IA na qualificação de leads: scoring que o comercial confia

A promessa é sedutora: em vez de regras escritas à mão, um modelo aprende sozinho quem vai comprar, olhando o histórico. Nota mais precisa, comercial mais eficiente, menos tempo desperdiçado.

Às vezes funciona. Com mais frequência do que se admite, produz um sistema que dá notas com aparência de rigor, que o comercial não entende, não confia, e passa a ignorar — o mesmo destino dos modelos de regra, agora com custo maior.

Este artigo é sobre quando a IA de fato ajuda na qualificação, quando atrapalha, e o que precisa existir antes.

O que precisa existir antes

Vale começar pelo desconfortável, porque é onde a maioria dos projetos morre.

Volume de histórico. Um modelo estatístico treinado em cinquenta negócios fechados aprende o ruído daquela amostra específica e não generaliza. Ele vai parecer excelente nos dados de treino e falhar com dados novos. Como regra prática, abaixo de algumas centenas de negócios de cada lado — ganhos e perdidos — regras explícitas rendem mais.

Dados agrupados por conta. Se o CRM organiza tudo em torno do contato, o sinal mais preditivo em B2B — quantas pessoas distintas da mesma empresa estão engajadas — simplesmente não existe na base. Nenhum modelo encontra o que não está lá.

Motivo de descarte estruturado. Para o modelo aprender, ele precisa saber por que os perdidos foram perdidos. Campo de texto livre com "não tinha fit" não ensina nada. Lista fechada de cinco a oito opções transforma descarte em insumo.

Definição acordada do que é um bom cliente. Se marketing e vendas discordam sobre o perfil, o modelo vai aprender o comportamento passado — que reflete o desacordo. Você vai automatizar a confusão em vez de resolvê-la.

Onde a IA ajuda de verdade

Três aplicações com retorno claro, em ordem de acessibilidade.

1. Extrair sinal de texto não estruturado

É a de melhor retorno e a menos usada.

Boa parte do que determina se um negócio fecha está em texto que ninguém processa: transcrições de call, e-mails, anotações do vendedor no CRM, respostas de formulário em campo aberto.

Um modelo de linguagem consegue ler duzentas transcrições e extrair, de forma estruturada, coisas como: houve menção a orçamento aprovado, quantas pessoas participaram da call, qual concorrente foi citado, qual objeção apareceu, o comprador mencionou prazo.

Esses campos passam a existir na base e podem alimentar o modelo de qualificação — de regras ou estatístico. É análise de dados aplicada a material que já existe e nunca foi lido.

2. Encontrar combinações que ninguém procuraria

Regras escritas por pessoas testam hipóteses que as pessoas tiveram. Um modelo testa todas as combinações.

O que aparece são coisas do tipo: a combinação de um setor específico com um porte específico tem taxa de fechamento muito acima da média; ou visitas à página de integrações só predizem fechamento quando acompanhadas de mais de um contato da mesma conta.

O valor aqui não é o modelo em si — é a descoberta. Frequentemente vale mais transformar o achado em uma regra explícita do que operar o modelo em produção.

3. Enriquecer o que a base não tem

Classificar empresas por características que não estão em campo estruturado: qual sistema usam, qual o estágio de maturidade da operação, se estão contratando na área relevante.

Parte disso sai de fontes públicas processadas em volume — sites institucionais, páginas de vagas, notícias. É trabalho que ninguém faz para quarenta contas e que se resolve em uma tarde.

Onde atrapalha

Quando ninguém entende a nota

É a causa número um de abandono, e ela não é técnica.

Se o CRM mostra "87" sem explicação, o vendedor não tem como avaliar se aquilo faz sentido. Ele testa algumas vezes contra a própria intuição, encontra discordância — que vai acontecer, mesmo em modelo bom — e conclui que o sistema não presta.

Um modelo menos preciso que exiba os três fatores que mais pesaram supera um modelo mais preciso que exiba só o número. Adoção vale mais que acurácia.

Quando aprende o viés do passado

Um modelo treinado no histórico aprende o comportamento da operação, não a verdade sobre o mercado.

Se o comercial nunca trabalhou contas de um determinado segmento, não existem negócios ganhos ali — e o modelo aprende que aquele segmento não converte. Ele vai desqualificar exatamente as contas que nunca tiveram chance, e o comportamento se perpetua.

Essa armadilha é real e difícil de detectar, porque o modelo parece estar funcionando: as previsões batem com o resultado. Elas batem porque o modelo está reproduzindo a decisão anterior, não prevendo o mercado.

A defesa é reservar deliberadamente uma parcela pequena da capacidade comercial para contas que o modelo desqualificou, e comparar. É desconfortável e é a única forma de descobrir.

Quando o dado de treino vaza informação do futuro

Erro técnico frequente e devastador.

Se você treina o modelo com atributos coletados depois de o negócio ter avançado — número de reuniões realizadas, se houve proposta enviada, quantos e-mails trocados —, ele vai prever fechamento com precisão impressionante e ser inútil na prática. Porque no momento em que você precisa da nota, essas informações ainda não existem.

