Derek Slager, Co-Fundador e Co-CEO da Amperity – Série de Entrevistas

Derek Slager é co-fundador e co-CEO da Amperity, onde lidera a transformação da empresa em AI-first em ambos os produtos e na forma como a empresa opera. Ele co-fundou a Amperity para fornecer aos marketers e analistas dados de clientes em quem eles 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 cargos de liderança em engenharia em sistemas distribuídos em larga escala e segurança.

Amperity é uma nuvem de dados de cliente alimentada por IA projetada para ajudar as empresas a unificar informações de cliente fragmentadas de fontes online e offline em perfis de cliente precisos e em tempo real. Sua plataforma combina resolução de identidade baseada em aprendizado de máquina, gerenciamento de dados, análise, modelagem preditiva e ferramentas de ativação, permitindo que as equipes de marketing e dados entendam melhor o comportamento do cliente, personalizem experiências, mensurem o impacto de receita e coordenem ações em vários canais. Fundada em 2016, a Amperity atende a mais de 400 marcas em todo o mundo, incluindo Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts e DICK’S Sporting Goods.

Você trabalhou em análise avançada, insights de cliente, gerenciamento de produto, ML/MLOps e estratégia de IA, ajudando a construir produtos fundamentais antes da Amperity. Como esse caminho moldou a forma como você pensa sobre a relação entre a qualidade dos dados de cliente e o desempenho da IA?

Meu trabalho na indústria realmente se concentrou em um problema: como fazer com que a IA raciocine corretamente sobre as pessoas quando os dados que descrevem essas pessoas são sempre incompletos, inconsistentes e em mudança? No início, em papéis de análise e produto, eu vi equipes construir modelos cada vez mais sofisticados sobre dados de cliente fundamentalmente não confiáveis: registros duplicados, identificadores não coincidentes, atributos desatualizados. Nenhuma quantidade de sofisticação de modelagem resolveu isso; apenas escondeu o problema de forma mais eficaz.

Essa intuição é o que nos levou a construir a Amperity: a resolução de identidade não é uma camada de “nice-to-have” sobre a IA, é a fundação sobre a qual tudo o mais se baseia. Quando olho para a IA empresarial hoje, vejo o mesmo padrão se reproduzindo em uma escala muito maior. As equipes estão investindo recursos na seleção de modelos e engenharia de prompts, enquanto tratam os dados de cliente que alimentam esses modelos como um dado. Não é. Se a camada de identidade estiver errada, todos os sistemas de IA downstream herdarão esse erro e o ampliarão.

Costumamos ouvir discussões de IA empresarial centradas na seleção de modelos, mas você argumenta que os dados de identidade de cliente confiáveis estão se tornando igualmente importantes. Por que a conversa está mudando de “Qual modelo é o melhor?” para “Quais dados a IA pode realmente confiar?”

Nos primeiros anos da onda de IA gerativa, as capacidades do modelo eram realmente o gargalo, pois as ferramentas simplesmente não eram boas o suficiente ainda. Agora, isso mudou. Os principais modelos de hoje são incrivelmente capazes, e a lacuna entre eles diminuiu para a maioria dos casos de uso de negócios. O que não acompanhou é o dado que alimenta esses modelos dentro da empresa.

Você pode colocar o modelo mais avançado diante de um agente de atendimento ao cliente ou de um motor de personalização, mas se ele estiver raciocinando sobre três perfis duplicados para a mesma pessoa, um endereço de e-mail desatualizado e um histórico de compras que falta metade dos canais em que a pessoa compra, a saída será errada. A conversa está mudando porque os líderes estão sentindo essa lacuna diretamente. Eles adotaram um modelo ótimo e ainda não estão vendo o ROI que esperavam. A próxima vantagem real não virá de um modelo melhor. Vai depender de se uma organização pode dar a seus sistemas de IA algo confiável para raciocinar sobre, em primeiro lugar.

Quais são as maneiras mais comuns pelas quais dados de identidade de cliente imprecisos ou fragmentados podem minar os resultados da IA, mesmo quando o modelo subjacente é tecnicamente sólido?

