A vantagem da IA não está em acumular dados, mas em formular perguntas melhores sobre o cliente

Mais informação não significa mais entendimento

Em 30 de agosto de 2026, a Darden School of Business, da Universidade da Virgínia, publicou uma análise do professor Rajkumar Venkatesan sobre a mudança do valor dos dados de clientes na era da inteligência artificial. A ideia central é que possuir informação continua relevante, mas a vantagem competitiva depende cada vez mais da capacidade de transformá-la em conhecimento que oriente decisões.

Essa distinção parece simples, porém altera a ordem do trabalho. Muitas empresas começam perguntando quais dados conseguem coletar. Uma estratégia orientada a conhecimento começa perguntando qual incerteza precisa reduzir. A partir daí, decide quais sinais são necessários, com que finalidade serão utilizados e qual ação poderá ser tomada quando a resposta aparecer.

A IA aumenta a capacidade de relacionar registros dispersos, encontrar padrões e produzir hipóteses. Ela não determina sozinha se a hipótese é relevante, justa ou executável. Quando a pergunta empresarial é vaga, o sistema pode apenas organizar melhor um acúmulo que continua sem direção.

Conhecimento do cliente precisa mudar uma decisão

Uma informação se torna útil quando altera uma escolha concreta. Pode ajudar a identificar por que uma etapa do atendimento gera abandono, qual promessa comercial não encontra apoio na operação ou que dúvida permanece sem resposta depois da compra. Sem vínculo com uma decisão, o chamado insight corre o risco de virar apenas uma observação interessante em um painel.

Por isso, cada iniciativa de IA deveria declarar quem utilizará o resultado e qual decisão será influenciada. A equipe pode precisar revisar uma mensagem, reorganizar uma jornada, corrigir um produto ou encaminhar um cliente para atendimento humano. A utilidade nasce desse encontro entre interpretação e capacidade de agir.

O professor Venkatesan argumenta que a vantagem está no conhecimento criado a partir dos dados, não na simples posse do conjunto. Para a empresa, isso significa avaliar a qualidade do ciclo completo: pergunta, evidência, interpretação, decisão, execução e aprendizado. Se o ciclo termina na previsão, falta transformar inteligência analítica em responsabilidade operacional.

A pergunta vem antes do dado

Uma pergunta como quem tem maior chance de comprar pode levar a empresa a repetir padrões históricos sem compreender necessidades atuais. Perguntas melhores examinam contexto: que problema a pessoa tenta resolver, que informação ainda falta, qual barreira impede avanço e em que momento uma intervenção seria realmente útil.

Essa formulação muda os dados necessários. Para entender uma dificuldade no pós-venda, talvez seja mais valioso analisar motivos de contato, tempo entre etapas e resolução percebida do que ampliar o rastreamento comportamental. Para revisar uma campanha, pode importar mais conectar promessa, dúvida e capacidade de entrega do que adicionar novos atributos ao perfil.

Perguntas explícitas também permitem reconhecer o que a empresa ainda não sabe. A Darden destaca justamente essa lacuna como um limite recorrente. Quando a organização admite incerteza, pode criar pesquisa, escuta ou experimento adequado, em vez de pedir à IA que produza certeza a partir de sinais incompletos.

O contexto transforma registros em jornada

Um clique isolado pode ter muitos significados. Uma reclamação pode refletir falha de produto, expectativa criada pela comunicação ou dificuldade de uso. A IA consegue combinar sinais, mas a interpretação depende de tempo, canal, etapa da jornada, histórico de consentimento e relação entre o que foi prometido e o que aconteceu.

Integrar contexto não exige colocar tudo em um único repositório. Exige definir chaves, permissões e finalidades que permitam relacionar apenas o necessário. Marketing, vendas, atendimento e produto podem compartilhar uma visão da jornada sem transformar cada conversa em material disponível para qualquer uso futuro.

A empresa deve preservar a origem dos sinais. Uma resposta fornecida diretamente pelo cliente não equivale a uma inferência calculada pelo sistema. Uma preferência declarada não deve ser confundida com comportamento observado. Manter essas diferenças ajuda a corrigir erros, explicar decisões e evitar que uma suposição adquira aparência de fato.

Qualidade de dados inclui qualidade de significado

Limpar duplicidades e padronizar campos é importante, mas não resolve ambiguidade. Uma categoria como cliente inativo pode reunir pessoas que encerraram a relação, interromperam por dificuldade financeira, mudaram de necessidade ou simplesmente não foram reconhecidas em outro canal. O rótulo operacional pode esconder experiências distintas.

Antes de automatizar uma decisão, a equipe precisa revisar como os campos foram definidos, quem os preencheu e quais eventos alteram seu significado. Também deve verificar se o dado representa o cliente ou apenas a forma como o processo interno o enxerga. A IA aprende com essas escolhas, mesmo quando elas não aparecem no modelo.

Conhecimento confiável exige versões, origem e possibilidade de contestação. Quando uma inferência influencia oferta, prioridade ou atendimento, a organização precisa saber quando foi criada, com quais sinais e como poderá ser corrigida. Sem esse cuidado, personalização pode apenas tornar um erro mais persistente.

Finalidade limita a coleta e melhora o foco

A Lei Geral de Proteção de Dados estabelece princípios como finalidade, adequação, necessidade, transparência e não discriminação. A orientação da ANPD sobre legítimo interesse reforça que devem ser tratados somente os dados estritamente necessários à finalidade pretendida e que a operação precisa considerar expectativas legítimas e impactos sobre os titulares.

