Outbound com IA: como a NFE.io faz ABM com Claude, HubSpot e Apollo

Em dezembro de 2025 a Ramp, fintech americana de gestão de despesas, encerrou o OATs, o time interno de automação de outbound que ela mesma chamava de "AI SDR" e que, segundo o cofundador Gene Lee, gerou cerca de 30% do pipeline da empresa durante anos, conforme relatou a newsletter Outbound Kitchen em 2 de agosto de 2026. O motivo não foi a IA ter parado de funcionar. Foi o mercado inteiro passar a fazer a mesma coisa, com os mesmos dados, e o retorno bater no teto. E a Ramp não voltou ao processo antigo: a infraestrutura do OATs virou ferramenta na mão dos vendedores, que hoje recebem do sistema a conta recomendada, os sinais, o resumo e o primeiro rascunho do e-mail. Nove meses antes, em 24 de março de 2025, o TechCrunch reportou que a 11x, a startup de "SDR de IA" financiada por a16z e Benchmark, exibia em seus materiais logos de empresas que, segundo a reportagem, não eram clientes, e que a ZoomInfo, depois de um teste de um mês, avaliou o produto como significativamente pior que os SDRs humanos dela.

Ou seja: a pergunta "outbound com IA funciona?" já tem resposta, e ela é chata. Funciona, e muito, até o dia em que todo mundo faz igual. O que separa quem colhe resultado de quem vira spam é onde a pessoa entra no processo. Este post é sobre isso: o que a gente sabe de quem já tentou, e como estou montando na NFE.io a prospecção ABM e outbound com Claude, HubSpot e Apollo, deixando a IA no trabalho operacional e as pessoas onde elas fazem diferença.

Por que o outbound artesanal quebra em escala

Começo pela conta do modelo tradicional. Segundo o relatório SDR Metrics 2025 da The Bridge Group, publicado em 6 de fevereiro de 2025 com 351 empresas B2B, um SDR faz na mediana 112 atividades por dia (44 ligações, 41 e-mails, 19 toques no LinkedIn) para chegar a 4,1 conversas de qualidade. São 27 atividades para cada conversa que vale alguma coisa, e 60% dos SDRs batendo a meta, o pior número da série histórica do relatório.

Dados de mercado

112

atividades por dia de um SDR, na mediana, para 4,1 conversas de qualidade

Ligações, e-mails e toques no LinkedIn; 351 empresas B2B pesquisadas

Esse é o jeito artesanal: uma pessoa pesquisando a conta, escrevendo o e-mail, adicionando no LinkedIn, mandando o WhatsApp, anotando no CRM. Dá pra fazer bem em volume baixo. Em volume alto, a personalização é a primeira coisa que morre, e aí a mensagem vira template com o nome da empresa trocado. O prospect percebe. A Gartner mediu isso em 25 de junho de 2025: 73% dos compradores B2B dizem evitar ativamente fornecedores que fazem prospecção irrelevante.

E a personalização compensa em número. A Belkins, agência de outbound, analisou 5,5 milhões de e-mails B2B enviados em 2024 e publicou em 6 de agosto de 2025 que assunto personalizado abre 46% contra 35% do genérico, e responde 7% contra 3%. É dado de fornecedor, com o viés que isso carrega, mas a direção bate com o que qualquer um que já mandou cold email sabe. O problema nunca foi saber que personalizar funciona. O problema era o custo de personalizar 112 vezes por dia.

O que mudou com agente na frente do processo

Quando a IA entra, o custo marginal da personalização despenca. A Apollo, que é justamente uma das ferramentas que uso, publicou junto com a Anthropic um case em que mensagens geradas com Claude produziram 35% mais reuniões agendadas e, em teste cego, 76% dos usuários preferiram a versão da IA. Dado de fornecedor, dos dois lados, então desconte. Mas o mecanismo é o que importa: a IA lê o contexto da conta e escreve uma mensagem que faz sentido pra aquela empresa, e consegue repetir isso em mil contas sem que o custo cresça na mesma proporção.

