Um SaaS B2B com 14 mil leads mensais opera um funil de nurturing com emails sequenciais, variantes de landing page e segmentação por cargo e tamanho de empresa. O funil foi construído sobre templates estáticos no HubSpot, cada template parametrizado com merge tags. A taxa de conversão de MQL para SQL oscila entre 16% e 19%. O problema aparece quando o time de produto muda o posicionamento, porque dezenas de templates precisam ser reescritos junto com landing pages e sequências revisadas manualmente. O ciclo de atualização leva semanas, e durante esse período o funil continua operando com a mensagem antiga enquanto leads que entraram pelo novo posicionamento recebem nurturing incoerente com o ponto de entrada.
Pra mim, o padrão é estrutural. Funis baseados em templates tratam cada peça de conteúdo como artefato independente que compartilha variáveis de personalização, mas não compartilha contexto. O template sabe que o lead se chama Ana e trabalha numa empresa de 200 pessoas, mas não sabe que ela chegou por um ad que prometia integração com GitHub Actions, nem que visitou a página de pricing três vezes sem converter, nem que o ticket de suporte aberto na semana passada indica familiaridade com CI/CD. Essa ausência de contexto transversal é o que separa automação por template de automação por agente.
Um agente que opera uma etapa do funil recebe como input o estado completo da jornada. Isso inclui origem do tráfego, páginas visitadas, interações anteriores com emails, dados de produto quando disponíveis e o posicionamento atual definido na spec do funil. O agente gera conteúdo que responde ao contexto específico daquele lead naquele momento. Quando o posicionamento muda, a alteração acontece na spec que alimenta os agentes, e a próxima interação de cada lead já reflete a mudança sem necessidade de reescrever templates individuais.
Na minha análise, o estudo recente da RevSure, plataforma de revenue intelligence, confirma a direção do mercado. A pesquisa com 306 líderes de GTM em B2B, publicada no início de 2026, indica que 76% das organizações já estão implementando ou em rollout de IA agêntica em seus processos de go-to-market, e que 96% dos entrevistados acreditam que agentes com contexto de funil completo melhorariam a execução de forma significativa. Quase metade dos líderes cita qualidade de leads e confiabilidade de dados como barreira primária, apesar de 58% classificarem sua execução como eficiente, o que sugere pra mim que a eficiência declarada é sustentada por esforço manual compensatório e não por coerência estrutural do funil.
O custo de inferência por interação é mensurável. Um agente que gera um email personalizado consumindo contexto de CRM, histórico de navegação e spec de posicionamento opera com prompts de 2.000 a 4.000 tokens de input e 300 a 600 tokens de output. Com GPT-4o a aproximadamente 2,50 dólares por milhão de tokens de input e 10 dólares por milhão de output, o custo mensal pra um funil de 14 mil leads com 6 touchpoints fica entre 670 e 1.340 dólares, uma fração do custo de um copywriter dedicado a manter templates atualizados. A segunda dimensão do custo é a integração. Montar o payload de contexto pra cada interação exige acesso a CRM, analytics e produto em tempo de execução, e essa camada de integração é onde a maioria dos projetos empaca.
O trade-off central é entre custo de inferência e custo de manutenção. Templates têm custo de inferência zero e custo de manutenção alto, que cresce linearmente com o número de variantes e com a frequência de mudanças de posicionamento. Agentes têm custo de inferência proporcional ao volume e custo de manutenção concentrado na spec e na camada de integração, amortizado por todas as interações. Na minha avaliação, pra um funil estável com posicionamento que muda uma vez por ano, templates ainda são economicamente superiores. Para funis em iteração contínua, agentes amortizam o custo de inferência na velocidade de propagação que templates simplesmente não conseguem entregar.
A implementação exige uma camada de estado que a maioria das ferramentas de automação de marketing não oferece nativamente. O agente precisa acessar, pra cada lead, um objeto de contexto que agrega dados de múltiplas fontes em tempo real, funcionando como o state de uma state machine onde cada interação do lead é uma transição. Sem essa camada, o agente opera com o mesmo nível de contexto de um template parametrizado, e o custo de inferência passa a ser gasto adicional sem ganho proporcional em relevância. A experiência de plataformas de product-led growth reforça que a variável que determina conversão é a completude do contexto, e não a sofisticação do modelo.
Quando cada interação do funil é gerada por um agente com contexto completo, o funil passa a produzir dados de feedback por interação, e não por template. É possível saber que leads chegados por conteúdo técnico sobre CI/CD convertem 2,3 vezes mais quando o primeiro email referencia integração específica com a stack detectada, e essa informação retroalimenta a spec do funil como restrição verificável. O funil deixa de ser uma sequência fixa otimizada por A/B testing de fragmentos e passa a ser um sistema adaptativo que aprende por interação, dentro dos limites definidos pela spec. A condição pra que isso funcione é que a camada de estado e a spec existam como infraestrutura. Sem elas, agentes em funis de marketing são apenas templates mais caros.