Um cliente da Infi saiu de outbound manual de 10 emails/dia para 10 mil emails personalizados por mês em 90 dias. O playbook completo — incluindo os erros no meio do caminho.
Esse post é um case study real de um cliente da Infi. Por questão de confidencialidade, não vou usar o nome da empresa — vou chamar de “NovaTech” (nome fictício). NovaTech é uma SaaS B2B brasileira em estágio série A, com ticket médio de R$1.200/mês, atendendo empresas de mid-market no setor de logística.
Quando a NovaTech começou a trabalhar com a gente, eles tinham duas pessoas fazendo outbound manual: um SDR contratado e o próprio VP de vendas. Juntos eles mandavam cerca de 10-15 emails personalizados por dia. Taxa de resposta girava em 6% — acima da média, porque eram realmente personalizados — mas o volume não escalava.
Em 90 dias, eles passaram pra uma média de 10.000 emails personalizados por mês, mantendo a mesma taxa de resposta de 6%. Nenhuma contratação nova. Nenhum SDR adicional. O VP de vendas passou a focar em fechamento, o SDR virou orquestrador dos agentes de IA.
Esse post é como eles chegaram lá — os passos, os erros, e o que aprendemos.
Antes de contratar a Infi, a operação de outbound da NovaTech era assim:
Os números não eram ruins. O problema era o platô. Eles tentaram contratar um segundo SDR e a produtividade não dobrou — adicionou complexidade de gestão e o novo SDR levou 3 meses pra bater meta do antigo. Eles tentaram aumentar volume reduzindo personalização e a taxa de resposta despencou pra 2%.
A conclusão era clara: o modelo deles não escalava com mais humanos. Qualquer tentativa de aumentar volume sem perder qualidade exigia uma abordagem diferente.
Quando a gente conversou com eles, propusemos uma tese simples: o gargalo não era número de emails enviados. Era pesquisa individual por prospect. O SDR gastava 80% do tempo pesquisando (LinkedIn do decisor, contexto da empresa, gatilhos recentes, pain points específicos) e 20% do tempo efetivamente escrevendo e enviando. Se a pesquisa fosse automatizada, o mesmo SDR poderia operar 10x o volume.
A proposta foi: substituir a pesquisa manual por agentes de IA rodando 24/7, monitorando os 2.000 prospects do ICP da NovaTech, detectando sinais em tempo real, e gerando drafts personalizados pro SDR revisar antes de enviar.
Eles toparam. A gente marcou um kickoff pra 30 dias depois com as seguintes metas:
A primeira fase foi a mais crítica e a menos glamorosa. A gente não começou mandando emails — a gente começou mapeando o ICP.
O ICP que a NovaTech nos mandou tinha 5.000 empresas. Quando a gente rodou análise de fit real contra os clientes pagantes deles, descobrimos que 80% daquela lista era ruído. Os clientes reais deles eram mais específicos: empresas de logística com frota própria acima de 50 veículos, sediadas em SP/RJ/MG, com sistemas legados de gestão, e que tinham contratado um head de operações nos últimos 12 meses.
Refinando, a lista caiu pra 1.800 empresas. Pareceu pouco na hora mas foi o melhor movimento que fizemos. A cada hora gasta em um prospect fora de ICP é uma hora perdida.
Com a lista refinada, a gente configurou os agentes pra monitorar cada empresa em tempo real. Fontes monitoradas:
Cada sinal detectado virava um “gatilho” no sistema. Gatilho + fit de ICP = oportunidade qualificada.
Nos primeiros 30 dias, o sistema detectou 340 gatilhos. Desses, 180 viraram emails personalizados (gerados por agente, revisados pelo SDR). Taxa de resposta: 8% — mais alta que o baseline, porque a personalização era melhor que o manual.
Número no dia 30: 180 emails enviados. Abaixo da meta de 1.000, mas a base estava sólida.
O problema que surgiu no segundo mês foi interessante: os agentes estavam detectando gatilhos demais. O SDR ficou soterrado. 50+ emails drafts chegavam pra ele revisar por dia, e ele não conseguia revisar com qualidade.
A solução foi adicionar uma camada de priorização. Cada gatilho recebia um score de urgência baseado em:
Score final determinava prioridade. O SDR passou a revisar apenas os top 30% — os 70% restantes ficavam em queue.