Só que o resultado da Ramp mostra a segunda metade da história. Quando a IA barateia a personalização pra todo mundo, a caixa de entrada do prospect enche de e-mail "personalizado". O Google passou a exigir, desde fevereiro de 2024, autenticação SPF, DKIM e DMARC e taxa de reclamação de spam abaixo de 0,1%, nunca chegando a 0,3%, pra quem envia mais de 5 mil mensagens por dia, e endureceu a aplicação em novembro de 2025. A Microsoft fez o mesmo em maio de 2025. A mesma tecnologia que tornou barato multiplicar o volume chegou justamente quando Google e Microsoft endureceram as regras pra quem envia em alto volume sem cuidar de autenticação e reclamação.

A conclusão que tiro é que a vantagem competitiva do outbound com IA não está na cadência gerada por IA. Isso qualquer um faz. Está em duas coisas que o concorrente não consegue copiar: a qualidade do dado que alimenta a escolha das contas, e o momento em que uma pessoa de verdade entra na conversa.

Como estou montando na NFE.io

Na NFE.io o desenho do processo é este, em construção e já rodando em parte da operação. Vou detalhar o que já existe e ser honesto sobre o que ainda é hipótese. O fluxo, do começo ao fim:

1. Clientes atuaisHubSpot + data lake
   →
2. PadrõesMRR, LTV, CAC, uso
   →
3. ICP
   →
4. Contas parecidasApollo e Lusha
   →
5. CSIenriquecimento
   →
6. Cadênciaescrita por conta
   →
7. Sinal de interesse
   →
8. BDRa pessoa entra

ICP com dado da própria base

A parte estratégica é feita a quatro mãos, minha e do Claude. Plugamos MCPs na nossa base de clientes: o HubSpot, onde está a história de cada empresa desde o primeiro contato como lead, e um data lake que recebe diariamente os dados de uso e consumo dos produtos (o billing em si roda no Dynamics, e o consumo é exportado de lá todo dia). O agente consulta os dois. Ele vê quando o cliente entrou, quanto tempo levou pra converter, quanto paga, se o consumo cresceu ou diminuiu, e cruza com MRR, LTV e CAC pra chegar a uma definição de cliente ideal com lastro em dinheiro, em vez de opinião de reunião.

Pra deixar claro o que entra nessa análise: pra definir ICP e priorizar contas, o agente trabalha com dado empresarial e operacional, CNPJ, segmento, porte, ticket, volume de notas, comportamento de consumo. Dado pessoal sensível não faz parte do processo em etapa nenhuma. Dado de contato de decisor existe, claro, no HubSpot e no Apollo, e é dado pessoal pela LGPD, tratado como tal; ele só aparece na etapa de contato, nunca na de análise. O agente não precisa saber quem é o financeiro do cliente pra entender que empresas de determinado perfil crescem mais rápido na nossa base.

Eu entro com os insights que só quem opera tem: que tipo de cliente a gente prefere, quais segmentos dão trabalho demais pro ticket, quais crescem sozinhos depois de integrados. O Claude entra com a capacidade de ler a base inteira sem cansar e me mostrar padrões que eu não veria olhando planilha. O ICP sai dessa conversa.

Contas parecidas com os melhores clientes

Com o ICP definido, o agente vai ao Apollo (e ao Lusha) buscar contas parecidas com os nossos melhores clientes. É lookalike baseado em quem já paga e cresce, bem diferente de um filtro de "empresa de tecnologia com mais de 50 funcionários". A lista que sai daí é menor e melhor do que a lista que um SDR montaria na mão em uma semana.

CSI: o enriquecimento que gera contexto

Chamo de CSI a etapa de enriquecimento de cada conta antes de qualquer contato. O agente levanta tudo que é público sobre a empresa: o que ela vende, pra quem, como fatura, o que anunciou, quem contratou, qual sistema usa. O objetivo é chegar no prospect com contexto suficiente pra que a primeira mensagem pareça escrita por alguém que estudou o negócio dele, porque foi. Isso derruba a barreira inicial e melhora a resposta.

