A LangChain publicou em 13 de setembro de 2026 um relato de como sua equipe construiu um agente de GTM (go-to-market) capaz de conduzir de ponta a ponta a prospecção e a qualificação de leads. O texto é assinado por Vishnu Suresh e Jess Ou. O sistema nasceu como agente de SDR e depois se espalhou para toda a área de GTM da empresa.
Entre os resultados relatados está um aumento de 250% na conversão de leads em oportunidades qualificadas entre dezembro de 2025 e março de 2026.
O ponto de partida: quinze minutos de pesquisa por lead
O cenário anterior era familiar a qualquer time comercial. O representante alternava entre abas: Salesforce para o registro da conta, Gong para o histórico de chamadas, LinkedIn para o contato e o site da empresa para contexto.
Eram cerca de quinze minutos de pesquisa antes de escrever uma única linha. Não havia forma fácil de saber se um colega já havia feito contato no dia anterior.
No inbound, a rotina era colar manualmente a mesma mensagem no Apollo para cada novo contato.
Antes de escrever código, a equipe definiu dois objetivos: reduzir o tempo gasto por representante em pesquisa e redação por lead, e melhorar a conversão do inbound gerado por marketing.
Para isso, estabeleceu premissas inegociáveis. A principal é o human-in-the-loop: nada é enviado sem revisão e aprovação explícita de um representante, porque um único e-mail mal cronometrado pode desfazer meses de relacionamento.
A segunda é o conhecimento de histórico de contato. O agente precisa checar se um representante ou colega já abordou aquela pessoa antes de escrever qualquer coisa.
Como o agente funciona na prática
O agente é acionado quando surge um novo lead no Salesforce. A primeira tarefa é procurar motivos para não enviar nada.
Se a pessoa acabou de abrir um ticket de suporte ou se alguém do time já entrou em contato naquela semana, o envio automático seria um erro.
Só depois dessas verificações ele faz a pesquisa que antes era manual. Puxa o registro completo do Salesforce, lê transcrições do Gong, consulta o perfil no LinkedIn e, quando há pouco histórico interno, recorre à web com a Exa para entender o que a empresa faz com IA naquele momento.
O rascunho é montado conforme o estado da relação: um cliente existente recebe uma abordagem diferente da de um prospect morno ou frio. Para isso, o agente carrega uma skill de outbound definida, um playbook que cobre tanto casos aquecidos quanto frios e é carregado antes da redação.
O resultado chega ao representante como rascunho no Slack, acompanhado de raciocínio e fontes, para aprovação. A base técnica é o Deep Agents, escolhido por se tratar de um processo longo, de várias etapas, que precisa orquestrar múltiplas ferramentas e grandes volumes de dados com confiabilidade.
Medição, aprendizado e números
Toda ação do representante — enviar, editar ou cancelar, é registrada no LangSmith e anexada ao trace correspondente. Isso permite avaliar qualidade, detectar regressões e quantificar o que funciona.
Outro requisito era a explicabilidade. O representante precisa ver as entradas principais e entender por que o agente escolheu determinado ângulo, para refinar o texto e dar feedback.
Há ainda um ciclo de aprendizado, em que as edições feitas pelos representantes melhoram os rascunhos ao longo do tempo sem atualização manual de prompts.
Os números relatados vão além da conversão. No mesmo período de dezembro de 2025 a março de 2026, o sistema gerou 3x mais pipeline em dólares.
Desde dezembro, os representantes aumentaram em 97% o follow-up com leads de baixa intenção e em 18% com leads de alta intenção.
Cada vendedor recuperou 40 horas por mês, somando 1.320 horas em toda a equipe. A adoção chega a 50% de uso diário e 86% de uso semanal entre os membros do time de vendas.
Da prospecção à inteligência de conta
O escopo cresceu depois do lançamento inicial. Além dos rascunhos pontuais, o agente passou a agregar sinais no nível da conta: atividade na web, ecossistemas de desenvolvedores, uso do produto e pontos de contato de marketing.
O objetivo é mostrar onde os representantes devem concentrar esforço.
Ao ligar esses dados de intenção às contas de cada vendedor, o sistema destaca atividade relevante, sinaliza riscos em negociações e movimentos competitivos e indica quem faz mais sentido abordar em seguida. O agente, segundo o relato, também atua como membro ativo do Slack da equipe.
Para quem acompanha a adoção de agentes em áreas comerciais, o caso da LangChain ilustra um padrão: o valor não vem de substituir o vendedor, mas de eliminar a coleta manual de contexto e deixar a decisão final com uma pessoa. A exigência de auditoria, com cada ação rastreada e vinculada a um trace, aparece como condição para que o uso se sustente e melhore com o tempo.
Fontes e links
- How we built LangChain's GTM Agent, LangChain
- Deep Agents, documentação
- Skills do Deep Agents, documentação
- LangSmith
