IA prevê a reação de um cliente? O que testamos e o que descobrimos

Uma promessa que virou comum, e que decidimos testar

Ferramentas que prometem simular clientes com inteligência artificial ganharam espaço no vocabulário de quem trabalha com experiência do cliente. A promessa é atraente: em vez de esperar semanas por uma pesquisa, você descreve uma mudança e recebe, em segundos, como diferentes perfis de cliente reagiriam a ela.

Decidimos testar essa promessa com o mesmo padrão que aplicamos em qualquer diagnóstico de CX: não aceitar a alegação de cabeça, testar contra fato.

Como o teste foi montado

Usamos dois recursos abertos e reconhecidos: um conjunto de perfis sintéticos de consumidores brasileiros, construído a partir de dados demográficos reais do país, e um motor de simulação de código aberto que usa esses perfis para responder a cenários.

Criamos cinco perfis de cliente, com idade, região e ocupação diferentes entre si, e escrevemos cenários comuns em experiência do cliente: um reajuste de preço, uma troca de atendimento humano por chatbot, um prazo de entrega maior, uma cobrança duplicada corrigida rapidamente. Cada perfil respondeu a cada cenário várias vezes, de forma independente, para separar um padrão real de uma resposta aleatória do momento.

O passo decisivo veio depois: comparar essas respostas simuladas contra comportamento real de consumidor, registrado em bases de dados públicas e em estudos publicados por pesquisadores da área.

Onde a simulação acompanhou a realidade

Dois resultados se confirmaram com clareza.

O primeiro: atraso na entrega prejudica a satisfação de forma forte e imediata. Uma análise de 500 pedidos reais de um marketplace brasileiro mostrou nota média de satisfação de 2,41 em 5 para pedidos entregues com atraso, contra 4,23 para pedidos entregues no prazo. Quase 6 em cada 10 clientes que receberam o pedido atrasado avaliaram a experiência com nota baixa. A simulação apontou essa mesma direção para a maioria dos perfis testados.

O segundo: corrigir um erro rapidamente tende a deixar o cliente satisfeito, em alguns casos mais satisfeito do que se nada tivesse dado errado. Esse efeito é conhecido na literatura de marketing como paradoxo da recuperação de serviço, e uma revisão de 21 estudos acadêmicos publicados sobre o tema confirma o padrão. A simulação também previu esse resultado de forma consistente.

Esses dois pontos importam porque são princípios que orientam decisão prática de operação todos os dias: prazo cumprido pesa mais do que parece, e um erro bem resolvido custa menos reputação do que a intuição costuma sugerir.

O achado mais valioso: onde a intuição comum erra

O ponto mais interessante do teste não foi uma confirmação. Foi uma correção.

Existe uma suposição frequente em CX de que o cliente mais velho é mais resistente a mudança e mais propenso a cancelar diante de um reajuste de preço, enquanto o cliente mais jovem seria mais tolerante. Testamos essa suposição contra dois conjuntos de dados reais, de setores completamente diferentes: uma pesquisa real de satisfação de passageiros aéreos e um estudo de cancelamento de assinatura em telecomunicações.

O resultado foi o oposto do que a intuição sugere. Nos dois casos, o grupo de clientes com menos de 35 anos foi o menos satisfeito e o mais propenso a cancelar. Clientes de meia-idade, entre 35 e 60 anos, formaram o grupo mais estável nas duas bases. Clientes mais velhos ficaram numa posição intermediária, não na posição mais crítica.

Isso muda a leitura prática de qualquer operação que segmente ação de retenção por faixa etária supondo que o cliente mais velho é o de maior risco. O dado real aponta o cliente mais jovem como o ponto de atenção, um resultado que só apareceu porque testamos contra fato, em vez de assumir como verdadeiro o que parecia razoável.

O que isso significa na prática

Três conclusões saem desse trabalho, e valem para qualquer empresa avaliando ferramentas de simulação de cliente com inteligência artificial.

A simulação é útil para gerar uma primeira leitura de um cenário novo, rápido e a custo baixo. Ela acompanha bem a direção de efeitos grandes e conhecidos, como o impacto de atraso ou de uma recuperação rápida.

Ela não substitui pesquisa com cliente real quando a decisão depende de um detalhe fino, como qual faixa etária priorizar numa campanha de retenção. O caso da idade mostra isso com clareza: a intuição comum e a simulação concordavam entre si, e as duas estavam na direção errada frente ao comportamento real medido.

O jeito de saber em qual das duas situações você está é testar contra dado real antes de decidir, o passo que a maioria das ferramentas desse tipo pula.

Por que publicamos isso

Poderíamos ter parado na primeira confirmação e chamado a ferramenta de validada. Preferimos ir até onde o dado real permitisse comparar, porque é esse o padrão que aplicamos em qualquer diagnóstico que entregamos a cliente: a pergunta não é se uma ferramenta parece funcionar, é se ela funciona quando testada.