Dave Killeen es Field CPO de Pendo, una empresa de $2.6B. Monitorea 45 deals empresariales activos. No asiste a pipeline reviews. Construyó un sistema con Claude Code que lee transcripciones de reuniones, consulta health scores de CRM, califica cada deal, y le manda un mensaje en Slack con lo que necesita su atención. Aakash Gupta documentó el caso en detalle.

Un comando. 45 deals. Cero reuniones de revisión.

Killeen no automatizó un proceso de su equipo — se automatizó a sí mismo. Y eso es lo que lo hace diferente de casi todos los casos de IA empresarial que hemos analizado hasta ahora.

45 deals, un comando, cero pipeline reviews

El sistema de Killeen tiene tres piezas que trabajan juntas.

Entrada: Granola transcribe cada reunión de ventas automáticamente. No es una grabación pasiva — Granola genera notas estructuradas que incluyen compromisos, objeciones y próximos pasos. Cada transcripción alimenta el sistema sin intervención manual.

Inteligencia: Clary provee health scores para cada cuenta — métricas de engagement, avance en el ciclo de ventas, riesgo de churn. Claude Code toma esas dos fuentes (transcripciones + health scores) y aplica un scoring personalizado que Killeen definió según sus propios criterios: qué señales indican un deal en riesgo, qué patrones predicen cierre, qué cuentas necesitan intervención del CPO vs. las que el equipo de ventas puede manejar solo.

Salida: El sistema genera dos cosas. Primero, una lista priorizada de deals que requieren atención — no los 45, sino los 5 o 7 que tienen algo que Killeen necesita ver. Segundo, borradores de mensajes para Slack — no genéricos, sino contextualizados con la información específica de cada deal.

El resultado: Killeen revisa la salida, ajusta lo que necesita ajustar, y actúa. El pipeline review semanal — esa reunión de 90 minutos donde cada deal manager reporta su estado — dejó de ser necesario para él.

No eliminó la reunión para su equipo. La eliminó para sí mismo. Su equipo sigue haciendo su trabajo. Killeen simplemente ya sabe lo que necesita saber antes de que le cuenten.

La arquitectura detrás del sistema

Lo que Killeen construyó se puede describir en tres capas que aplican más allá de su caso específico:

	Pipeline review tradicional	Sistema personal de IA
Frecuencia	Semanal o quincenal	Continua (cada vez que hay datos nuevos)
Fuentes de datos	Lo que cada persona recuerda reportar	Transcripciones + CRM + scoring automatizado
Latencia	5-14 días entre señal y acción	Mismo día
Sesgo	Filtrado por quién reporta y cómo	Datos directos, criterios definidos por el ejecutivo
Costo en tiempo	60-90 min/semana + preparación	Minutos de revisión al día

La capa de entrada captura datos que ya existen — reuniones que ya ocurrieron, métricas que el CRM ya tiene. No genera información nueva. La transforma de formatos dispersos (audio, dashboards, emails) a un formato que la capa de inteligencia puede procesar.

La capa de inteligencia es donde está el criterio del ejecutivo codificado. Killeen no le dijo a Claude Code “analiza estos deals.” Le dijo “un deal en riesgo se ve así, un deal que necesita mi intervención se ve así, y un deal que mi equipo puede manejar tiene estas características.” Esa definición de criterios es el trabajo real — y es trabajo que solo el ejecutivo puede hacer.

La capa de salida no es un dashboard. Es acción preparada. Mensajes listos para enviar, no gráficos para interpretar. La diferencia importa: un dashboard requiere que el ejecutivo dedique tiempo a leer e interpretar. Un borrador de mensaje en Slack requiere que dedique tiempo a decidir si envía o modifica. El segundo es órdenes de magnitud más rápido.

No es automatización de equipos — es eliminación de intermediarios

Cuando hablamos de “IA para empresas”, generalmente hablamos de automatizar procesos que ejecutan equipos: onboarding de clientes, generación de reportes, clasificación de tickets. Son proyectos valiosos. Pero son proyectos de equipos.

