SQL (Sales Qualified Lead): o que é e o handoff com marketing
Marketing mostra 200 leads gerados no mês; vendas responde que não veio nada que preste. Os dois olham o mesmo funil e enxergam realidades opostas. O SQL (Sales Qualified Lead — não a linguagem de banco de dados) é a métrica que responde a pergunta que ninguém fez na hora: desses 200, quantos vendas de fato aceitou trabalhar? Este guia cobre a definição, a taxa que realmente importa no handoff, os benchmarks por segmento (com fonte) e as armadilhas de quem já implementou.
O que é SQL
Antes de tudo, a desambiguação que evita a confusão mais comum: SQL aqui é Sales Qualified Lead — o lead qualificado por vendas, não a linguagem SQL de banco de dados. São siglas iguais para coisas que não têm nada a ver. Fixada a peça, o problema real quase nunca é o volume de leads: é a fronteira mal desenhada entre marketing e vendas. MQL é o lead que o marketing julga pronto (baixou material, preencheu form, bateu no score). SQL é o lead que vendas olhou, aceitou e confirmou que vale a ligação. Entre um e outro tem um handoff — e é nesse handoff que a receita vaza.
Três distinções mudam quem é SQL de verdade — e a paz entre os times. A primeira é MQL × SAL × SQL: MQL é declaração de marketing (“acho que serve”); SAL (Sales Accepted Lead) é o aceite formal de vendas (“recebi, vou trabalhar”), o passo do meio que o modelo de demand waterfall da SiriusDecisions/Forrester criou justamente para medir o handoff; SQL é depois do aceite, quando vendas vetou o fit, confirmou intenção e teve a conversa. Pular o SAL é onde os dois times param de se falar — o lead “some” no meio e ninguém sabe se foi recusado ou só esquecido.
A segunda distinção é critério de perfil × critério de intenção. Fit (tamanho de empresa, cargo, segmento — o ICP) diz se dá para vender; intenção (pediu demo, respondeu proposta, tem timing) diz se ele quer comprar agora. SQL de verdade tem os dois. Frameworks como BANT (Budget, Authority, Need, Timeline) e MEDDIC existem para forçar essa checagem antes do lead virar SQL — não são burocracia, são o filtro que impede vendas de correr atrás de fantasma. A terceira: SQL como contagem × SQL como taxa. Contar SQL puro engana — 50 SQLs num mês frouxo valem menos que 20 num mês rigoroso. O que diz saúde é a taxa MQL→SQL (quanto do que marketing manda vendas aceita) lida junto com a taxa SQL→fechamento (quanto do que vendas aceita vira cliente).
SQL não é métrica de vaidade de marketing nem troféu de vendas. É o termômetro do alinhamento entre os dois times — a métrica de fronteira. Ela só faz sentido no meio de uma cadeia: CPL (quanto custa o lead) → MQL (marketing aprova) → SQL (vendas aceita) → oportunidade → cliente. Um SQL isolado, sem a taxa de conversão dos dois lados, é um número solto que cada time interpreta a seu favor.
Como calcular a taxa de SQL
Repare no que a conta revela: marketing achou que entregou 150 e vendas jura que recebeu “quase nada”. Os dois têm razão, porque estão contando coisas diferentes. Por isso a taxa Lead→SQL (o funil cheio, do topo até o aceite de vendas) importa tanto quanto a MQL→SQL — uma mede o alinhamento do handoff, a outra mede quanto do topo inteiro sobrevive ao filtro de vendas.
A pegadinha do cálculo: SQL não é definição, é acordo. A fórmula é trivial; o que trava é o que conta como SQL. Se marketing e vendas não escreveram junto o critério (fit + intenção + os campos de BANT/MEDDIC), cada lado qualifica no seu instinto. Aí a taxa MQL→SQL não mede conversão — mede desacordo de definição. Antes de calcular, os dois times têm que assinar o mesmo contrato de “o que é SQL”. Sem isso, o número é uma discussão, não uma métrica.
