Em 12 de novembro, a LangChain publicou um relato técnico sobre como seu GTM Agent — agente interno voltado ao processo comercial, passou a produzir documentos de vendas sob medida para cada negociação. A ferramenta foi construída sobre o harness Deep Agents e, segundo a empresa, gerou 1.540 artefatos ao longo de 12 semanas, entre planos de conta personalizados, documentos de prova de valor, apresentações de proposta e planos de onboarding.
Os artefatos que de fato chegaram às mãos dos clientes responderam por 337 horas de trabalho poupadas dos representantes, de acordo com a companhia. O volume superou 100 artefatos por semana no período, sempre com o objetivo declarado de manter um padrão de qualidade no material que o cliente vê.
O gargalo que o agente veio resolver
Antes do novo fluxo, versões inconsistentes do mesmo documento circulavam pela organização. Os executivos de conta montavam apresentações de proposta reunindo dados de uso em um assistente de chat e depois organizando o material manualmente.
O trabalho se repetia a cada negociação e o resultado saía diferente todas as vezes.
A LangChain diz ter buscado três objetivos simultâneos: manter a régua alta em tudo que o cliente recebe, parar de repetir trabalho feito à mão e seguir um processo consistente em cada deal. O terceiro foi o mais difícil.
Cada etapa de uma negociação tem critérios que precisam ser cumpridos antes de avançar, como nomear o comprador econômico ou acordar critérios de sucesso. Quando tudo era manual, um passo pulado costumava aparecer só na revisão de pipeline, semanas depois de o representante ter tido a chance de conversar com o cliente.
Com os artefatos registrados pelo agente, a lacuna pode ser identificada enquanto a negociação ainda está ativa.
Contexto antes de ajuste de prompt
A publicação sustenta que a maior parte da qualidade vem do contexto fornecido ao agente, e não do refinamento de prompts. Esse contexto inclui o critério de qualidade definido pela liderança de vendas, informações extraídas de conversas reais com clientes, a lógica de negócio da empresa, como os estágios do funil, e os requisitos concretos para atravessar cada etapa.
A empresa descreve ainda a prática de tratar a marca como código, incorporando regras de identidade e padrão editorial ao sistema. Como o agente também sabe em que ponto cada negociação está, ele pode sugerir o documento adequado antes de uma ligação com o cliente, em vez de apenas reagir a pedidos.
Sandbox, skills e memória
O trabalho depende de primitivas do harness Deep Agents: um sandbox de execução, skills, memória e execuções agendadas. Segundo a LangChain, essas peças já estão disponíveis na versão gerenciada, o Managed Deep Agents, o que permite a outros times começar direto pela captura de como o próprio negócio funciona.
A publicação também menciona ciclos de aprendizado que mantêm o sistema alinhado ao que a equipe comercial considera um bom material.
O GTM Agent não nasceu como gerador de documentos. No início do ano, a empresa já havia relatado como construiu o agente para pesquisar leads, redigir abordagens personalizadas que os representantes aprovam no Slack e apresentar semanalmente sinais de conta, como oportunidades de expansão e riscos de negociação.
Como os representantes já o usavam diariamente, ele foi o lugar natural para assumir uma das tarefas mais demoradas do trabalho comercial.
Resultados em números
Os dados divulgados pela companhia resumem o efeito do fluxo: 47% das negociações em que um artefato foi enviado ao cliente avançaram para um estágio posterior, contra 16% em negociações comparáveis sem esse envio. 46% dos artefatos foram seguidos por uma ligação com o cliente em até 14 dias.
São números de operação interna, medidos pela própria LangChain, e não resultados de um estudo independente. Ainda assim, ajudam a explicar por que a empresa trata a geração de documentos como parte central do agente, e não como um recurso acessório.
Contexto como fosso competitivo
O argumento final do relato é que a vantagem duradoura não está no modelo usado, mas no que é construído ao redor dele: o conhecimento acumulado sobre o jeito da empresa vender. Um modelo poderoso acelera a produção de documentos, mas, isolado, leva a automação apenas até certo ponto.
A receita proposta é replicável por outras equipes sobre o Deep Agents, desde que consigam transformar em sistema aquilo que hoje está na cabeça das pessoas.