Alguns padrões aparecem constantemente. O mais básico é a duplicação. O mesmo cliente existe como cinco ou seis registros diferentes em vários canais, cada um com uma visão parcial dessa pessoa, então um sistema de IA pode enviar uma oferta de reativação a alguém cuja assinatura está ativa sob um registro diferente. Em seguida, há a questão da obsolescência. Dados que eram precisos há um ano, mas não foram atualizados, então um modelo está otimizando com base em quem o cliente costumava ser, e não em quem é agora. Há também a sobre-merging, que é mais sutil: sistemas de identidade que são muito agressivos em combinar acabam combinando duas pessoas diferentes em um perfil, e agora um agente de IA está tomando decisões confiantes em nome de alguém que não existe de fato. E, finalmente, há lacunas simples. Atividade de fidelidade em um sistema, histórico de suporte em outro, comportamento de navegação em um terceiro, com nenhum sistema único detendo a visão completa. Individualmente, cada um desses parece um problema de higiene de dados. No contexto da IA, eles se somam porque o modelo não sabe o que não sabe. Ele simplesmente produz uma resposta com total confiança.

À medida que a IA gerativa se torna uma nova porta de entrada para a descoberta de produtos, o que muda para as marcas quando os consumidores cada vez mais confiam em sistemas de IA para comparar opções, avaliar fidelidade e tomar decisões de compra?

Normalmente, as marcas controlavam a porta de entrada. Você construía um site, otimizava para busca, refinava seu funil e os clientes vinham diretamente para você ou através de resultados que você podia influenciar. Agora, essa porta de entrada é uma conversa com um assistente de IA que a marca não controla e não pode ver completamente.

Alguém pergunta a uma ferramenta de IA para comparar programas de fidelidade ou recomendar um hotel, e o trabalho da marca agora é ser legível e confiável o suficiente, naquele momento, para ser a resposta que a IA fornece. Isso é uma mudança genuína no que o marketing deve otimizar. Significa que a qualidade, estrutura e precisão dos próprios dados e conteúdo da marca importam mais, porque os sistemas de IA estão sintetizando a partir de qualquer sinal que possam encontrar.

A pesquisa da Amperity sugere que apenas uma minoria de consumidores agora vai diretamente para marcas familiares sem considerar recomendações de IA primeiro. O que isso significa para a fidelidade da marca, personalização e a jornada do cliente tradicional?

Realizamos uma pesquisa com 1.000 consumidores nos EUA no início deste ano, e um número me chamou a atenção: menos de um quarto disse que vai direto para uma marca que já conhece sem primeiro considerar uma recomendação de IA, e 60% disseram que a IA já os levou a uma marca que eles não haviam considerado anteriormente. Isso erode a vantagem padrão que as marcas estabelecidas costumavam ter. A fidelidade não desapareceu, mas o funil acima dessa decisão mudou. As marcas estão sendo avaliadas e pré-selecionadas por sistemas que elas não controlam, com base em qualquer dado disponível sobre elas.

As estratégias de personalização construídas sobre a suposição de que “já conhecemos esse cliente, então não precisamos conquistar sua atenção” terão um desempenho abaixo do esperado. Ao mesmo tempo, a jornada do cliente em si se tornou menos linear. Um cliente pode chegar ao site de uma marca já tendo sido “vendido” por um resumo de IA de avaliações e comparações, o que significa que a experiência da própria marca precisa se manter contra expectativas que ela não teve a chance de moldar diretamente.

A resolução de identidade existiu como um problema de dados por anos. O que torna isso mais urgente agora que os agentes de IA, copilotos e interfaces de IA gerativa estão se tornando parte dos fluxos de trabalho empresariais diários?

A resolução de identidade sempre importou para coisas como prevenir envios duplicados de correio ou garantir que um membro de fidelidade receba o crédito apropriado por uma compra. Esses são problemas reais, mas relativamente perdoáveis, onde um ser humano geralmente pega o erro.

Quando um agente de IA é autorizado a tomar ações reais, seja emitir um reembolso, aplicar um desconto, recomendar a próxima melhor oferta ou atualizar uma preferência, ele o faz com base na resolução de identidade que foi fornecida, à velocidade da máquina e frequentemente sem um humano no loop. Se a identidade estiver errada, o agente não erra apenas uma vez. Ele pode errar sistematicamente e imediatamente, em escala, antes que alguém perceba. É isso que torna este momento mais urgente do que antes.

Como as empresas devem pensar sobre a identidade do cliente como parte de sua estratégia de governança de IA mais ampla, ao lado da privacidade, segurança, monitoramento de modelos e conformidade?

Eu colocaria a identidade do cliente ao lado desses outros pilares, não abaixo deles. A maioria das conversas sobre governança de IA se concentra no modelo: ele é tendencioso, seguro, conforme e sendo monitorado para deriva? Essas são necessárias, mas elas supõem que a entrada que o modelo está raciocinando é sólida. Se a camada de identidade estiver errada, você pode ter um modelo perfeitamente governado produzindo decisões sobre a pessoa errada, ou um modelo que parece tendencioso quando o problema real é que seus dados estavam fragmentados de maneiras que prejudicavam certos segmentos de clientes.

