Introdução: Por Que Tantas Empresas Experimentam IA, mas Não Conseguem Escalar?
Neste episódio do Blipcast, a host Duda Bona reúne três especialistas para discutir um dos maiores desafios do momento: escalar projetos de IA nas empresas. Participam Poliana Pires (R de Produto e Inovação na Blip), Sabrina Teixeira (Gerente de Insights e Social Listening na VML) e Pedro Maciel (Business Growth Manager na Endeavor). A conversa explora por que a experimentação é fácil, mas a transformação em ação e escala é tão difícil.
Duda abre o episódio com uma reflexão importante: colocar um modelo para responder uma pergunta já não é difícil, mas fazer a IA acessar o dado certo no momento certo, conectar os sistemas necessários e gerar uma ação que impacte o negócio é outra história. O que separa a experimentação da escala?
O Que Significa Realmente Escalar IA?
Poliana compartilha um caso interno da Blip: um colega queria construir um agente de IA para toda a empresa usar. O cientista de dados alertou que construir é fácil, mas disponibilizar para toda a organização é outra coisa — é preciso escalar, deixar público, construir estruturas de segurança, governança e definir quais dados podem ser usados. Adotar IA é uma coisa; escalar IA num processo é completamente diferente.
Pedro, da Endeavor, complementa com dados de uma pesquisa recente com cerca de 75 founders. Os principais empecilhos para escalar IA são:
- Estruturação dos dados: muitos dados não estão organizados, e estruturá-los pode levar anos.
- Falta de confiabilidade nos dados: a confiança é uma preocupação central.
- Falta de talentos: não há pessoas suficientes com competências para trabalhar com IA.
- Resistência do time: medo de ser substituído e medo de errar ainda persistem, mesmo após anos do lançamento do ChatGPT.
Resultado vs. Processo: O Verdadeiro Indicador de Escala
Duda provoca: o que realmente diz se a empresa escalou é quando ela para de falar de tecnologia e começa a falar de resultado. Pedro concorda e acrescenta que muitas empresas focam em processo, mas quando começam a ver resultado, a narrativa muda para números. No entanto, mais de 50% dos founders ainda estão entendendo o que é ROI.
Sabrina reflete que assim como as empresas ainda estão entendendo o que é ROI, também estão entendendo o que é IA. A ferramenta é nova, poderosa e vai ser eternamente beta, pois está sempre aprendendo e se atualizando. A escala precisa ser devagar, porque a tecnologia é muito nova e as pessoas ainda estão aprendendo a usá-la.
Poliana reforça que o fácil é melhorar o processo, automatizar o e-mail. O difícil é melhorar o valor direto pro cliente, repensar o processo. Se você automatiza um processo ruim, está escalando ineficiência.
Social Listening e o Poder da Voz do Cliente
Sabrina explica que o social listening é um terreno fértil para observar o comportamento do consumidor. Um estudo mostra que 80% dos profissionais já interpretam padrões em dados sociais, mas apenas 12% usam essa inteligência para planejamento estratégico. A voz do cliente é um dos dados mais valiosos, mas muitas empresas ainda não sabem como usá-la.
Ela cita o exemplo da Havaianas: os consumidores começaram a chamar a cor "buttercream" de "cor de Vaiana encardida", e a marca aproveitou o hype para ações de marketing. Isso mostra o poder de ouvir o cliente e conectar com a estratégia de negócio.
Sabrina também destaca a dificuldade de interpretar a ironia brasileira. A IA precisa ser configurada com o contexto da marca, o tom de voz, para conseguir interpretar corretamente. É preciso dar contexto e informação para a IA, além de usar o olhar humano para validar.
Do Insight à Ação: O Desafio de Transformar Dados em Impacto
Poliana explica que não existe um botão que transforma dado em ação. É preciso intencionalidade e propósito. A Blip está passando por uma grande evolução de produto: saindo de uma plataforma de comunicação para uma plataforma de transformação por IA orientada a resultado. O conceito central é o contato inteligente: toda conversa entre usuário e marca não termina no atendimento, mas vira um sinal, um gatilho de marketing, venda ou relacionamento.
Ela apresenta o Infinite Flywheel, um ciclo infinito com dois lados: a jornada da marca e a jornada do usuário. A marca digitaliza conversas, identifica insights, coloca agentes de IA para testar e conecta com resultado de negócio. Do outro lado, o usuário é escutado, a demanda é gerada, o lead é qualificado e a compra acontece. Quando um lado alimenta o outro, o ciclo se torna mais inteligente a cada rodada.
Contexto, Dados e a Nova Interface Conversacional
Pedro destaca que, para o flywheel funcionar, é preciso contexto de marca, usuário, mercado e negócio, além de estrutura de dados. A grande capacidade organizacional que as empresas precisam desenvolver urgentemente é o aprendizado: aprender com o cliente, com o negócio e com o que está acontecendo.
