Além do projeto-piloto de IA: transformando dados de clientes em comércio personalizado e escalável

O entusiasmo das empresas com a IA superou os resultados alcançados. O Índice de IA de Stanford de 2026 informa que 88% das organizações usaram IA em 2025, mas a adoção de agentes de IA permaneceu em um dígito em quase todas as áreas de negócio. A distância entre experimentação e geração de valor continua grande e é muito visível e concreta na experiência do cliente. Há dois pontos importantes a considerar para entender por que essa lacuna existe.

O primeiro é a maturidade organizacional em IA. A maioria das empresas ainda está na fase de “produtividade individual” e trabalha para construir bases escaláveis de governança, preparo dos dados e um portfólio de casos de uso comprovados. Ainda falta muito para chegar a uma fase “autônoma”, em que agentes de IA possam operar dentro de limites definidos e as pessoas se concentrem na supervisão e no tratamento de exceções. Alcançar esse nível de maturidade em IA é fundamental para tentar adotar um “modelo operacional nativo de IA”. Falaremos mais sobre isso adiante.

O segundo é a lacuna operacional entre os dados e a tomada de decisões de negócio orientada por IA. A maioria das organizações já investiu em dados e sistemas. Acumulou dados de clientes, adotou automação de marketing, migrou para a nuvem e testou a IA generativa em projetos-piloto. Mesmo assim, os clientes ainda recebem recomendações irrelevantes, passam por canais desconectados e têm interações de atendimento que ignoram o que a empresa já sabe sobre eles.

Raramente, o problema está no modelo. Com mais frequência, a IA apenas revela o que já estava falhando: dados fragmentados, responsabilidades pouco claras, fluxos de trabalho desconectados, dívida técnica e objetivos de negócio que nunca foram traduzidos em casos de uso mensuráveis. O caminho adiante não começa com uma iniciativa de IA maior. Começa com algumas decisões bem escolhidas sobre os clientes, um modelo operacional claro e uma arquitetura capaz de transformar inteligência em ação.

Para líderes que buscam passar de projetos-piloto isolados a um sistema replicável, algumas prioridades são mais importantes do que as demais.

Comece por uma decisão, não por uma capacidade.

A primeira pergunta não é “onde podemos implementar IA generativa?”, mas “qual decisão sobre a experiência do cliente precisamos melhorar?”. Uma companhia aérea quer oferecer melhores opções aos passageiros durante uma interrupção. Um varejista quer ajudar um cliente a escolher o produto certo sem aumentar as devoluções. Um banco quer que um representante de atendimento resolva uma questão complexa sem ter de procurar informações em vários sistemas. Cada um desses exemplos identifica uma decisão, uma pessoa e um resultado, o que, por sua vez, indica quais dados são necessários e como o sucesso deve ser medido. Começar por aí também ajuda os líderes a dizer não. Se uma ideia de aplicação ou solicitação de um agente não puder ser vinculada a uma decisão real e a um resultado mensurável, não merece prioridade.

“Usar IA para melhorar a experiência” é amplo demais. Isso gera demonstrações, não capacidade operacional.

Quando um varejista de eletrônicos de consumo lança hoje um “assistente de compras com IA”, trata-se de um chatbot genérico avaliado pelo número de pessoas que o utilizam. Reformulada como uma decisão que ajuda o cliente a escolher o laptop certo, a iniciativa busca aumentar a conversão e reduzir as devoluções. Assim, ela se torna uma ferramenta que usa especificações atualizadas em tempo real para entender melhor as necessidades do cliente, com o sucesso medido pelas vendas, devoluções e satisfação. A mesma ideia, agora com um resultado concreto.

Trate os dados unificados como uma capacidade, não como um projeto de banco de dados.