Cadência hiper personalizada, em escala

Com o CSI pronto, o agente monta a cadência. Cada conta recebe uma sequência escrita pra ela, com referência ao que a empresa faz e ao problema fiscal específico que ela provavelmente tem. Com gente, isso seria impossível fora de um volume muito baixo. É aqui que a IA transforma personalização em escala, e é a parte mais fácil de copiar, como a Ramp descobriu. Por isso ela é a última etapa, e não a primeira.

O sinal, e a pessoa

O que muda de verdade em relação ao outbound tradicional é o papel do BDR. Ele não sai adicionando todo lead no LinkedIn e no WhatsApp. Ele acompanha a jornada de nutrição junto com o agente e entra quando o prospect dá algum sinal de interesse, mesmo discreto. Mas sinal tem peso. Abertura de e-mail e visita anônima atribuída à conta são sinais fracos, porque abertura hoje é inflada pela proteção de privacidade do Apple Mail e visita só vale se dá pra ligar à conta com alguma confiança. Clique, consumo repetido de conteúdo e interação no LinkedIn são sinais médios. Resposta, visita à página de preço ou de documentação e inscrição em evento são sinais fortes. Um pixel de abertura sozinho não coloca o BDR em campo; a soma de sinais coloca. Nesse ponto o agente e o BDR encontram juntos o melhor ponto de entrada, e a pessoa assume.

Tirar do BDR tudo que não precisa dele, pra sobrar tempo pro que só ele faz.

O que a gente já mediu, e o que ainda falta medir

Ainda não tenho volume pra bater no peito. O que tenho, nas primeiras cadências rodando com o processo novo, é taxa de abertura quase 30% maior que a do nosso outbound tradicional, com a mesma base e o mesmo time. É aumento relativo, não pontos percentuais: uma abertura de 40% viraria algo perto de 52%, não 70%. É um número inicial, de poucas semanas, e pode mudar. Estou registrando aqui pra voltar e conferir daqui a alguns meses.

Dados próprios

30%

de aumento relativo na taxa de abertura das primeiras cadências com IA, contra o outbound tradicional da NFE.io

▲aumento de 30%

Resultado inicial, com poucas semanas de operação; o número será revisado quando houver volume

Pra colocar em perspectiva: a Instantly, plataforma de cold email, publicou em 30 de março de 2026 que a abertura média de cold email na base dela é de 44%, com resposta média de 3,43%. A própria Instantly avisa que abertura é métrica inflada, pelo motivo que citei acima. Por isso o que eu vou olhar de verdade é resposta positiva e reunião marcada, que são as métricas que pagam a conta. Abertura só diz que o assunto e o remetente passaram no primeiro filtro. Já é alguma coisa, mas ainda não é resultado.

Quem demitiu os SDRs, e o que aconteceu depois

Agora a parte que os gurus não postam. Em uma enquete da SaaStr no fim de 2024, 83% dos respondentes disseram não ter conseguido resultado nenhum com SDR de IA; só 3% disseram ter gerado receita de verdade. Jason Lemkin, que fez a enquete e é entusiasta do tema, resumiu: quem liga o agente e vai embora não recebe nada.

E tem o dado que mais me interessa. A Gartner, em 20 de maio de 2026, com 645 compradores B2B, encontrou que 69% deles recorrem a um vendedor pra validar o que a IA disse, e que 51% acham mais provável receber informação enganosa de IA generativa do que de um vendedor. A mesma Gartner projetou, em 25 de agosto de 2025, que até 2030 75% dos compradores B2B vão preferir experiências de venda que priorizem interação humana em vez de IA, principalmente em compras complexas.

Dados de mercado

69%

dos compradores B2B recorrem a um vendedor humano para validar informação gerada por IA

Pesquisa com 645 compradores B2B realizada entre agosto e setembro de 2025

Eu sou um desses compradores. Prospecção por IA comigo não funciona. Se eu percebo que estou conversando com um agente, encerro. E eu sou o cara que coloca IA em produção pra viver. Imagine o diretor financeiro de uma indústria no interior de Minas, que é quem decide a compra de um produto fiscal. Existe uma barreira cultural real, e ela não some com prompt melhor. Ela some quando, no momento certo, aparece uma pessoa.