A regra: só entra no modelo o que estava disponível no momento em que o lead foi passado ao comercial.

Quando substitui a conversa

Nenhum modelo detecta o que um vendedor descobre em cinco minutos de conversa: se existe urgência real, se a pessoa tem influência, se o projeto tem patrocinador. Qualificação por modelo ordena a fila; ela não substitui a qualificação humana.

Como saber se o modelo é bom

Uma dificuldade prática: fornecedores apresentam números de acurácia que soam impressionantes e dizem pouco.

O problema é que, em qualificação de leads, os dois grupos são muito desbalanceados. Se 5% dos leads viram clientes, um modelo que diz "nenhum vai fechar" para todo mundo acerta 95% das vezes. A acurácia é alta e o modelo é inútil.

Três perguntas que revelam mais que qualquer percentual:

Entre os leads que o modelo colocou no topo, quantos fecharam? Se o comercial trabalha os 20% melhor pontuados, que proporção deles vira cliente — comparada com a taxa geral? Se o modelo dobra ou triplica essa taxa, ele está separando. Se melhora 10%, o esforço não se paga.

Entre os negócios que fecharam, quantos o modelo teria descartado? Este é o custo invisível. Um modelo agressivo demais melhora a eficiência aparente e joga fora receita. Vale medir explicitamente.

Como ele se compara a uma regra simples? A referência não é o acaso — é o que você já tinha. Se ordenar por porte da empresa mais número de contatos engajados produz quase o mesmo resultado, o modelo não justifica a complexidade.

Essa última pergunta é a que fornecedores menos gostam de responder, e é a mais importante. Modelo sofisticado que empata com duas regras óbvias é custo sem benefício.

Sobre agentes que qualificam sozinhos

Uma categoria à parte, cada vez mais oferecida: sistemas que conversam com o lead — por chat ou e-mail — fazendo perguntas de qualificação antes de passar ao humano.

Vale separar o que funciona.

Funciona para coletar informação factual que o formulário não pegou: porte, sistema em uso, prazo estimado. É rápido, disponível fora do horário comercial, e o comprador não se incomoda de responder três perguntas objetivas.

Funciona para roteamento: identificar o assunto e direcionar ao vendedor certo, em vez de fila única.

Não funciona para avaliar intenção real. As perguntas que revelam se há projeto de verdade exigem leitura de contexto, insistência calibrada e sensibilidade ao que não é dito. Um agente que pergunta "qual seu orçamento?" no terceiro minuto recebe uma resposta educada e inútil.

Não funciona em ticket alto sem transparência. Se o comprador de um contrato de seis dígitos descobre que passou vinte minutos conversando com um sistema achando que era uma pessoa, o dano à relação é maior que a eficiência ganha. Deixe explícito desde a primeira mensagem.

Qualificar a conta, não o contato

A adaptação mais importante para B2B, e a que praticamente nenhuma ferramenta faz por padrão.

Modelos de qualificação nasceram para contextos em que uma pessoa decide sozinha. Em compra corporativa relevante, quem decide é um grupo — e pontuar indivíduos isoladamente perde o sinal mais forte que existe.

Considere duas situações. Na primeira, um contato com nota 85: leu oito artigos, baixou dois materiais, visitou a página de preços três vezes. Ninguém mais da empresa dele apareceu. Na segunda, três contatos com nota 40 cada, de áreas diferentes da mesma empresa, todos ativos nas últimas duas semanas.

Modelos de nota individual colocam o primeiro no topo da fila. A experiência comercial diz que o segundo caso é muito mais promissor — porque três pessoas de áreas diferentes pesquisando o mesmo assunto ao mesmo tempo indica que existe uma conversa interna acontecendo.

O que agregar na nota da conta:

• Contatos distintos ativos nos últimos trinta dias
• Diversidade de área — três pessoas do mesmo time valem menos que três de times diferentes
• Concentração no tempo — cinco interações numa semana significa mais que cinco em seis meses
• Retorno após inatividade — quem sumiu e voltou é um evento comercial, não uma visita a mais
• Presença de perfil sênior — não como filtro, mas como peso adicional quando aparece junto dos outros

Aqui a IA tem um papel específico e útil: identificar que contatos diferentes pertencem à mesma conta. Empresas aparecem com grafias diferentes, e-mails pessoais escondem o vínculo, subsidiárias têm CNPJ próprio. Resolver essa identidade em volume é trabalho mecânico de correspondência que ninguém faz à mão — e sem ele, toda a lógica acima fica indisponível.

O arranjo que costuma funcionar

Na prática, o melhor resultado não vem de escolher entre regras e modelo — vem de combinar.

Note que a IA aparece em uma camada específica — enriquecimento — e opcionalmente em outra. Não na estrutura inteira. É o padrão que se repete em quase toda aplicação de IA que dá certo em marketing e vendas: ela faz uma parte bem, e o valor vem de encaixá-la no lugar certo.

O modelo envelhece, e ninguém percebe

Um modelo estatístico degrada em silêncio. Diferentemente de uma regra explícita, que continua fazendo exatamente o que foi escrita para fazer, um modelo aprendeu correlações de um período — e correlações mudam.

