debajo, y eso es un problema de RevOps.

Por qué el fracaso de un AI SDR empieza debajo del botón de envío

Durante el último año, los proveedores de AI SDR autónomos han recibido críticas públicas por ARR inflado y abandono de clientes. No voy a juzgar aquí a ningún proveedor en particular, en parte porque no puedo ver sus cuentas. Lo que sí puedo describir es el patrón, porque vemos lo mismo desde el lado del comprador.

Los agentes envían. Envían mucho, rápido y con una redacción decente. Enviar nunca fue lo difícil. El fracaso de un AI SDR ocurre en la capa operativa: las definiciones de pipeline, los bucles de feedback del CRM y la lógica de descalificación que le dicen al agente qué es un buen resultado. Sin ellos, el agente optimiza lo único que puede ver, que es la actividad.

La idea de este artículo es nombrar esas tres partes, dar un ejemplo de cada una cuando falla y explicar qué haría yo al respecto. Es un enfoque estratégico, no un tutorial. La construcción es la parte en la que conviene tener a alguien integrado en su equipo.

¿Qué es la capa operativa que hay debajo de un AI SDR?

La capa operativa es el conjunto de reglas y datos construidos por personas que deciden qué es un lead, qué es una reunión y qué es un callejón sin salida. La llamaré la base. Un agente SDR se apoya sobre ella.

Tiene tres partes:

  1. Definiciones de pipeline: qué cuenta como reunión calificada, como oportunidad, como cambio de etapa.
  2. El bucle de feedback del CRM: cómo regresan los resultados para que el agente aprenda qué funcionó.
  3. Lógica de descalificación: las reglas sobre a quién nunca se contacta, o a quién se retira tras la primera señal.

Un SDR humano se las arregla con una base débil porque una persona absorbe las partes que faltan en las reuniones diarias, en las revisiones de deals, en el pasillo. Un agente no tiene pasillo.

Definiciones de pipeline: el agente cumple el número que usted le dio

Supongamos que un equipo de SaaS B2B le pide a su agente que agende reuniones. Nadie ha escrito qué es una reunión. ¿Cuenta una llamada de 15 minutos con un pasante? ¿Cuenta dos veces una reunión reagendada tras un no-show?

El agente agenda 120 reuniones en un mes. El dashboard se ve estupendo. Los AEs las toman, y un tercio son con personas sin autoridad presupuestaria y sin un problema activo. El proveedor reporta éxito porque la métrica del contrato eran las reuniones. El comprador cancela dos trimestres después porque el pipeline no se movió.

Mi impresión es que así empiezan muchos fracasos de AI SDR, y así arrancan algunas de las historias públicas de cifras infladas. Nadie tiene que estar mintiendo. El número se definió en la capa equivocada.

La solución es aburrida. Escriba la definición, guárdela en el CRM como un campo con valores controlados y mida al agente por la etapa posterior, no por la reunión agendada. En HubSpot eso es una propiedad con opciones definidas, no una nota de texto libre.

El bucle de feedback del CRM: sin resultados, no hay aprendizaje

Un agente solo puede mejorar si los resultados regresan a él. La mayoría de los CRM, para bien o para mal, están llenos de etapas desactualizadas y campos a medio llenar. Los compradores con quienes hablamos describen SDRs que cometen errores manuales al actualizar las relaciones cuenta-contacto en Salesforce. Si las personas se equivocan en eso, un agente que lee los mismos registros aprende del ruido.

Un ejemplo. Un agente envía un correo a un contacto que dejó la cuenta hace seis meses, porque la relación nunca se actualizó. El correo rebota o recibe una respuesta vaga. Nada se escribe de vuelta en el registro. La semana siguiente el agente lo intenta de nuevo. Ese bucle es el fracaso de un AI SDR en miniatura: actividad segura de sí misma, cero aprendizaje.

