Vendas
Última Atualização:
João Pedro Carvalho
Quando alguém diz "vamos usar IA", está a dizer uma frase tão útil como "vamos usar matemática". Existem duas famílias com naturezas opostas, e tratá-las como a mesma coisa é a origem da maioria dos projetos que não dão nada.
A IA tradicional, também chamada preditiva, aprende padrões a partir dos teus dados históricos e responde a perguntas fechadas. Que clientes vão cancelar no próximo trimestre. Que transação parece fraude. Quanto vais vender em novembro. Que produto vai faltar. Trabalha com números, produz números, e o output é verificável: daqui a três meses sabes se acertou.
A IA generativa produz conteúdo novo. Escreve, resume, traduz, transforma, conversa. Não te dá uma previsão, dá-te um texto. E o texto é plausível por construção, o que é a característica mais importante e a mais mal compreendida de toda esta tecnologia.
Aqui está a distinção que resolve metade das decisões: a IA tradicional erra e tu percebes. A IA generativa erra e parece certa. Um modelo preditivo que falha uma previsão dá-te um número diferente do real e tu vês a diferença. Um modelo generativo que inventa um facto dá-te uma frase bem escrita, gramaticalmente perfeita, com o tom certo, que está errada.
É por isto que a pergunta que devias fazer antes de escolher não é qual é mais moderna. É outra: o que sai daqui tem de estar certo, ou tem de estar bem escrito? São coisas diferentes, e há problemas de empresa em que confundi-las custa clientes.
A fronteira irregular, e porque ninguém a vê
Vale a pena voltar ao estudo, porque o conceito que ele criou é a ferramenta mental mais útil que existe nesta matéria.
O trabalho de Fabrizio Dell'Acqua e coautores de Harvard, Wharton, MIT Sloan e Warwick, feito com a Boston Consulting Group, está publicado e foi entretanto aceite na Organization Science, que é uma das revistas mais exigentes da gestão. Não é um relatório de consultora, é uma experiência aleatorizada com revisão por pares.
Dentro da zona de capacidade, os ganhos são grandes e são reais: qualidade do trabalho substancialmente superior, mais tarefas concluídas, e mais depressa. Fora dela, os consultores com IA tiveram desempenho pior do que os que não a tinham, e o mecanismo é humano e não técnico: apoiaram-se demasiado, e a confiança substituiu a verificação.
O nome que os investigadores deram a isto, fronteira irregular, descreve exatamente o problema prático. Uma fronteira reta seria fácil: aprendias onde ela estava e ficavas do lado certo. Uma fronteira irregular não tem lógica aparente. A máquina resolve uma coisa complexa com brilhantismo e falha numa coisa adjacente que parece mais simples, sem que haja forma de prever qual é qual a partir do enunciado.
A consequência para uma empresa é direta e desagradável: não consegues decidir onde usar IA generativa lendo artigos, incluindo este. Só consegues descobrindo, tarefa a tarefa, com testes que custam pouco. Quem implementa sem testar está a apostar que a sua tarefa cai do lado bom, e a apostar sem saber que está a apostar.
Vale a pena um exemplo de como a fronteira engana, porque torna a coisa palpável. Pedir a um modelo para escrever uma proposta comercial estruturada, com secções, tom certo e argumentos, corre bem: é uma tarefa que parece exigente e está bem dentro da fronteira. Pedir-lhe para verificar se a soma das linhas dessa proposta bate certo é uma tarefa que qualquer criança de dez anos faz, e está historicamente do lado mau. Ninguém adivinharia esta ordem a partir da dificuldade aparente, e é exatamente esse o ponto.
O mesmo raciocínio aplica-se quando se dá autonomia à máquina para executar tarefas em sequência, onde um erro a meio contamina tudo o que vem a seguir, uma matéria que os agentes de IA tornam ainda mais aguda: quanto mais passos a máquina dá sozinha, mais longe da fronteira acaba sem que ninguém dê por isso.
