Líderes de pensamento

A decisão mais inteligente da IA talvez seja não enviar a mensagem

Derek Slager
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveOtimizar para cliques recompensa o envio de mais mensagens, mesmo quando a contenção…
Ver mais
  • Otimizar para cliques recompensa o envio de mais mensagens, mesmo quando a contenção protegeria melhor o relacionamento com o cliente.
  • Uma promoção bem escrita enviada enquanto um reembolso não está resolvido é uma falha de decisão que um conteúdo melhor não consegue corrigir.
  • A revisão humana deve concentrar-se em contextos ambíguos e ações de elevada consequência, em vez de casos de política de rotina.

A IA generativa reduziu muito o custo de produzir uma mensagem personalizada. Mas não tornou mais fácil decidir se essa mensagem deve ser enviada.

Essa distinção importa à medida que a IA assume mais decisões por trás das interações com os clientes. Um sistema pode criar uma oferta relevante e prever que alguém vai clicar e, ainda assim, tomar a decisão errada. O cliente pode estar esperando um reembolso. Pode ter uma reclamação ainda não resolvida. Pode já ter comprado o produto usando outro endereço de e-mail.

Uma redação melhor não resolverá nenhum desses problemas. O sistema precisa entender melhor o cliente, ter um objetivo que reflita o que a empresa realmente valoriza e operar dentro de limites claros.

O que você está pedindo ao sistema para otimizar?

É fácil contabilizar envios, aberturas e cliques. Isso os torna métricas operacionais úteis, mas também os transforma em substitutos tentadores daquilo que uma empresa realmente deseja: um cliente que vê valor no relacionamento e continua voltando.

Um sistema de IA otimizado para o total de cliques, com poucas restrições à frequência de contato, pode concluir que enviar mais mensagens melhora sua pontuação. Cada envio adicional pode parecer razoável quando considerado isoladamente. Ao longo de campanhas e canais, o mesmo cliente pode acabar recebendo notícias da marca com muito mais frequência do que alguém pretendia.

O custo aparece fora da métrica que está sendo otimizada. Na pesquisa de 2026 da Validity sobre consumidores durante as festas de fim de ano, um terço dos entrevistados afirmou que o volume de e-mails enviado durante as festas, por si só, já era motivo suficiente para cancelar a inscrição. Isso não significa que a IA tenha causado o excesso de mensagens. Significa que o aumento da atividade pode prejudicar o relacionamento.

O cancelamento da inscrição é visível. A frustração que o precedeu muitas vezes não é. Se o sistema recebe crédito por um clique hoje, mas não é penalizado por reduzir a probabilidade de um cliente voltar no próximo mês, há poucos motivos para levar essa compensação em conta.

Conter-se também é uma decisão

Pense em um cliente que devolveu um pedido na semana passada e ainda está esperando o reembolso. Um sistema de marketing identifica um comprador recente com alta probabilidade de responder e coloca um e-mail promocional na fila de envio. Do ponto de vista do cliente, a marca está pedindo mais dinheiro antes de devolver o que lhe deve.

A devolução pode estar registrada no sistema de pedidos, o status do reembolso em uma ferramenta de atendimento e a compra em um perfil de marketing. Talvez esses registros nem sequer estejam associados à mesma pessoa. O modelo pode estar funcionando exatamente como foi projetado e, ainda assim, tomar uma decisão com base em uma visão incompleta do cliente.

Conectar esses registros muda o que o sistema pode saber. Mas isso não muda automaticamente o que ele fará. O processo de decisão também precisa levar em conta um reembolso ainda não resolvido e permitir que uma promoção seja suspensa como resultado válido. Caso contrário, você terá dado mais informações ao sistema sem mudar o comportamento pelo qual ele é recompensado.

Por isso, o contexto do cliente e os objetivos precisam ser definidos em conjunto. O contexto explica o que está acontecendo. O objetivo e as regras de decisão determinam o que deve acontecer em seguida. Uma devolução, por si só, não significa que toda comunicação deva parar. O cliente pode precisar de uma atualização sobre o reembolso. É importante distinguir uma mensagem de atendimento útil de mais uma promoção.

Um e-mail mal redigido é um problema de conteúdo. Um e-mail bem redigido, enviado enquanto o cliente espera pelo próprio dinheiro, é um problema de decisão. Não é possível resolver o segundo simplesmente melhorando o primeiro.

Inscrever-se não é o mesmo que ser fiel

Os programas de fidelidade apresentam outra versão do mesmo problema. Se o sucesso significar obter mais inscrições, um sistema poderá aprender a atrair pessoas com um desconto. As inscrições aumentam. Mas saber se esses clientes voltarão sem outro desconto é outra questão.

As perguntas realmente úteis levam mais tempo para ser respondidas. Os participantes estão voltando? Os gastos deles são rentáveis depois de contabilizado o custo dos incentivos? O programa muda o comportamento deles ou, em grande parte, recompensa compras que eles fariam de qualquer maneira?