Esses limites não impedem conhecimento do cliente. Eles ajudam a separar curiosidade empresarial de necessidade legítima. Quando a equipe consegue explicar a pergunta, a decisão e o benefício esperado, também consegue identificar informação excessiva, uso incompatível e hipótese que precisa de outra base legal.

Minimização pode melhorar a análise porque reduz ruído e obriga a empresa a escolher sinais relacionados ao problema. O objetivo deixa de ser construir um retrato total da pessoa e passa a ser compreender uma situação específica com respeito ao contexto. A relação comercial não concede autorização ilimitada para observar.

Previsão não é permissão para agir

Um modelo pode estimar que determinado cliente aceitará uma oferta. Isso não responde se a abordagem é apropriada, se o canal foi autorizado ou se a mensagem explora uma vulnerabilidade. A probabilidade descreve um padrão; a decisão incorpora valores, regras e consequências.

A organização deve separar recomendação, autorização e execução. Uma previsão pode sugerir uma oportunidade para análise. Regras empresariais verificam finalidade, frequência, consentimento e tratamento diferenciado. A ação somente acontece depois desses controles, com revisão humana quando o impacto ou a sensibilidade exigirem.

Os princípios de IA da OCDE destacam respeito a direitos, privacidade, transparência e possibilidade de contestar resultados. No marketing, isso se traduz em escolhas compreensíveis para o cliente e em processos capazes de interromper uma ação inadequada. A inteligência do sistema não reduz a responsabilidade de quem decidiu utilizá-lo.

O conhecimento precisa circular além do marketing

A Darden chama atenção para o erro de tratar conhecimento do cliente como função isolada de marketing. Uma campanha pode identificar uma necessidade que o produto ainda não atende. O atendimento pode revelar uma promessa ambígua. Vendas pode perceber uma objeção recorrente que deveria orientar conteúdo, treinamento ou desenho do serviço.

Para que o aprendizado circule, a empresa precisa de rituais e responsáveis, não apenas de uma plataforma. Uma reunião curta pode revisar perguntas abertas, evidências, decisões tomadas e efeitos observados. Produto, operação, comercial e atendimento precisam ter condições de contestar a interpretação antes que ela se transforme em automação.

Essa integração também evita personalização sem capacidade de entrega. Não adianta prever a oferta mais relevante se estoque, prazo, suporte ou política comercial não conseguem cumprir a promessa. Conhecimento do cliente só cria valor quando encontra conhecimento sobre a própria operação.

Um piloto pode começar por uma incerteza real

A empresa pode selecionar uma decisão recorrente que hoje depende de suposição. Em vez de conectar todas as bases, define uma pergunta, identifica sinais mínimos e cria exemplos de resultados úteis e inadequados. Também registra quais pessoas podem usar a resposta e quais ações permanecem proibidas.

O piloto deve comparar a interpretação da IA com casos revisados pelas equipes que conhecem a jornada. Divergências são valiosas porque revelam rótulos ruins, dados ausentes e diferenças entre departamentos. O objetivo inicial não é automatizar, mas descobrir se a organização compartilha o mesmo significado para o problema.

O NIST Privacy Framework recomenda compreender o processamento de dados ao longo do ciclo de vida e administrar possíveis problemas para as pessoas. Aplicado ao piloto, isso inclui coleta, combinação, uso, comunicação, correção, retenção e descarte. O teste precisa avaliar tanto a decisão que a IA ajuda a tomar quanto a forma como o conhecimento foi produzido.

Medir aprendizado é diferente de medir volume

Quantidade de perfis, atributos ou previsões não demonstra que a empresa conhece melhor seus clientes. Uma medida mais útil observa se a iniciativa reduziu uma incerteza, corrigiu uma decisão, melhorou a coerência entre canais ou revelou que uma hipótese estava errada.

Também é importante medir efeitos indesejados. Uma recomendação pode aumentar contatos sem resolver necessidades. Uma segmentação pode excluir pessoas que deveriam receber informação. Uma personalização pode elevar a expectativa além da capacidade do serviço. Esses resultados precisam voltar ao ciclo de aprendizagem.

O sistema deve registrar não apenas quando acertou, mas quando a equipe discordou, o cliente corrigiu uma informação ou a ação foi interrompida. Esses eventos refinam perguntas e controles. Uma organização madura não utiliza a IA para confirmar tudo o que já acreditava. Ela cria condições para descobrir quando precisa mudar de ideia.

Conclusão

A análise publicada pela Darden ajuda a deslocar a conversa sobre dados de clientes. O ativo central não é o arquivo acumulado, mas a capacidade de formular perguntas relevantes, interpretar sinais no contexto e transformar aprendizado em uma decisão que a organização consegue sustentar.

A IA pode ampliar essa capacidade, desde que qualidade, finalidade e responsabilidade acompanhem a análise. Perguntas melhores reduzem coleta desnecessária. Origem e contexto evitam que inferências sejam tratadas como fatos. Controles separam previsão de autorização. Integração entre áreas conecta conhecimento do cliente à realidade operacional.

Na minha visão, uma empresa não conhece melhor o cliente porque consegue descrevê-lo em mais detalhes. Conhece melhor quando entende o problema que ele tenta resolver, reconhece o que ainda não sabe e utiliza somente a informação necessária para cumprir uma promessa legítima.

A IA com propósito não transforma pessoas em perfis cada vez mais completos. Ela ajuda equipes a fazer perguntas mais responsáveis e a aprender com respostas que podem ser verificadas, corrigidas e convertidas em serviço melhor. Nesse desenho, confiança não é um obstáculo à inteligência. É a condição para que o conhecimento continue tendo valor.