Há um segundo achado do mesmo estudo que raramente é mencionado e que devia preocupar quem trabalha em coisas criativas: os consultores que usaram a ferramenta produziram ideias com variabilidade marcadamente menor. Convergiram. Ficaram todos parecidos. Numa tarefa em que a diferenciação é o produto, isso não é uma melhoria, é uma perda que não aparece em métrica nenhuma de produtividade.
Há uma segunda peça de investigação que muda a decisão de gestão, e não a de tecnologia.
Erik Brynjolfsson, Danielle Li e Lindsey Raymond estudaram 5.179 agentes de apoio ao cliente com acesso faseado a um assistente generativo. O trabalho foi publicado no Quarterly Journal of Economics, que é o topo da economia. O resultado médio é o que se cita: cerca de 14% mais casos resolvidos por hora.
A média esconde o que interessa. O ganho não se distribuiu por igual. Os agentes menos experientes e com pior desempenho melhoraram cerca de 34%. Os mais experientes melhoraram pouco ou nada.
Faz sentido quando se percebe o mecanismo: a ferramenta estava, na prática, a distribuir pelos novatos aquilo que os veteranos já sabiam. Não criou conhecimento novo, propagou o que existia.
Isto tem implicações de gestão que ninguém discute nas reuniões sobre IA. Se o ganho está nos que sabem menos, então a decisão de a quem dar acesso não é uma decisão de senioridade, é o contrário do que a maioria das empresas faz, que é dar as ferramentas novas primeiro aos melhores. E há uma consequência mais desconfortável: se a ferramenta comprime a diferença entre um bom e um mau colaborador, o que é que isso faz à tua estrutura de progressão, e como é que continuas a distinguir talento quando a ferramenta nivela o output?
Um terceiro estudo, de Shakked Noy e Whitney Zhang, publicado na Science, encontra o mesmo padrão em tarefas de escrita profissional: ganhos grandes de tempo, e concentrados nos menos competentes. O padrão repete-se em contextos diferentes, com equipas diferentes, em revistas diferentes. Quando isso acontece, presta atenção.
O que cada uma resolve mesmo
Com a teoria arrumada, vale a pena descer ao concreto. Estes são os problemas típicos de uma PME e a família que os resolve:
Prever procura, stock ou tesouraria. Tradicional, sem discussão. Precisas de um número que se compara com a realidade. Um texto plausível sobre o que vai acontecer em novembro não vale nada.
Detetar anomalias. Faturas estranhas, consumos fora do padrão, transações suspeitas. Tradicional. É reconhecimento de padrões, que é exatamente o que ela faz.
Segmentar clientes por comportamento. Tradicional. Os dados são teus, a resposta é uma classificação, e é verificável.
Prever quem vai cancelar. Tradicional. E é dos casos com melhor retorno numa PME, porque a ação que se segue é barata.
Escrever primeiras versões. Generativa. Propostas, emails, descrições, resumos. Um humano revê e a plausibilidade é aceitável porque há verificação a seguir.
Resumir e extrair. Generativa. Pegar em cem páginas e devolver o essencial. Com uma ressalva: verifica o que ela decidiu que era essencial.
Traduzir e adaptar tom. Generativa, e é dos usos com melhor relação entre benefício e risco que existe.
Responder a clientes. Depende, e é a fronteira mais perigosa de todas. Perguntas frequentes com resposta fixa não precisam de IA generativa, precisam de uma base de conhecimento. Conversas abertas precisam, e trazem o risco de a máquina inventar uma política que a tua empresa não tem, matéria tratada no artigo sobre IA no atendimento ao cliente.
Repara no padrão que atravessa a lista, porque é a régua que podes aplicar a qualquer problema novo: onde a resposta tem de ser verdadeira e verificável, tradicional. Onde a resposta tem de ser plausível e alguém a vai rever, generativa.
Aqui está a razão pela qual metade deste artigo pode não te servir, e é melhor ouvi-la agora do que ao fim de três meses de projeto.
A IA tradicional aprende com o teu histórico. Sem histórico, não aprende nada. E a maioria das PME não tem dados, tem registos: faturas em PDF, uma folha de cálculo por ano, um sistema que não fala com outro, e conhecimento na cabeça de três pessoas.