Lo que hizo Killeen es otra cosa. Eliminó la cadena de intermediarios entre datos crudos y su propio criterio. El pipeline review tradicional funciona así: los datos viven en el CRM. Los account managers los interpretan. Preparan un resumen. Lo presentan en la reunión. El CPO escucha, hace preguntas, y forma su opinión. Hay al menos tres capas de filtrado humano entre el dato original y la decisión del ejecutivo.

El sistema de Killeen comprime eso a cero capas de filtrado. Los datos van directo del CRM y las transcripciones al sistema del CPO, procesados según los criterios que él mismo definió.

No reemplazó a nadie. Sus account managers siguen haciendo su trabajo. Lo que eliminó fue el juego de teléfono informativo — esa cadena donde cada eslabón agrega interpretación, omite detalles, y filtra según lo que cree relevante.

En nuestra experiencia en IQ Source, la mayor pérdida de señal en empresas B2B no ocurre en los sistemas — ocurre en las capas de resumen humano entre los sistemas y las decisiones. Un ejecutivo que recibe datos filtrados por tres personas tiene una versión de la realidad. Un ejecutivo que define sus propios criterios de filtrado y los aplica directamente a los datos tiene otra.

Killeen no es el primero — pero sí el más específico

El patrón de ejecutivos usando IA directamente no empezó con Pendo. Pero cada caso anterior resuelve un problema diferente.

Tobi Lutke en Shopify corrió autoresearch sobre el motor Liquid — optimización de código de infraestructura. Es uso directo de IA por un ejecutivo, sí, pero aplicado a ingeniería, no a decisiones de negocio recurrentes. Lutke usó un agente para un proyecto específico con inicio y fin. Killeen construyó un sistema permanente que corre todos los días.

Jason Calacanis con Ultron automatizó operaciones de equipo — deal flow, due diligence, gestión de portafolio en su fondo de inversión. Es más cercano al caso de Killeen, pero Ultron opera como sistema del equipo, no como sistema personal del líder. La diferencia: Ultron reemplaza tareas que antes hacían analistas. El sistema de Killeen reemplaza la reunión donde él mismo recibía la información.

Y la evolución de dashboards de business intelligence creó mejores formas de visualizar datos para toda la organización. Pero un dashboard es una herramienta compartida. El sistema de Killeen es personal — calibrado a sus criterios, conectado a sus canales, optimizado para sus decisiones.

Lo que hace especial al caso de Pendo es la especificidad. No es “uso IA para ser más productivo.” Es “construí un sistema que conecta Granola + Clary + Claude Code para monitorear 45 deals según mis criterios y me manda borradores en Slack.” Esa concreción es lo que lo hace replicable.

Qué tipo de ejecutivo puede hacer esto hoy

Esto no aplica para cualquier ejecutivo ni para cualquier tipo de decisión. Hay tres condiciones que tienen que coincidir.

Primera: una cadencia de decisiones repetitiva con datos digitales. Pipeline reviews, forecast updates, aprobaciones de presupuesto, revisiones de cartera — cualquier reunión recurrente donde el ejecutivo necesita actualizarse sobre el estado de múltiples items. Si la decisión ocurre una vez al trimestre y depende de factores cualitativos que no están en ningún sistema, un agente personal no ayuda mucho.

Segunda: decisiones que requieren síntesis de múltiples fuentes. Si toda la información que necesitas está en un solo dashboard, no necesitas un sistema de IA — necesitas mirar el dashboard. El valor aparece cuando tienes que cruzar transcripciones de reuniones con datos de CRM con emails con métricas de producto. Esa síntesis es lo que un humano hace lento y un sistema hace rápido.