A “visão de 360 graus do cliente” costuma ser descrita como um esforço de centralização de dados. Na prática, é um acordo organizacional sobre identidade, consentimento, responsabilidades, qualidade e o significado dos principais eventos. Uma sessão de navegação pertence a um cliente conhecido, a uma família ou a um dispositivo anônimo? Qual sistema é a fonte oficial das informações sobre consentimento? Com que rapidez uma interação de atendimento precisa estar disponível em outro canal? Sem essas respostas, centralizar os dados cria uma aparência de integração sem garantir confiabilidade. Uma abordagem mais produtiva é estabelecer um contrato de dados compartilhado para cada caso de uso prioritário, especificando os campos e eventos necessários, suas fontes oficiais, a latência aceitável, os usos permitidos e a equipe responsável pela qualidade. O objetivo não é reunir todos os dados, mas os dados certos, confiáveis no momento da decisão.

Uma concessionária de automóveis quer receber um cliente que voltou a comprar on-line mostrando exatamente o modelo que ele estava configurando. Hoje, isso não funciona porque o configurador, o CRM da concessionária e o sistema financeiro mantêm versões diferentes dos dados do cliente e discordam sobre se uma proposta de leasing feita há três semanas ainda está válida. Reformular a situação como uma única jornada, com regras claras para os dados, define quem é responsável por cada informação: o configurador é a fonte oficial dos detalhes do veículo configurado, os dados financeiros incluem consentimento e prazo de validade definidos, e as informações de estoque são atualizadas em poucos minutos, para que o cliente nunca veja um carro que a concessionária acabou de vender. É bem mais simples do que “unificar todos os dados dos clientes” — e a saudação realmente funciona.

Projete a personalização como um sistema contínuo de tomada de decisões.

Muitos programas ainda funcionam como mecanismos de campanhas. As equipes definem um segmento, preparam o conteúdo e o enviam conforme um cronograma. A IA generativa produz mais versões, mas não muda o modelo. Uma experiência contextual funciona de outra forma. Ela observa o contexto atual do cliente, determina as ações disponíveis, escolhe uma dentro das restrições comerciais e de políticas, entrega-a pelo canal adequado e, em seguida, aprende com a resposta. É fundamental entender que o objetivo não é personalizar cada interação. Às vezes, a ação certa é enviar uma mensagem padrão, transferir o atendimento para uma pessoa ou não fazer nada. A eficácia da personalização não é medida pelo número de versões geradas. Ela é medida pela capacidade da organização de tomar uma decisão mais relevante para o cliente e de respeitar as expectativas dele ao fazê-lo. A confiança deve fazer parte da experiência, e não ser tratada apenas em uma revisão de conformidade acrescentada depois.

Um banco percebe que um cliente consulta repetidamente as taxas de financiamento imobiliário. Hoje, um mecanismo de campanhas o inclui em uma sequência de e-mails para quem vai comprar um imóvel pela primeira vez no próximo envio programado. Quando a situação é encarada como uma decisão contínua, o sistema interpreta o momento: trata-se de alguém comparando taxas durante o processo de compra ou de alguém apenas curioso, com meses de antecedência? Sem ter certeza, o sistema opta pela ação mais cautelosa e exibe uma pergunta útil — “Quer explorar quanto poderia pagar?” — em vez de insistir prematuramente em “Peça a pré-aprovação hoje”, o que interpretaria mal a situação do cliente. Se ele interagir, o sistema aprende e se adapta. Caso contrário, não insiste. Às vezes, a decisão mais relevante é também a mais discreta, e é essa contenção que preserva a confiança.

Resolva as limitações de conteúdo e arquitetura antes de acelerar.

A IA generativa pode criar textos e imagens com uma rapidez impressionante, mas aplicar essa velocidade a um processo de produção de conteúdo problemático apenas transfere o gargalo da criação para a revisão e a governança. O Content Marketing Institute constatou que 75% dos profissionais de marketing de grandes empresas usam IA, mas apenas 15% a integraram aos fluxos de trabalho diários. Conteúdo estruturado e reutilizável — ou seja, fatos e componentes aprovados que podem ser combinados em diferentes canais — permite que a IA se adapte sem inventar a verdade subjacente. A mesma disciplina se aplica à pilha tecnológica. Em vez de reformular tudo sob o rótulo de “componível”, mapeie as poucas jornadas ligadas aos casos de uso prioritários, identifique onde os sistemas legados causam latência ou impedem o acesso aos dados e modernize gradualmente para resolver essas limitações. O progresso não se mede pelo número de tecnologias adotadas. Mede-se pela capacidade de alterar uma jornada do cliente com segurança e rapidez, sem refazer o mesmo trabalho de integração a cada vez.