Benchmarks de conversão de SQL
Antes de comparar, um aviso: a taxa MQL→SQL é a métrica de funil que mais varia por definição — a mesma empresa reporta 13% ou 40% só mudando o rigor do critério de SQL. Os números abaixo são majoritariamente de agências B2B norte-americanas, agregando setores e definições diferentes. Servem de ordem de grandeza e régua de discussão interna, nunca de meta absoluta — faixa publicada e confiável para o mercado brasileiro não foi localizada. Use como direção, não como veredito.
| Recorte | Faixa / valor | Fonte |
|---|---|---|
| MQL→SQL — B2B SaaS | ~13% | First Page Sage, 2019–2025[1] |
| MQL→SQL — Fintech · Cibersegurança | ~11% · ~15% | First Page Sage[1] |
| SQL→Cliente — B2B SaaS | ~12% | First Page Sage[2] |
| SQL→Cliente — topo · base do estudo | HVAC ~29% · Biotech ~11% | First Page Sage[2] |
| Win rate de oportunidade (proxy do rigor) | ~19% em 2025 (era ~29% em 2024) | Ebsta × Pavilion[3] |
| Resposta em até 1h vs. 1h depois | ~7× mais chance de qualificar | Harvard Business Review[4] |
A leitura em uma frase: o número que mais importa não é o SQL absoluto — é o par de taxas (MQL→SQL e SQL→cliente) lido junto com a velocidade do handoff. A pesquisa mais sólida que existe sobre lead diz que o tempo de resposta pesa mais que quase qualquer refinamento de score: contatar em até uma hora vale ~7× mais que responder em duas, e ~60× mais que em 24 horas[4]. A chamada “regra dos 5 minutos” aponta na mesma direção — responder em 5 minutos vale ~21× mais que em 30[5]. SQL parado é SQL morto.
Como implementar na prática
Onde os números costumam estar
Quem precisa entrar
- 1 Escreva a definição de SQL junto — marketing e vendas na mesma sala: fit (ICP) + intenção + os campos de qualificação obrigatórios. Trave por escrito. Metade da guerra MQL vs. SQL é definição não-combinada; decisão de mão única vira ADR.
- 2 Crie o passo de aceite (SAL) explícito no CRM — vendas aceita ou recusa cada MQL, nunca “some”. Recusa exige motivo estruturado.
- 3 Feche o loop de feedback — o motivo de recusa volta para o marketing toda semana. Sem isso, marketing repete o mesmo erro de topo indefinidamente.
- 4 Instrumente o tempo de resposta — meça a hora do handoff até a hora do primeiro contato. É a alavanca de maior retorno do funil.
- 5 Calcule as duas taxas, não uma — MQL→SQL (alinhamento do handoff) e SQL→cliente (qualidade do filtro). Uma sozinha engana.
- 6 Defina a cadência — opere semanal (o funil vivo, SQL parado), feche mensal (as taxas, o handoff, o motivo de recusa agregado).
Armadilhas comuns
Estes são os erros que mais aparecem quando ajudamos um time a montar o SQL do zero — a maioria nasce de instrumentação e de acordo não-combinado, não de fórmula.
Não ter definição escrita de SQL
O erro nº 1 aparece antes de qualquer cálculo: marketing e vendas nunca sentaram para escrever o que é SQL. Marketing conta como SQL todo MQL que “parece bom”; vendas só considera SQL quem já pediu proposta. Aí a taxa MQL→SQL não mede conversão — mede o tamanho do desacordo. A reunião de funil vira tribunal, e o número não conserta nada porque não é o mesmo número para os dois lados.
O MQL vira SQL e some — sem o passo de aceite
O erro que mais vaza receita: não existe o SAL, o aceite formal de vendas. Marketing “passa” o lead e considera entregue; vendas nunca marca se pegou. Na prática a gente encontra dezenas de leads em limbo — nem recusados, nem trabalhados. Ninguém sabe se foram ruins ou só esquecidos. E o que não é medido não melhora: o marketing continua mandando o mesmo perfil porque nunca recebeu o “não”.