Sabrina complementa com o conceito de high agency: a capacidade de aprender, levantar hipóteses, validar com o time e testar rapidamente. As empresas estão contratando talentos com essa competência, que pensam em rapidez e capacidade de execução.
Poliana cita o exemplo do Blip Dora, um produto que unifica dados de CRM, produto e e-mail para o time de customer success. Inicialmente um chat, evoluiu para incluir gráficos e exploração de dados, pois as pessoas sentem falta de ver o dado na tela. A interface está mudando: as pessoas querem conversar com o dado, mas também querem direcionamento e execução.
O Caso da Tirinha: Quando a IA Escala um Erro
Poliana compartilha uma tirinha que postou no LinkedIn: uma moça pinta uma cerca, duas estacas de preto e a terceira pela metade. Um robô observa, a moça entrega o pincel e sai. O robô continua o padrão: duas estacas, a terceira na metade, repetidamente. A lição: a IA não errou, ela repetiu o padrão que já existia. Faltou contexto do que precisava ser feito, e o humano saiu de cena.
Isso ilustra o risco de criar agentes que apenas replicam processos ineficientes. É preciso revisitar os processos antes de automatizá-los. Errar é humano, mas escalar o erro com IA é um tiro no pé.
Cases de Sucesso: Crédito Conversacional e Educação
Poliana apresenta dois cases da Blip. O primeiro é o Blip Cad, um agente conversacional para oferta de crédito. Um banco cliente queria escalar o processo de simulação, envio de documentos e assinatura de contrato pelo WhatsApp, sem aumentar o time de atendimento. O resultado: conversão de 54%, cinco vezes maior que o processo anterior, com tempo de conversão reduzido de mais de um dia para uma hora, operando 24x7.
O segundo case é de educação: um cliente tinha uma jornada de qualificação de lead, triagem de carreira, oferta de curso e conversão. O agente foi desenhado para entender quando o humano deveria intervir, dependendo do nível de risco. O resultado foi 24% de conversão sem intervenção humana, mas com o humano ainda no processo para casos que exigiam decisão.
Agentes, Orquestração e o Futuro do Trabalho
Duda observa que, com agentes aprendendo, o humano passa a ter menos execução e mais orquestração. Pedro concorda: o humano será o orquestrador de agentes, enquanto o relacionamento com o cliente, a criatividade e o aprendizado relacional continuam sendo humanos.
Pedro cita exemplos de empresas do portfólio da Endeavor que evoluíram seus modelos de negócio com IA: a Olist, que se tornou uma plataforma all-in-one para pequenos vendedores, e a Pipefy, que se tornou orquestradora de agentes para clientes como a Accenture.
O Diferencial na Era da Democratização da IA
Pedro compara a indústria de tokens com a de telecomunicações: o custo vai cair, e a IA será cada vez mais democrática. O diferencial das empresas será a capacidade de entender o que construir. Ele cita o caso do CTO do Uber, que liberou o Claude para todo o time e, em dois meses, gastou o orçamento do ano inteiro com poucos outputs interessantes.
As empresas que têm maior taxa de sucesso em IA são as que mais investem. O período de lógica de produto — entender o que construir — é o grande diferencial. Os dados proprietários são fundamentais. Se você coloca a melhor squad, com os melhores talentos e dinheiro infinito, mas define errado o que construir, a possibilidade de erro é gigantesca.
Incumbente vs. AI Native: Quem Leva Vantagem?
Pedro acredita que o incumbente tem um diferencial: dados proprietários, budget e capacidade de execução, desde que tenha mente aberta para inovar. Se não tiver, o AI native vai acabar com ele em 1, 2, 3 anos. Poliana complementa que a escala não acontece porque as empresas precisam entender que o investimento significa bancar erros. É preciso dimensionar qual o tamanho do erro que se pode bancar.
Conselho Prático para Empresas que Querem Usar Social Intelligence
Sabrina deixa uma dica prática: o preparativo vem antes de usar IA. É preciso ter vivência, bagagem, experiência online. Entender a cultura brasileira, as camadas de nicho, a ironia. Quanto mais informação você der para a IA, melhor. É importante não esconder os erros: contar o que deu errado, o que não funcionou, qual audiência não se quer. O script de como a IA vai desenvolver é você que dá.
Ela reforça: se a IA precisa de informação, você precisa ter essa informação antes. O olhar humano, o bom senso e o histórico são essenciais. Sem eles, você pode ter lindos slides que não contam história nenhuma.
Conclusão: O Diferencial é o Contexto e a Capacidade de Aprender
Duda encerra o episódio sintetizando: o verdadeiro diferencial é o contexto, o dado e o que você consegue colocar em volta da sua aplicação de IA. É orquestrar dados, sistemas, governança e pessoas. Isso é um problema de operação, não de tecnologia.
Os convidados deixam suas redes sociais para contato: Poliana Pires, Sabrina Teixeira e Pedro Maciel, todos no LinkedIn. O Blipcast se despede com a mensagem de que, para escalar, é preciso começar, aprender, errar e orquestrar.