A quantidade necessária não é astronómica, e essa é uma boa notícia que ninguém dá. Prever cancelamentos com dois anos de histórico de clientes é perfeitamente viável. O que é preciso não é volume, é consistência: o mesmo campo, preenchido da mesma maneira, ao longo do tempo. E é aí que quase toda a gente falha, porque os dados existem e estão sujos.
Isto explica, aliás, porque é que a IA generativa explodiu em PME e a tradicional não. A generativa não precisa dos teus dados. Vem treinada, funciona no primeiro dia, e o custo de entrada é uma subscrição. A tradicional precisa de ti, do teu histórico, e de alguém que o organize.
A generativa é fácil de começar e difícil de confiar. A tradicional é difícil de começar e fácil de confiar. É a assimetria que decide a ordem por que uma PME as adota, e não tem nada que ver com qual delas resolve o problema.
Se a tua situação é esta, e provavelmente é, há um trabalho que antecede qualquer projeto de IA e que se parece muito pouco com IA: perceber que números tens, onde estão, e se merecem confiança. É o mesmo trabalho que sustenta qualquer painel de gestão que preste, e é a razão pela qual empresas que não conseguem responder a "quanto faturei por cliente no ano passado" não têm um problema de IA, têm um problema anterior.
Este é exatamente o tipo de diagnóstico que a imersão CHECKMATE: Inteligência Artificial faz com empresários que chegam a querer implementar e saem a perceber o que têm de arrumar primeiro.
As duas juntas, que é onde está o interessante
A discussão como se fosse uma escolha entre as duas é, na verdade, um falso dilema em muitos casos.
O padrão que mais valor gera numa PME é sequencial: a tradicional decide, a generativa comunica. O modelo preditivo identifica os clientes com risco de saída, com uma probabilidade que se pode verificar. A generativa escreve a mensagem para cada um, adaptada ao histórico dele. A primeira faz a parte que tem de estar certa. A segunda faz a parte que tem de estar bem escrita.
Repara no que este desenho faz ao risco: a máquina que pode inventar nunca decide nada. Só redige. A decisão vem de um sistema verificável, e a criatividade fica confinada à embalagem.
O mesmo padrão aplica-se em toda a parte. Um modelo prevê a procura, a generativa escreve o pedido ao fornecedor. Um modelo pontua os contactos por probabilidade de fechar, a generativa prepara a abordagem, uma combinação que se cruza com o que se explora em IA para vendas. Um modelo deteta a anomalia na fatura, a generativa explica em português a um humano o que está estranho.
E há a direção inversa, menos óbvia e muito útil: a generativa como porta de entrada para dados que a tradicional não conseguia ler. Transformar mil emails de reclamações em categorias estruturadas, e depois correr análise sobre isso. Aqui a generativa faz o trabalho que era caro e chato, e o resultado alimenta um sistema que se verifica.
Vistos muitos projetos de IA em empresas pequenas, os padrões são consistentes:
Começar pela ferramenta. Alguém viu uma demonstração e agora há um projeto. A pergunta certa vem do lado do problema, não do lado do fornecedor.
Usar generativa para coisas que têm de estar certas. Números, prazos, condições contratuais, preços. Se a máquina inventar, e vai, o custo não é o erro, é a confiança.
Pilotos sem critério de sucesso. Se ninguém definiu o que era ganhar antes de começar, o piloto vai ser declarado um sucesso e não vai a lado nenhum.
Ignorar o que o output faz ao trabalho de quem o recebe. Uma máquina que produz o dobro dos rascunhos gera o dobro do trabalho de revisão. Se ninguém aumentou a capacidade de rever, criaste um congestionamento a montante.
Confundir automatizar com melhorar. Automatizar um processo mau produz um processo mau mais depressa, e é matéria que a automação de processos resolve antes de qualquer modelo entrar.
Não pensar em dados pessoais. Meter informação de clientes numa ferramenta sem perceber para onde vai e quem a vê é uma decisão jurídica disfarçada de decisão técnica, e faz parte dos riscos que a IA traz e que quase ninguém avalia antes.
