Vendedor bom é caro. Vendedor bom fazendo trabalho de SDR é desperdício composto: gasto de salário + custo de oportunidade + desânimo do time.
O cálculo é simples: se 60% dos leads que chegam ao plantão são não qualificados, você está pagando o vendedor pra fazer triagem em vez de fechar. Pior: o vendedor está cansado quando o lead bom finalmente aparece.
A solução pré-LLM (e por que não bastava)
Antes de LLMs serem úteis, a solução era lead scoring por regra: “se cargo = CEO e empresa > 50 funcionários, score alto”. Funciona em B2B saas óbvio, falha em contextos onde o sinal está no texto livre.
Lead em imobiliária que escreve “tô olhando pra investir minha indenização do seguro, uns 500k, mas só apartamento de 2 dorms perto de metrô” — nenhuma regra estática captura isso. LLM lê em 200ms e classifica perfeitamente.
Pipeline real que rodamos
Stack mínima (case Urbacon e Credfast publicados em /cases):
- Captura. Webhook do formulário/WhatsApp dispara pro orquestrador (N8N ou Lambda).
- Enriquecimento. Busca complementar no CRM (já é lead conhecido?) + verificação pública opcional (Receita, Serasa via API com consentimento).
- Classificação por LLM. Prompt versionado em Git que recebe lead + contexto
e devolve JSON com:
score(0-100)tier(A/B/C/descarte)objections_predicted(lista)recommended_offer(1 entre N)
- Roteamento.
- Tier A → notificação imediata no WhatsApp do corretor (com resumo de 3 bullets).
- Tier B → fila do SDR humano pra requalificar.
- Tier C → fluxo de nutrição automático.
- Descarte → marca no CRM, sem enviar ninguém.
- Loop de aprendizado. Toda venda fechada volta ao prompt como feedback — ajustes mensais no template, não A/B test prematuro.
Métrica real
Antes (sem LLM):
- 60% dos leads chegavam ao corretor.
- 18% viravam reunião marcada.
- 4% viravam venda.
Depois (com LLM qualificando):
- 22% dos leads chegavam ao corretor (tier A).
- 51% viravam reunião marcada.
- 11% viravam venda.
Volume de venda 2,7× com mesma base de lead. Corretor sobra tempo, lead frio não some — só vai pro fluxo de nutrição em vez de queimar com humano caro.
Cuidados não-óbvios
- LGPD primeiro. Consentimento explícito antes de enriquecimento externo. Sem isso, o ganho de eficiência vira processo administrativo.
- Hallucination control. O LLM tem que devolver JSON estruturado, não texto livre. Schema validation no recebimento.
- Fallback humano. Sempre que o score do LLM tem incerteza alta (range 40-60 numa escala 0-100), envia pro humano. Não confia cegamente.
- Custo por lead. GPT-4o-mini em prompt < 1k tokens custa < R$ 0,01 por classificação. Não é gasto relevante.
Quando isso NÃO faz sentido
- Volume < 50 leads/mês. Custo de implementação não paga.
- Ticket médio < R$ 200. Não compensa toda a engenharia.
- Vendedor que já fecha 80%+ dos leads. A taxa já está saturada, problema é gerar mais lead, não qualificar melhor.
Pra todo o resto, qualificação com LLM é o ponto onde IA paga mais rápido em marketing/vendas — payback em < 60 dias na maioria dos casos.