Um varejista usa IA para redigir descrições de 40.000 produtos. Hoje, isso sobrecarrega a revisão jurídica, pois as alegações e os termos de garantia precisam ser verificados em cada produto. Reformulando o problema, a solução não é um modelo mais rápido, mas uma fonte governada: um PIM que armazene especificações, alegações e termos de garantia aprovados como componentes reutilizáveis, dos quais a IA possa se valer para montar os textos e ajustar o tom sem inventar fatos.

A mesma lógica se aplica à pilha tecnológica. Em vez de substituir todas as plataformas, a equipe moderniza apenas o antigo sistema de gestão de estoque, que impede a personalização em tempo real baseada na informação “disponível em estoque perto de você”, e deixa os sistemas estáveis como estão. Progresso é mudar uma jornada com rapidez, não acrescentar ferramentas.

Integre a governança à implementação e avalie o valor como um portfólio.

Quando a governança é tratada como uma etapa final de aprovação, ela chega tarde demais: as decisões difíceis de reverter já foram tomadas. Estruturas como a Estrutura de Gestão de Riscos de IA do NIST são mais úteis quando orientam um caso de uso desde o início, abrangendo privacidade, viés, integridade da marca, confiabilidade e rastreabilidade, com controles proporcionais ao risco da interação. Já o valor raramente se resume a um único número expressivo. Ele se distribui entre resultados para os clientes, como satisfação, conclusão de tarefas e retenção; resultados operacionais, como tempo de ciclo e de resolução e reutilização; resultados comerciais, como conversão, custo de atendimento e valor do cliente ao longo do tempo; e resultados de risco, como taxas de erro, reclamações e intervenções. Tudo isso deve ser medido em relação a uma linha de base e descontando-se o custo total de operação em escala.

Uma companhia aérea usa um agente de IA para lidar com interrupções. Hoje, responder à pergunta “meu voo está atrasado?” é uma tarefa de baixo risco e totalmente automatizada. O reembolso ou a remarcação de um passageiro, ou a emissão de créditos de viagem acima de determinado valor, é encaminhado a uma pessoa, pois uma decisão errada nesses casos custa caro. Reformulando a abordagem, o valor é medido pelos resultados que importam: recuperação mais rápida durante as interrupções, remarcações que protejam os membros de alto valor do programa de fidelidade e monitoramento atento das reclamações. Quando bem conduzida, uma interrupção se torna uma oportunidade de manter um passageiro, em vez de perdê-lo — e é assim que se conquista o verdadeiro valor do cliente ao longo do tempo.

A questão da maturidade.

As empresas que criarão valor duradouro não serão as que realizarem mais experimentos. Serão aquelas que tiverem uma maneira replicável de conectar as necessidades dos clientes, dados confiáveis, inteligência governada, conteúdo reutilizável e resultados mensuráveis, além da honestidade para reconhecer em que ponto dessa trajetória estão hoje. A maioria das organizações está mais atrás do que suas atividades com projetos-piloto dão a entender.

Uma organização nativa em IA é aquela em que a IA está integrada a todas as camadas de suas operações e da maneira como compete. Em vez de apenas aprimorar os processos existentes, ela estrutura seu próprio modelo operacional em torno da IA, com a inteligência como uma capacidade central de negócios.

Assim, a pergunta mais útil para uma liderança já não é “onde podemos acrescentar IA?”, mas sim “quais decisões podemos aprimorar e o que precisa ser verdade para que esse aprimoramento possa ser ampliado de forma responsável?”