La brecha aparece también del lado de los AEs. Un cliente nos contó que sus account executives se concentran en el plazo de firma y el presupuesto, y no profundizan lo suficiente en los motivadores del dolor. Los motivos de closed-won y closed-lost quedan escuetos, así que nada le indica al sistema qué dolores predijeron un deal. No se puede entrenar la segmentación con datos que nadie registró.

Lo que yo haría es auditar la ruta de escritura de vuelta antes de comprar nada. ¿Qué resultados llegan al CRM, en qué campos, capturados por quién, y con qué demora? Si la respuesta es "depende del representante", ya tiene su primer proyecto, y no es un proyecto de agentes.

Lógica de descalificación: las reglas sobre a quién no contactar

Esta es la parte que veo omitida con más frecuencia. Los equipos definen su ICP y olvidan las exclusiones: clientes existentes, oportunidades abiertas, competidores, regiones que el equipo no puede atender y empresas demasiado pequeñas para pagar.

Un cliente nos dijo que la prospección en EMEA les resulta difícil y que la persona que la cubre se siente incómoda al teléfono. Otro temía que los SDRs no ejecutaran las tareas telefónicas integradas en los workflows de las campañas. Si coloca un agente en ese escenario sin lógica de descalificación, disparará contra cuentas de EMEA que el equipo no puede trabajar y agendará llamadas de seguimiento que nadie hará. El volumen sube, la conversión baja y todos culpan al agente.

Aquí las reglas prácticas son baratas: por cada criterio de ICP que escriba, escriba una exclusión al lado. Cinco inclusiones y ninguna exclusión significa que el agente trabaja con la mitad de un brief, y esa mitad es una causa común del fracaso de un AI SDR.

¿Cómo secuenciaría un rollout para evitar el fracaso de un AI SDR?

Tres fases, y el orden es lo importante:

  1. Primero, las definiciones. Etapas del pipeline, criterios de reunión y exclusiones, escritos y codificados en el CRM. Dos o tres semanas en un proyecto ágil.
  2. Segundo, el feedback. Campos de resultado, escrituras de vuelta obligatorias y una revisión semanal para verificar que los motivos de closed-lost sean reales.
  3. Tercero, el agente, sobre un segmento acotado y medido por oportunidades creadas, no por envíos.

Lo hacemos así para que, más adelante, cuando alguien pregunte por qué el agente hizo algo, usted pueda rastrearlo hasta una regla escrita por una persona. Sin eso, no se puede depurar. Solo se puede apagar.

Por eso este es un problema de RevOps y no de herramientas. Si usted se dedica a RevOps, es un gestor de proyectos con una especialidad, y esto es un proyecto: acordar definiciones, codificarlas e instrumentar los resultados. La elección del proveedor viene después, y un CRM como Salesforce o HubSpot puede contener todo eso.

Lo que no sé sobre el fracaso de un AI SDR

No tengo una gran respuesta sobre si los agentes autónomos acabarán infiriendo estas reglas por sí solos. Tal vez. Los proveedores lo aseguran y los modelos siguen mejorando. Mi experiencia es que incluso una persona nueva muy capaz necesita las definiciones, y un agente es una incorporación veloz sin gerente.

Tampoco puedo auditar los ingresos de ningún proveedor, así que tome mi lectura como un patrón, no como un veredicto. Lo que sí puedo decir es que el fracaso de un AI SDR aparece donde falta la base, y eso se puede comprobar en una tarde.

Si usted está evaluando un agente ahora mismo, mi recomendación es que le haga tres preguntas a su propio equipo antes de la demo: qué cuenta como reunión, dónde se escriben de vuelta los resultados y a quién nunca se contacta. Si esas respuestas toman más de un minuto, empiece por ahí. Encontrará más sobre cómo abordamos este tipo de trabajo en nuestra biblioteca de insights.

Noah Charak
Noah Charak
Managing Director

Founder of Checkpoint GTM. 15 years of Revenue and Business Operations across the Berlin start-up scene, with 65+ transformation projects delivered. CRM architecture and RevOps specialist, certified in Salesforce and HubSpot.

LinkedIn

Comparta este artículo