Para responder a essas perguntas, é preciso conectar, ao longo do tempo, a atividade de fidelidade ao histórico de compras e de atendimento. Também é necessário fazer uma comparação que ajude a separar o efeito do programa de comportamentos que já eram prováveis. O número de participantes, por si só, não permite chegar a essa conclusão.

A supervisão humana precisa mudar a decisão

Cabe às pessoas decidir o que o sistema deve otimizar. Retenção, margem e esforço do cliente envolvem escolhas conflitantes pelas quais a liderança precisa se responsabilizar. Um modelo pode ajudar a avaliar essas escolhas. Não pode assumir a responsabilidade por fazê-las.

O mesmo vale para os limites de ação. Uma boa pergunta inicial é: quão difícil seria reverter isso? Reter uma mensagem promocional para análise tem consequências diferentes das de alterar um preço, conceder um crédito ou cancelar uma reserva. As consequências, as permissões do cliente e a confiabilidade do contexto disponível devem determinar o que pode ser feito automaticamente e o que precisa de aprovação.

Um reembolso em aberto não precisa sempre se transformar em uma tarefa de revisão manual. Se a política for clara, uma regra pode suspender a promoção enquanto a comunicação de atendimento continua. A revisão humana é necessária quando o contexto é ambíguo, as regras entram em conflito ou as consequências ultrapassam a autoridade do sistema. Se faltarem informações necessárias para fazer essa distinção, o sistema precisa de uma alternativa predefinida, não de permissão para adivinhar.

Os revisores também precisam de mais do que uma pontuação de confiança. Eles precisam saber quais registros de clientes embasaram a recomendação, quão atualizados estão esses registros, o que o sistema pretende alcançar e quais restrições se aplicam. Uma recomendação segura, mas baseada em registros desatualizados ou incompatíveis, continua sendo uma recomendação ruim.

As intervenções devem se tornar evidências. Se as pessoas interrompem repetidamente o mesmo tipo de promoção, registre o motivo. Esse padrão pode revelar dados de atendimento ausentes, um problema de identificação ou um objetivo que recompensa o comportamento errado. Corrigir esse padrão é mais valioso do que pedir a alguém que detecte o mesmo erro indefinidamente.

Avalie se deixar de enviar ajuda

As equipes podem começar com uma única decisão, em vez de tentar reformular de uma só vez todas as interações com os clientes. Considere o envio de uma promoção, identifique o contexto necessário e defina em que condições ela deve ser suspensa. Mantenha as mensagens de atendimento necessárias fora dessa regra de supressão.

Em seguida, teste se a mudança ajuda. Para as mensagens promocionais elegíveis, compare a abordagem atual com uma política que suspenda o envio em condições predefinidas. Acompanhe as compras recorrentes, a retenção, as reclamações e a margem durante um período adequado ao ciclo de compra. Os envios e os cliques ainda ajudam a explicar o que aconteceu, mas não devem ser o veredito final.

O teste pode mostrar que enviar menos promoções protege o relacionamento. Também pode indicar que uma determinada restrição é ampla demais. Ambos os resultados são úteis. O silêncio não deve ser isento de avaliação, assim como o envio também não. Ambos são decisões cujas consequências podem ser mensuradas.

Nada disso elimina o trabalho de engenharia. É preciso associar os registros dos clientes às pessoas certas. Os eventos recentes precisam chegar ao processo de decisão a tempo de fazer diferença. As permissões devem limitar as ações, e as equipes precisam manter um registro do que aconteceu e por quê. Um objetivo melhor não compensa a falta de contexto, assim como um contexto melhor não corrige um objetivo inadequado.

Construa pensando no relacionamento

A pergunta para os líderes é simples: o que o seu sistema considera uma boa decisão? Se a resposta for um clique, ele pode estar cumprindo sua função enquanto piora a experiência do cliente.

Um contexto confiável sobre os clientes oferece às pessoas e à IA uma base mais sólida para decidir o que fazer. Objetivos e controles claros determinam como esse entendimento é usado. O resultado deve ser um sistema capaz de explicar por que uma mensagem é útil naquele momento, reconhecer quando não é e aprender com o que acontece em seguida.

Às vezes, a decisão mais inteligente que um sistema de IA pode tomar é não enviar nada.

Derek Slager é co-fundador e co-CEO da Amperity, onde lidera a transformação da empresa com prioridade à IA tanto no produto quanto na forma como a empresa opera. Ele co-fundou a Amperity para fornecer aos marketers e analistas dados de clientes nos quais pudessem confiar e construiu a arquitetura de resolução de identidade e perfil em tempo real patenteada por trás do contexto de cliente confiável da Amperity. Anteriormente, ele estava na equipe de fundação da Appature e ocupou papéis de liderança em engenharia em sistemas distribuídos em larga escala e segurança.