O padrão que os une é o de sempre em tecnologia: são todos erros de gestão a fingir de erros técnicos. Nenhum deles se resolve com um modelo melhor.
Como decidir, tarefa a tarefa
Posto isto, aqui está o método, e é deliberadamente simples porque a fronteira irregular torna qualquer método complexo inútil.
Pega numa tarefa concreta, não numa área. Não "melhorar o atendimento", mas "responder a pedidos de segunda via de fatura". Depois faz três perguntas.
O que sai daqui tem de estar certo ou tem de estar bem escrito? Se certo, procura tradicional ou não procures IA nenhuma. Se bem escrito, generativa.
Tenho histórico consistente disto? Se sim, a tradicional está disponível. Se não, ou arrumas os dados primeiro, ou ficas com a generativa por defeito.
Quem verifica o resultado, e quanto custa se passar um erro? É a pergunta que fecha tudo. Se ninguém verifica e o erro é caro, não uses generativa, independentemente de quão bem ela pareça funcionar no teste.
E depois testa, porque é a única forma de descobrir de que lado da fronteira estás. Vinte casos reais, feitos à mão pelas duas vias, comparados por alguém que percebe do assunto. Se a IA ganhar, estás dentro da fronteira nessa tarefa. Se empatar, não vale o custo de a instalar. Se perder, acabaste de poupar um projeto.
Este teste demora uma tarde e vale mais do que qualquer relatório de tendências, e é a versão prática do que o artigo sobre como implementar inteligência artificial descreve com mais detalhe.
O que muda quando a fronteira se move
Fica uma consideração que é a única razão pela qual este artigo vai envelhecer.
A fronteira irregular não está parada. Move-se, e move-se depressa. Uma tarefa que estava do lado mau em 2024 pode estar do lado bom hoje, e o inverso é raro mas acontece quando os modelos mudam de comportamento. Isto significa que um teste que fizeste há dezoito meses já não é informação, é história.
Tem duas consequências práticas. A primeira é que "já experimentámos e não funcionou" é uma frase que caduca, e que muitas empresas usam para não voltar a olhar para coisas que entretanto passaram a funcionar. A segunda é o inverso e é mais perigosa: o que funcionava pode deixar de funcionar sem aviso, porque o fornecedor mudou o modelo por baixo e ninguém te disse. Uma empresa que depende de generativa em produção sem verificação regular está a construir sobre uma coisa que muda sozinha.
A postura que sobrevive a isto não é escolher bem hoje. É montar o hábito de reavaliar, com um calendário, e aceitar que esta é uma decisão que não se toma uma vez.
A alucinação não é um bug
Convém arrumar isto, porque é o mal-entendido técnico que mais decisões erradas produz.
Quando um modelo generativo inventa um facto, a reação típica de quem gere é achar que é um defeito que vai ser corrigido na próxima versão. Não é. É uma consequência direta de como a coisa funciona.
Um modelo generativo não consulta uma base de dados de verdades. Produz a continuação mais provável do texto que recebeu. Quando a continuação mais provável coincide com a realidade, acertou. Quando não coincide, inventou. Do ponto de vista da máquina, as duas operações são exatamente a mesma, e é por isso que a confiança com que ela afirma uma coisa verdadeira é indistinguível da confiança com que afirma uma falsa.
Isto tem uma implicação que muda a arquitetura de qualquer projeto: não podes resolver isto com melhores instruções. Podes reduzir a frequência, e as técnicas para o fazer, que atravessam todo o trabalho com instruções, reduzem mesmo. Não podes eliminar.
A defesa não é técnica, é de desenho. Nunca ponhas a máquina no sítio onde um erro passa sem ser visto. Se há verificação humana a seguir, o risco é gerível e o ganho é real. Se o output vai direto para o cliente, para um contrato ou para um sistema que age, criaste uma exposição que ninguém quantificou.