O que faz um modelo de qualificação envelhecer:

• O produto muda e passa a servir a um segmento que não existia no histórico
• Um concorrente sai ou entra e a dinâmica de um setor inteiro se altera
• A origem do tráfego muda — um canal novo traz gente com comportamento diferente
• A própria operação muda: o comercial passa a trabalhar contas maiores, e o padrão de fechamento acompanha

O sintoma clássico é a inflação silenciosa: a proporção de leads que atinge a nota de corte cresce mês a mês sem que nada tenha melhorado. O comercial recebe volume maior com qualidade igual, e conclui que a nota perdeu significado.

Duas rotinas que detectam a tempo:

Mensal: comparar a taxa de fechamento prevista com a observada, por faixa de nota. Se a faixa alta está convertendo como a faixa média, o modelo perdeu poder de separação.

Trimestral: retreinar com dados recentes e comparar os pesos com os anteriores. Mudança grande em algum critério é informação sobre o mercado, não só sobre o modelo.

Uma vantagem prática das regras explícitas que vale registrar aqui: elas não derivam sozinhas. Quando param de funcionar, é porque o mercado mudou — e você descobre pela conversa com o comercial, não por análise estatística. Em operação pequena, essa transparência costuma valer mais que a precisão adicional.

O que a LGPD exige de um scoring automatizado

Qualificação automatizada com dado pessoal tem duas exigências que costumam ser tratadas tarde.

Base legal identificada. Processar dados de contatos para pontuá-los é tratamento sob a LGPD. Legítimo interesse costuma cobrir prospecção B2B, e exige avaliação documentada — não é presunção automática. Enriquecimento a partir de fontes externas merece atenção especial, porque o titular não forneceu aquele dado a você.

Decisão automatizada. A LGPD dá ao titular o direito de solicitar revisão de decisões tomadas exclusivamente por tratamento automatizado que afetem seus interesses. Em qualificação de lead, o efeito prático costuma ser limitado — ninguém é negado um serviço, apenas priorizado. Mas se a nota determina quem recebe atendimento e quem não recebe, vale documentar que existe revisão humana no caminho.

Gravações de call são o ponto mais delicado. Contêm dados de pessoas de outra empresa, que não têm relação contratual com você. Consentimento de gravação e finalidade declarada precisam ser explícitos — e "finalidade" inclui processar aquilo para alimentar um modelo.

Vale o investimento? A conta completa

Antes de contratar qualquer coisa, vale fazer a conta que o fornecedor não faz.

O ganho é tempo comercial redirecionado. Se o vendedor trabalha quarenta leads por semana e o modelo faz com que os quarenta certos cheguem em vez de quarenta aleatórios, o ganho é a diferença de taxa de fechamento entre os dois conjuntos. Multiplicada pelo ticket, isso é um número concreto.

O custo tem quatro componentes, e só o primeiro costuma ser considerado:

• A assinatura da ferramenta ou o processamento do modelo
• O trabalho de preparar os dados — normalmente a maior parte, e sempre subestimada
• A manutenção: alguém precisa acompanhar, retreinar, investigar discordâncias
• O custo dos falsos negativos — negócios que fecharam e o modelo teria descartado

O quarto é o mais fácil de esquecer e potencialmente o maior. Um modelo que melhora a eficiência em 15% e descarta dois bons negócios por ano pode ter retorno negativo, dependendo do ticket.

Uma referência para calibrar a expectativa: se a operação recebe poucas dezenas de leads por mês, o vendedor consegue olhar todos, e o ganho de ordenação é próximo de zero. Qualificação automatizada resolve um problema de volume. Sem volume, ela adiciona complexidade sem economizar nada — e o dinheiro rende mais resolvendo os pré-requisitos de dados, que servem para tudo.

Cinco meses até um modelo em uso

Não comece pelo modelo. Comece pela lacuna de dados.

Mês 1. Verifique os quatro pré-requisitos. Se algum falta, resolva antes — e provavelmente falta pelo menos um.

Mês 2. Aplique IA a uma tarefa só: processar as transcrições dos últimos doze meses e extrair, em campos estruturados, o que costuma aparecer nos negócios ganhos e não nos perdidos. Isso já produz valor sozinho, independentemente de virar modelo.

Mês 3. Construa um modelo de regras explícitas com os cinco a oito critérios que mais separam. Valide contra uma parte do histórico que você não usou para escolher os critérios.

Mês 4. Coloque em uso, com explicação visível da nota e um botão para o vendedor discordar.

Mês 5 em diante. Acompanhe as discordâncias. Se um padrão aparecer, é sinal de critério faltando. Só considere modelo estatístico quando as regras estiverem claramente deixando valor na mesa e você tiver volume que sustente.

O resultado ao fim de cinco meses provavelmente não vai envolver nenhum modelo preditivo em produção. Vai envolver uma base mais rica, critérios que separam de verdade, e um comercial que confia na fila. Isso é o que a qualificação por IA promete — e o caminho até lá passa por trabalho de dados, não por escolha de ferramenta.