Recusar sem motivo estruturado
Vendas recusa o MQL com um encolher de ombros — “não serve”. Sem motivo no CRM, o loop de feedback não fecha. Já vi time reclamar de “lead ruim” por seis meses sem nunca dizer o quê estava errado — se era fit (empresa pequena demais) ou timing (sem budget agora). São problemas opostos, com soluções opostas: um é mira de campanha, outro é nutrição. Sem o motivo, marketing chuta.
Perseguir volume de SQL e afrouxar o critério
Quando a meta é “número de SQLs”, o critério cede sozinho. Já vi qualificação virar carimbo: todo MQL vira SQL para bater a meta. O SQL sobe, todo mundo comemora — e a taxa SQL→cliente despenca, porque vendas está trabalhando lead que nunca ia fechar. O custo real: o vendedor gasta o dia com fantasma e o forecast infla com pipeline que não existe. SQL frouxo é pior que SQL de menos — ele contamina o win rate lá na frente.
SQL parado — ignorar a velocidade de resposta
O erro mais subestimado. O lead qualifica, entra no CRM e fica um dia, dois, três esperando o primeiro contato. A pesquisa é brutal nesse ponto: responder em uma hora vale ~7× mais que responder em duas[4]. O SQL não “espera” você — ele esfria, fala com o concorrente que ligou antes, ou some. Você qualificou certo e perdeu na lentidão. É dinheiro qualificado morrendo na fila.
Tratar SQL como métrica de um time só
Cada time quer o SQL do lado dele: marketing para provar que entregou, vendas para provar que trabalhou. Quando o SQL “pertence” a um dos dois, vira arma política em vez de termômetro de alinhamento. O SQL só funciona quando é de ninguém e dos dois — a métrica que mede a costura entre os times, não o desempenho de um contra o outro. Some a isso o CRM não preenchido — sem o registro do handoff, toda taxa vira chute — e você tem o handoff invisível: calcula conversão sobre um dado que ninguém alimenta.
Checklist de implementação
FAQ
Perguntas frequentes sobre SQL
As dúvidas que mais aparecem de quem opera o handoff entre marketing e vendas.
Transforme o handoff em número, não em briga de reunião
O trabalho pesado do SQL não é a fórmula — é casar duas fontes (marketing e CRM) toda semana, registrar o aceite, o motivo de recusa e o tempo de resposta, e publicar as duas taxas lado a lado. A definição de SQL você escreve numa reunião; manter o handoff medido, vivo e honesto entre marketing e vendas, semana a semana, é o que trava. É exatamente o que a plataforma Intelligence da Incuca resolve: conecta suas fontes, mede o handoff e publica a taxa MQL→SQL num painel que os dois times leem igual.
Referências
- [1] First Page Sage. MQL to SQL Conversion Rate by Industry: 2026 Report (B2B SaaS ~13% · Fintech ~11% · Cibersegurança ~15%; dados de clientes 2019–2025). https://firstpagesage.com/seo-blog/mql-to-sql-conversion-rate-by-industry/
- [2] First Page Sage. SQL to Closed Won Conversion Rate (Close Rate) by Industry: 2026 Report (B2B SaaS ~12% · HVAC ~29% topo · Biotech ~11% base). https://firstpagesage.com/seo-blog/sql-to-closed-won-conversion-rate-by-industry/
- [3] Ebsta & Pavilion. 2025 GTM Benchmarks Report (win rate ~19% em 2025 vs ~29% em 2024; 655 mil oportunidades analisadas). 2025. https://www.joinpavilion.com/resource/2025-gtm-benchmarks-ebsta-pavilion
- [4] Oldroyd, James B.; McElheran, Kristina; Elkington, David. The Short Life of Online Sales Leads. Harvard Business Review, mar. 2011 (contato em até 1h ≈ 7× mais chance de qualificar; ~60× vs. 24h; 1,25 milhão de leads). https://hbr.org/2011/03/the-short-life-of-online-sales-leads
- [5] Oldroyd, James (MIT) / InsideSales.com. Lead Response Management Study (regra dos 5 minutos: contato em 5 min ≈ 21× mais chance de qualificar vs. 30 min). 2007. https://www.leadresponsemanagement.org/lrm_study