Na prática, isso significa que a mesma rigorosidade que as organizações aplicam ao monitoramento de modelos precisa ser aplicada à camada de identidade e dados abaixo dele. Quem é o dono do registro de ouro do cliente? Como a qualidade da correspondência é medida e monitorada ao longo do tempo? O que acontece quando uma correspondência está errada? Essas devem ser questões de governança com a mesma prioridade que qualquer coisa que acontece na camada do modelo.

Muitas organizações estão investindo pesadamente em pilotos de IA, mas seus dados de cliente permanecem siloizados em marketing, comércio, suporte, fidelidade e sistemas offline. Quais são as etapas práticas que os líderes devem tomar antes de escalar a IA para a tomada de decisões operacionais?

O padrão que vejo mais frequentemente é uma organização executando vários pilotos de IA promissores — um chatbot aqui, um experimento de personalização ali — cada um conectado a qualquer dado que acontece de estar mais próximo para aquela equipe. Isso funciona bem o suficiente para ser financiado, então atinge um muro quando alguém tenta escalá-lo para uma decisão operacional real, porque os dados do piloto nunca refletiram o cliente completo.

A primeira etapa prática é um inventário honesto: saiba onde cada fonte de verdade do cliente vive (marketing, comércio, suporte, fidelidade, offline). Quanto elas se sobrepõem? Onde não o fazem? Em segundo lugar, invista na resolução de identidade antes de investir em mais pilotos. É o que permite que cada iniciativa de IA futura reutilize a mesma fundação confiável, em vez de cada equipe reconstruir uma parcial. Em terceiro lugar, construa um pequeno número de proprietários cross-funcionais para esses dados de cliente unificados, em vez de deixar a propriedade para a equipe que acontece de precisar para seu piloto atual. As organizações que colocam essa sequência ao contrário acabam com um portfólio de pilotos de IA que nunca saem da fase de piloto, porque nenhum deles pode ser confiável com uma decisão real.

Onde você desenha a linha entre personalização que parece útil e personalização que parece invasiva, especialmente quando os sistemas de IA podem inferir mais a partir de perfis de cliente unificados?

A linha é menos sobre quanto uma marca sabe e mais sobre se o que ela faz com esse conhecimento parece merecido e relevante no momento. Uma recomendação baseada na história real de compras de alguém parece útil. Uma recomendação que revela uma inferência que o cliente nunca compartilhou explicitamente parece invasiva, mesmo quando é precisa, porque expõe quanto está sendo compartilhado.

Nossa pesquisa encontrou que a maioria esmagadora dos consumidores diz que está mais disposta a se envolver com personalização quando confia em como seus dados estão sendo usados, e a maioria diz que a personalização que parece invasiva torna-os menos propensos a escolher uma marca. Minha regra de ouro para equipes que constroem sobre inferência de IA é simples: se você não quiser explicar, em linguagem clara, por que o sistema sabe o que sabe, não atue sobre isso ainda. A personalização deve parecer ser reconhecida, não vigiada.

Olhando para o futuro, o que separará as empresas que obtêm valor real da IA daquelas que permanecem presas no modo de experimentação: melhores modelos, melhor infraestrutura de dados, governança mais forte ou um novo modelo operacional?

A qualidade do modelo nunca foi para ser um diferenciador duradouro. Ela evolui muito rapidamente, e a maioria das empresas tem acesso a modelos aproximadamente iguais. A governança importa, mas é uma restrição, não uma fonte de valor por si só. As duas coisas que eu realmente acho que separam as empresas que estão à frente são a infraestrutura de dados e o modelo operacional, que estão conectados.

As empresas que estão obtendo valor real da IA são aquelas que já investiram em ter uma visão única, confiável e continuamente atualizada do cliente, para que qualquer nova capacidade de IA possa ser apontada para essa fundação em vez de costurar sua própria. Mas isso só funciona se o modelo operacional mudar também: se as iniciativas de IA ainda forem de propriedade equipe por equipe, com cada grupo definindo sua própria versão do cliente, você continuará introduzindo os mesmos problemas de qualidade de dados. As organizações que quebram o modo de experimentação são aquelas que tratam os dados de cliente confiáveis como infraestrutura compartilhada e constroem seu modelo operacional de IA em torno dessa suposição desde o início.

Obrigado a Derek por essa entrevista perspicaz. Os leitores podem aprender mais sobre a Amperity e explorar as últimas perspectivas de Derek Slager em sua página de autor do Unite.AI.