Isso resolveu o problema imediato mas criou outro: desperdício de oportunidades. Então a gente adicionou uma segunda camada — um agente de “qualidade de draft” que aprovava automaticamente drafts considerados de alta qualidade e só escalava os ambíguos pro humano.
Com essas duas camadas, o SDR conseguia revisar 200 drafts/dia em 2-3 horas. O resto saía automático.
Número no dia 60: 3.200 emails enviados no mês, taxa de resposta 7%. Meta batida.
Com o sistema ajustado, os últimos 30 dias foram sobre volume. Três movimentos adicionais:
A lista de 1.800 empresas foi a base. Adicionamos uma camada “ICP-adjacente” — empresas que eram candidatas a ICP mas precisavam de mais sinais pra confirmar. Isso dobrou a lista potencial pra 3.600, mas com gatilho mínimo 2 sinais pra serem contactadas.
Além de email, configuramos LinkedIn inMail e WhatsApp Business. Cada canal tinha seu próprio tom e timing. O mesmo gatilho podia gerar um email longo ou um inMail curto dependendo do contexto.
Respostas que não fechavam viravam follow-ups contextualizados — não templates. Se o prospect respondeu “interessante mas agora não é o momento”, o sistema programava um follow-up em 45 dias referenciando a mensagem anterior. Se respondeu “mande mais info”, o sistema gerava um email de seguimento com conteúdo específico baseado no contexto dele.
Número no dia 90: 10.400 emails enviados no mês, taxa de resposta 6.2%.
Comparando a operação antes vs depois:
| Métrica | Antes | Depois | Delta |
|---|---|---|---|
| Emails/mês | 300 | 10.400 | 34x |
| Taxa de resposta | 6% | 6.2% | +0.2 |
| Respostas/mês | 18 | 645 | 36x |
| Calls agendadas | 15 | 320 | 21x |
| Deals fechados | 4 | 42 | 10x |
| Custo operacional | R$14k | R$11k (Infi + SDR) | -21% |
| CAC efetivo | R$4.000 | R$260 | -94% |
O número mais importante é o último: CAC caiu de R$4.000 pra R$260. Com ticket médio de R$1.200, o payback virou menos de 1 mês — o que é quase impensável em SaaS B2B.
Não foi tudo lindo. Três erros significativos que vale mencionar:
Nos primeiros 10 dias, ansiosos pra mostrar resultado, a gente aumentou volume antes do sistema estar calibrado. Resultado: 40 emails com drafts medíocres saíram, e um prospect importante respondeu reclamando do tom. Tivemos que pedir desculpas publicamente.
Lição: calibração antes de volume. Sempre.
Nos primeiros 60 dias, o foco era 100% em primeiros toques. Ignoramos follow-ups. Descobrimos depois que 40% das conversões vinham de follow-ups — não do primeiro email. Adicionar um sistema automatizado de follow-up contextual foi o que destravou o último salto de volume.
Em um momento, o SDR quis testar 10 variações de copy pra ver qual convertia melhor. Gastamos duas semanas nisso e a diferença foi mínima — dentro da margem de erro. A lição: copy importa, mas targeting e timing importam 10x mais. Otimizar copy com targeting ruim é pintar o Titanic.
Se começasse de novo com a NovaTech, faria duas coisas diferentes:
Começaria com lista menor, não maior. 800 empresas bem mapeadas em vez de 1.800 ok-mapeadas. Qualidade de contexto importa mais que cobertura.
Testaria diferentes canais em paralelo desde o dia 1. Esperar 60 dias pra adicionar LinkedIn e WhatsApp foi subótimo. A diversificação de canais deveria ser base, não camada.
O case da NovaTech não é sobre tecnologia mágica. É sobre aplicar agentes de IA em um processo que era feito manualmente, mantendo a disciplina de qualidade. A IA substitui a pesquisa e a geração, mas não substitui julgamento humano sobre o que ativar e quando.
O resultado: um time pequeno executando volume que antes exigiria 10 SDRs, com qualidade mantida. E isso é o futuro de outbound pra todas as empresas que não querem (ou não podem) construir exército de vendas.
Se você é founder e está no ponto da NovaTech — outbound funcional mas que não escala — conversa com a gente. A gente mostra como seria o seu próprio playbook.
Agende uma conversa de 30 minutos e descubra como a gente pode rodar sua aquisição no automático.
Agendar conversa