Tercera: disposición a definir qué significa “buen resultado”. Esta es la condición que más gente subestima. Killeen tuvo que articular sus propios criterios de priorización — qué hace que un deal sea crítico, qué señales indican riesgo, qué umbral de health score dispara una alerta. La mayoría de los ejecutivos aplican esos criterios intuitivamente. Codificarlos requiere un ejercicio de introspección que muchos no han hecho.

¿Dónde no funciona todavía? Decisiones que dependen de relaciones personales — saber que el VP de tu cliente acaba de tener un cambio de equipo y está bajo presión, o que hay tensión interna en la cuenta que no aparece en ningún dato. Decisiones de estrategia creativa — posicionar un producto nuevo, redefinir una narrativa de mercado. Esas siguen requiriendo intuición humana que ningún sistema captura aún.

Lo que cambia cuando los datos llegan sin filtrar

Cuando un ejecutivo pasa de recibir información filtrada a recibir datos procesados según sus propios criterios, los efectos van más allá de ahorrarse una reunión.

Intervención anticipada. En un pipeline review tradicional, un deal en riesgo se discute el jueves en la reunión. El CPO se entera, pide contexto, y actúa el viernes o el lunes siguiente. Con un sistema personal, la señal de riesgo llega el mismo día que aparece en los datos. Killeen puede mandar un mensaje al account manager el martes sobre un cambio detectado el lunes. La diferencia entre intervenir el martes y el jueves siguiente puede ser la diferencia entre retener y perder una cuenta enterprise.

Detección de patrones entre deals. Un account manager conoce sus 8 cuentas. El CPO, en teoría, conoce las 45. Pero en la práctica, la información llega fragmentada — un deal por vez, un resumen por vez. El sistema de Killeen procesa los 45 deals cada vez que corre. Puede detectar que tres cuentas del mismo segmento muestran las mismas señales de riesgo al mismo tiempo — un patrón que en reuniones individuales pasaría desapercibido.

Consistencia de criterio. Los humanos somos inconsistentes. El mismo deal presentado un lunes por la mañana recibe atención diferente que el mismo deal presentado un jueves a las 4pm. Un sistema aplica los mismos criterios cada vez. No tiene sesgo de recencia, no tiene fatiga de reunión, no se distrae con el deal que el account manager más carismático presenta primero.

En nuestra experiencia con clientes B2B, muchos ejecutivos descubren, al intentar definir sus criterios para un sistema, que no los tenían tan claros como creían. Termina siendo un ejercicio de clarificación del propio criterio de decisión — y eso ya justifica el esfuerzo aunque el sistema nunca se construya.

Construir tu primer sistema personal de IA

El código no es la barrera. Claude Code está disponible. Granola tiene API. Clary tiene API. Cualquier desarrollador puede conectar las piezas en un par de días.

Lo difícil es saber qué proceso atacar primero.

La pregunta que funciona: “¿Cuál es esa reunión recurrente a la que llego y siempre pienso ‘debería haber sabido esto antes de entrar’?”

Puede ser el pipeline review. Puede ser la reunión de forecast. Puede ser la revisión de portafolio de proyectos. Puede ser la sesión de aprobación de presupuesto. Lo que todas tienen en común es que el ejecutivo necesita actualización antes de poder tomar decisiones, y esa actualización llega durante la reunión misma — no antes.

Esa reunión es tu punto de partida. La información que necesitas antes de entrar te dice qué datos capturar. Los criterios con los que evalúas durante la reunión te dicen qué scoring definir. Las acciones que tomas después te dicen qué outputs generar.

Killeen no empezó diciendo “quiero un sistema de IA.” Empezó diciendo “no necesito estar en esa reunión si ya tengo la información.”

Cuéntanos cuál es esa reunión recurrente donde siempre piensas “debería haber sabido esto antes de entrar”. Mapeamos las fuentes de datos, evaluamos la viabilidad, y te decimos si un sistema personal tiene sentido para tu caso. Sin compromiso — solo una conversación técnica de 20 minutos.

Agendar conversación →