E há uma versão desta armadilha que é específica de PME e que aparece sempre. A empresa testa com dez casos, corre bem, e conclui que a máquina é fiável. Dez casos não te dizem nada sobre a taxa de erro. Se a máquina falha em 3% dos casos, a probabilidade de não veres nenhuma falha em dez tentativas é de mais de 70%. O teste pequeno não prova fiabilidade, prova apenas que não tiveste azar.
Quanto custa mesmo cada uma
Vale a pena falar de dinheiro, porque a estrutura de custos das duas famílias é oposta e ninguém compara na mesma base.
A generativa tem custo de entrada quase nulo e custo marginal permanente. Pagas por uso ou por subscrição, todos os meses, para sempre, e o custo escala com a utilização. Começas hoje por vinte euros e não tens surpresas de arranque. Ao fim de três anos, somaste.
A tradicional tem o oposto. Custo de entrada considerável, porque alguém tem de arrumar dados, construir e validar o modelo, e depois custo marginal próximo de zero: uma vez treinado, correr previsões custa quase nada. Demora meses a produzir alguma coisa e depois produz durante anos.
Há uma terceira coluna que ninguém põe na folha e que costuma ser a maior de todas: o custo de verificação. Uma ferramenta generativa que produz vinte rascunhos por dia exige que alguém os leia. Esse alguém custa dinheiro, e o custo dele não aparece na fatura da ferramenta. É frequente ver empresas a poupar quatro horas de redação e a gastar três de revisão, e a chamar a isso uma poupança de quatro horas.
E há um custo que só aparece anos depois e que devia entrar na decisão: dependência. Um modelo tradicional treinado com os teus dados é teu. Uma dependência de uma ferramenta generativa de terceiros é uma renda, com um preço que sobe quando o fornecedor quiser e um comportamento que muda sem te avisar.
O que isto não é
Fica uma delimitação, porque este espaço está cheio de coisas que se apresentam como escolhas e não são.
Não é uma escolha entre moderno e antigo. A IA tradicional não é uma tecnologia ultrapassada que a generativa veio substituir. São ferramentas para problemas diferentes, e a maioria dos problemas rentáveis de uma PME, previsão, deteção, classificação, continua a ser território da tradicional, que faz isso há duas décadas e faz bem.
Não é uma escolha entre cara e barata. Já vimos que as estruturas de custo são opostas e que a comparação depende inteiramente do horizonte.
E não é uma escolha entre sofisticada e simples. Há problemas de empresa que se resolvem com uma folha de cálculo bem feita e uma regra de negócio, e chamar-lhes IA não os melhora. A pergunta anterior a este artigo inteiro é se o problema precisa de aprendizagem de máquina, e a resposta honesta é que muitos não precisam. Uma regra que diz "avisa-me quando um cliente não compra há noventa dias" resolve mais do que um modelo de previsão de cancelamento na maioria das empresas com menos de cem clientes, e custa uma tarde em vez de um trimestre.
O panorama completo das ferramentas disponíveis e do que cada uma faz está no artigo sobre ferramentas de inteligência artificial para gestão, e a natureza específica da tecnologia generativa está tratada no artigo sobre IA generativa. Este ficou-se pela decisão que vem antes de escolher qualquer uma: qual das duas famílias resolve o teu problema.
O que acontece às pessoas
Fica a dimensão que quase nenhuma discussão sobre IA em empresas aborda, e que decide se o projeto sobrevive ao segundo trimestre.
Volta ao achado do estudo dos 5.179 agentes: o ganho concentrou-se nos menos experientes. Isso é excelente para a empresa e é ambíguo para as pessoas, e a ambiguidade tem consequências práticas.
Se a ferramenta faz um novato produzir como um veterano, a vantagem competitiva do veterano dentro da tua empresa acabou de encolher. Ele percebe isso antes de ti. E a reação natural de alguém cuja vantagem está a ser dissolvida não é entusiasmo, é resistência, e a resistência aparece disfarçada de preocupação técnica: a ferramenta não é fiável, os clientes vão notar, isto não serve para o nosso caso.
Às vezes têm razão, e é por isso que despachar a objeção como medo é um erro. Mas convém saber que a conversa tem duas camadas, e que só uma delas está a ser dita.