Tem ainda o custo do próprio time. BDR bom é raro, demora pra formar e, segundo a mesma pesquisa da Bridge Group, fica em média 1,9 ano na função. Colocar essa pessoa pra fazer 112 atividades mecânicas por dia é desperdiçar o único recurso do processo que a IA não replica: a capacidade de gerar confiança com outro ser humano. O que estou tentando fazer na NFE.io é o contrário do "demiti todos os SDRs". É tirar do BDR tudo que não precisa dele, pra sobrar tempo pro que só ele faz.

Onde fica a simbiose

Olha, IA no outbound é inevitável. Um processo que era manual e quase artesanal agora pode ler a base de clientes inteira, definir ICP com dado financeiro, achar contas parecidas, enriquecer cada uma e escrever uma cadência sob medida, em escala que gente nenhuma alcança. Negar isso em 2026 é insistir em fazer conta na mão porque a calculadora "tira o raciocínio".

Mas o outbound que dá resultado, pelo que a Ramp, a 11x e a Gartner mostram, é o que coloca cada um no lugar certo: a IA na análise, na escolha, no enriquecimento e na escrita; a pessoa no momento em que o prospect levantou a mão, ainda que só um pouquinho. A Ramp não concluiu que IA em outbound estava errada. Concluiu que IA no lugar do SDR é uma arquitetura pior do que IA ao redor do SDR, aumentando o que ele enxerga e derrubando o custo de decidir quem abordar, quando, por quê e com qual contexto. É a mesma conclusão que estou chegando por aqui. Quem tenta fazer as duas coisas só com IA vira spam; quem tenta só com gente não sai de 112 atividades por dia.

Vou voltar a este post quando tiver mais dados, de resposta e reunião, não só de abertura. Se quiser acompanhar, o feed RSS do blog, o meu LinkedIn e o Instagram danielsilvestre.ai são os lugares.

Escala é problema de máquina. Confiança é problema de gente.

FAQ

AI SDR funciona?

Funciona melhor como sistema de apoio ao SDR do que como substituto integral. A Ramp, que rodou um AI SDR interno por anos, encerrou o programa em dezembro de 2025 e transferiu a infraestrutura pros vendedores humanos. Quem liga o agente e vai embora, como resumiu Jason Lemkin, não recebe nada.

Outbound com IA substitui o SDR?

Não pelo que os dados públicos mostram. Em enquete da SaaStr no fim de 2024, 83% das empresas não conseguiram resultado com SDR de IA, e a Ramp encerrou seu programa interno em dezembro de 2025 depois de anos de bom resultado. O que funciona é a IA assumindo o trabalho operacional e o SDR ou BDR entrando quando há sinal de interesse.

O que é ABM e como a IA ajuda?

ABM (account-based marketing) é prospecção focada em contas escolhidas, e não em volume. A IA ajuda nas duas etapas mais caras: definir o perfil de cliente ideal com dados reais da base (MRR, LTV, CAC, uso do produto) e enriquecer cada conta com contexto antes do primeiro contato.

Quais ferramentas a NFE.io usa no outbound com IA?

Claude como agente, com MCPs conectados ao HubSpot (histórico de leads e clientes) e a um data lake com dados de uso dos produtos; Apollo e Lusha para encontrar contas parecidas com os melhores clientes. Nenhum dado pessoal ou sensível entra no fluxo, apenas dados empresariais.

Qual taxa de abertura esperar em cold email com IA?

Depende da base e do segmento. A Instantly reportou em março de 2026 uma média de 44% de abertura e 3,43% de resposta na plataforma dela. Na NFE.io, as primeiras cadências com IA abriram quase 30% mais que o outbound tradicional, mas resposta positiva e reunião marcada são as métricas que importam.