A Inteligência Artificial avança sobre diferentes frentes da relação entre empresas e consumidores, mas é a experiência que determina se a tecnologia gera valor. Da capacidade de antecipar necessidades à automação de decisões e ao atendimento, modelos preditivos, IA generativa e agentes começam a ocupar espaços complementares. Mas, para que essa combinação funcione, os dados precisam conversar e a tecnologia tem que resolver problemas concretos.
Essa foi uma das principais conclusões de um debate realizado no CONAREC 2026. Mediado por Lucy Mari Tabuti, coordenadora de Cursos de Tecnologia da ESPM, o painel reuniu Eduardo Maçan, diretor de Engenharia de Software da Creditas; Bruno Stuchi, CEO da Coaktion; e Eduardo Mendes, diretor de Tecnologia da Aegea.
A IA generativa ampliou as possibilidades de interação, mas não inaugurou o uso de inteligência para antecipar comportamentos. Na Creditas, por exemplo, modelos preditivos são utilizados há alguns anos para avaliar risco, propensão, ofertas e priorização de leads.
“É injusto esquecer o machine learning clássico. Modelos preditivos já entregam resultados há muito tempo; enquanto a IA generativa facilita processos de criação e curadoria”, disse Maçan.
Um exemplo está na definição da oferta mais adequada. Segundo Maçan, um modelo implantado no fim do ano passado gerou crescimento significativo nos resultados trimestrais da Creditas. O executivo explica que modelos de propensão também ajudam a priorizar leads e canais, “enquanto a automação de decisões para perfis de baixo risco pode tornar a jornada mais ágil.”
Da predição à autonomia
Mendes, da Aegea, organiza a evolução da IA em três camadas: preditiva, que identifica tendências; generativa, ligada à capacidade de interação; e agêntica, que adiciona autonomia para executar ações. A estrutura pode ser cruzada com uma matriz de aplicações dividida entre copiloto, processual e produto. “São três camadas: preditivo, generativo e agência”, resumiu.
Quanto maior a autonomia, entretanto, maior a necessidade de governança. Em um caso apresentado pelo executivo, uma empresa de varejo dos Estados Unidos utilizou um agente cognitivo via SMS para realizar ofertas contextuais. A interação avançou a ponto de o agente decidir substituir a geladeira de um consumidor sem que existisse uma política adequada para a ação, gerando transtorno.
O exemplo expõe um dos desafios dos agentes e uma decisão pode ser logicamente coerente para o modelo e, ao mesmo tempo, inadequada para a operação de uma companhia e para a experiência do consumidor.
Sem dados integrados, não há boa experiência
A sofisticação dos modelos também esbarra em um problema antigo. A fragmentação dos dados. Para Stuchi, da Coaktion, a democratização da IA e a digitalização aumentaram a quantidade de informações disponíveis, mas muitas empresas ainda precisam resolver questões de organização e integração de dados. “O mercado está carente da organização dos dados. Manter o ambiente integrado é fundamental para resolver os problemas do cliente.”
Uma conversa fluida com um robô tem pouco valor se o consumidor continua sem solução. A experiência depende não apenas da capacidade de linguagem do modelo, mas de sua conexão com dados e sistemas capazes de concluir a demanda.
A integração também pode transformar atendimento em oportunidade comercial. Quando as informações conversam, vendas, marketing e atendimento conseguem trabalhar de maneira conectada. Sem isso, os silos limitam a personalização, predição e resolutividade.
O passado não explica sozinho o futuro
Organizar dados históricos também não significa simplesmente projetá-los para o futuro. Mendes defendeu a combinação dessas informações com dados cognitivos e fatores externos, como variáveis demográficas, climáticas e geracionais.
Preferências de canais são um exemplo. Públicos mais jovens podem apresentar maior afinidade com bots; enquanto consumidores mais velhos podem preferir o atendimento humano. Incorporar informações que estão fora das bases tradicionais ajuda a evitar que os modelos apenas reproduzam comportamentos passados.
Métricas para transformar IA em resultado
A adoção da IA também precisa estar associada a resultados mensuráveis. Para Maçan, é necessário medir rapidamente, avaliar custo-benefício e escalar apenas quando houver vantagem comprovada, sem esperar uma base totalmente perfeita para começar. “Não é preciso esperar os dados estarem 100% perfeitos para evoluir”, destacou.
Stuchi reforçou a importância de pilotos controlados e de expectativas explícitas sobre os resultados. Mendes acrescentou a necessidade de definir objetivos, scores e grupos de controle, recalibrando modelos quando as metas não forem alcançadas.
Predição, IA generativa e agentes ampliam aquilo que as empresas conseguem antecipar e executar, mas não eliminam problemas estruturais. Dados fragmentados dificultam a personalização; falta de integração compromete a resolução; e agentes sem limites podem transformar a autonomia em problema.
Mais do que medir a quantidade de IA na operação, o desafio é entender se dados, modelos, processos e governança estão integrados para entregar o que realmente importa, ou seja, uma experiência mais simples e resolutiva para o cliente.