Há uma segunda consequência, mais estrutural. Se a ferramenta nivela o output, como é que continuas a distinguir quem é bom? Uma empresa que avalia pessoas pelo resultado do trabalho, e cujo trabalho passou a ser feito metade por uma máquina, deixou de ter um sistema de avaliação a funcionar sem que ninguém tenha mexido nele. A resposta não é proibir a ferramenta. É perceber que o critério mudou: o que distingue passa a ser o julgamento, a decisão sobre o que aceitar e o que rejeitar, e isso é muito mais difícil de medir do que velocidade.
E há a questão que ninguém quer fazer e que os teus colaboradores estão a fazer sozinhos: se a máquina faz isto, o que é que eu faço? A resposta honesta em quase todos os casos de PME não é despedir ninguém, é fazer mais com os mesmos. Mas essa resposta só é credível se for dita, e o silêncio é lido como confirmação do pior. Uma implementação de IA sem uma conversa explícita sobre o que acontece às pessoas é uma implementação que vai ser sabotada por gente educada, através daquele mecanismo eficaz que é usar a ferramenta o mínimo indispensável e reportar que não ajuda muito.
Por onde começar se não tens nada
Se chegaste aqui e a tua empresa não usa nada disto, há uma sequência que funciona e que é o oposto da que a maioria segue.
A maioria começa pelo mais visível: um projeto grande, com fornecedor, com apresentação à gerência. Consome meses, produz uma demonstração, e morre quando alguém pergunta quanto poupou.
A sequência que funciona começa pelo mais aborrecido. Escolhe a tarefa que mais horas consome na tua empresa e que menos julgamento exige. Não a mais estratégica, a mais repetitiva. Transcrever, resumir, classificar, redigir a partir de um formato fixo. Essas tarefas estão quase sempre bem dentro da fronteira, o risco de erro é baixo porque alguém revê de qualquer maneira, e o ganho é imediato e mensurável em horas.
Depois mede. Não a satisfação de quem usa, que é sempre alta porque é novidade. Horas, casos processados, tempo de resposta. Coisas que existiam antes e existem depois.
E só depois, quando tiveres uma vitória concreta e alguém internamente que percebe da coisa, é que faz sentido olhar para os problemas onde a IA tradicional entra, porque esses exigem dados arrumados, exigem tempo, e exigem que a organização já acredite que isto dá alguma coisa. Ninguém aguenta seis meses de projeto de dados sem uma vitória pequena antes, e as empresas que tentam fazer o difícil primeiro raramente chegam ao fim.
Há uma variante desta sequência que vale para quem já tem alguma coisa a correr e não sabe se vale a pena: para de perguntar se a ferramenta é boa e começa a perguntar o que aconteceria se a desligasses amanhã. Se a resposta for que ninguém notava, tens a tua avaliação.
Vale a pena reparar no que a investigação séria sobre este tema tem em comum, e no que a distingue de tudo o resto que vais ler. Os três trabalhos que sustentam este artigo têm uma coisa em comum: mediram em vez de opinar, publicaram em revistas que os obrigaram a mostrar o método, e encontraram resultados que ninguém queria. Que a ferramenta prejudica em algumas tarefas. Que o ganho está nos piores e não nos melhores. Que quem a usa converge e fica menos original. Nenhuma destas conclusões vende software, e é precisamente por isso que não as ouves em lado nenhum, num mercado onde praticamente toda a informação disponível é produzida por quem lucra com a adoção. Se ficares com uma coisa, que seja o hábito e não a taxonomia. Escolhe uma tarefa pequena esta semana, faz vinte casos das duas maneiras, e compara com honestidade. Vais descobrir uma de três coisas, e todas te fazem ganhar: ou a máquina ganha e tens um caso de uso comprovado em vez de uma intuição, ou empata e poupaste o custo de a instalar, ou perde e acabaste de evitar o projeto que ias defender na próxima reunião. Nenhum artigo, incluindo este, te consegue dizer de que lado da fronteira está a tua tarefa. Vinte casos e uma tarde dizem-te.
