Porque separar quem escreve de quem envia
Dar a um modelo de linguagem acesso direto para disparar emails a clientes introduz um risco que não precisas de correr. Se o modelo interpretar mal um pedido, o erro já saiu de casa quando alguém dá por ele, e corrigir depois custa sempre mais do que teria custado revisar antes de enviar.
Na aula que dei nas Sextas Ímpares #128, descrevi um fluxo em que a IA prepara tudo e o envio fica sempre do lado da pessoa. Deixo já preparado, na vossa plataforma de email, um rascunho feito para aquele contacto. A pessoa só tem de rever a lead, verificar o pedido, editar se necessário e enviar. O essencial é garantir que o passo final dependa sempre de uma decisão consciente, independentemente da plataforma utilizada.
Esta separação também resolve o medo mais comum das equipas em relação à IA: o de que a máquina cometa um deslize às escondidas. Se o botão de enviar continua nas mãos de alguém, o risco reputacional fica limitado a um erro de revisão, não a um erro de máquina sem supervisão. Isso também torna mais fácil convencer uma equipa reticente a experimentar o processo, porque ninguém está a entregar o controlo total à ferramenta.
Quais emails merecem um rascunho e quais devem ser ignorados
Nem toda a mensagem que chega à caixa de entrada precisa de uma resposta gerada por IA. Gerar rascunhos para tudo cria mais trabalho de limpeza do que economiza, e distrai a equipa das mensagens que realmente pedem uma decisão pensada.
Na aula expliquei que a IA deve primeiro perceber a natureza do email antes de escrever seja o que for: a inteligência artificial tem capacidade de perceber se aquilo é um email promocional ou transacional, e não vai estar a criar um rascunho de resposta para todos. Uma notificação de encomenda concluída não precisa de um rascunho de agradecimento gerado por IA, porque não há decisão nenhuma a tomar ali.
O valor prático está em reservar o esforço de redação para os emails que realmente pedem uma resposta humana pensada: pedidos de suporte, dúvidas de clientes, contactos comerciais. Tudo o resto pode simplesmente ser ignorado pelo fluxo de rascunhos, o que já poupa tempo de leitura à equipa e evita que a caixa de entrada fique cheia de sugestões inúteis para apagar.
Como transformar respostas de suporte numa base de conhecimento útil para IA
Quem aprova o quê num onboarding de clientes de marketing digital?
Como usar a IA no negócio para além das perguntas ao chatbot
Que informação a IA precisa antes de escrever a primeira linha
Um modelo sem contexto escreve por adivinhação, e é isso que rejeito explicitamente na forma como trabalho. Sem histórico do cliente, sem saber o que a empresa oferece de facto, e sem as regras internas de resposta, qualquer rascunho corre o risco de parecer bem escrito mas estar errado no essencial.
Na aula fui direto sobre este ponto: dados são ouro. Se não tenho bons dados, bom contexto, a inteligência artificial torna-se burra, e a tomada de decisão passa a ser totalmente achismo.
Aplicado a emails, isto quer dizer que o modelo precisa de saber o que já foi dito ao cliente antes, o que a empresa oferece e como a empresa costuma responder a este tipo de pedido. Sem esse histórico, mesmo um rascunho bem escrito pode estar desalinhado com aquilo que a empresa realmente faz ou promete.
Se o cliente pergunta por um prazo de entrega, a IA não deve inventar um número. Devia ir buscar a regra que já existe, seja a tabela de prazos ou o histórico de conversas anteriores, e usar isso como base concreta. Se essa informação não estiver acessível ao modelo, o rascunho vai refletir essa lacuna, e é aí que a revisão humana se torna decisiva para não deixar passar a falha.
Como o rascunho deve mostrar aquilo que a IA não tem a certeza
Um rascunho útil não esconde as suas próprias dúvidas. Se o modelo escrever com o mesmo tom confiante independentemente de ter ou não a informação certa, quem revisa tende a aprovar por inércia, sem reparar que ali havia uma pergunta invulgar que exigia mais atenção.
No fluxo que descrevi na aula, a interpretação da IA fica visível para quem revisa: a pessoa olha para a interpretação da IA e o texto da mensagem que a IA criou antes de decidir se aquilo faz sentido ou precisa de ajuste.
Vale a pena pensar em formatos que separem visualmente o que é rascunho de resposta do que é nota de incerteza, para que quem revisa saiba exatamente onde precisa de pensar mais e onde pode confiar no texto tal como está. Isto poupa tempo de leitura sem baixar a qualidade da decisão final.
A revisão humana e o momento de disparar
A revisão não deve ser um gesto automático de aprovar sem ler. O papel do humano nesta etapa é avaliar se a interpretação da IA corresponde ao pedido real e se a resposta sugerida está alinhada com o que a empresa faria naquele contexto específico.
É este o momento em que a experiência humana continua a valer mais do que qualquer modelo: conhecimento prévio do cliente, sensibilidade a um histórico de atrito, perceção de nuances que não estão escritas em lado nenhum. Falei disto na aula a propósito de leads, mas o raciocínio aplica-se da mesma forma a emails: a pessoa tem um olho que às vezes a inteligência artificial não tem.
O rascunho poupa o trabalho de escrever do zero; não substitui o julgamento de quem conhece o cliente. É essa combinação que faz o processo funcionar bem no dia a dia.
O custo por decisão como forma de pensar no ganho
Uso uma fórmula simples para justificar este tipo de automação: custo por decisão é igual ao tempo humano vezes o custo por hora, mais custo de infraestrutura, mais custo do erro, mais custo da latência. É uma forma de tornar visível algo que normalmente fica escondido no dia a dia: o preço real de cada decisão que a equipa toma.
No exemplo que trabalhei na aula, aplicado à gestão de leads, uma tarefa que consumia meia hora por contacto passava a consumir cerca de seis minutos de revisão, reduzindo o custo por decisão de cerca de 19,44€ para cerca de 3,79€ por lead. Deixei claro na aula que este é um exercício hipotético, com percentagens de erro e latência ajustáveis por cada negócio, não uma métrica universal.
O valor do exercício não está no número final, mas na lógica: se poupas minutos por decisão e multiplicas isso por centenas de contactos ao mês, a diferença acumulada pode ser significativa. O mesmo raciocínio pode ser aplicado ao tempo que uma equipa gasta a preparar respostas de email em vez de escrever do zero todos os dias, embora o ganho concreto dependa sempre dos números reais de cada negócio.
Manter o processo a melhorar com o tempo
Um fluxo de rascunhos não fica pronto na primeira configuração e depois esquecido. Se percebes que a equipa está sempre a corrigir o mesmo tipo de frase ou a mesma lacuna de informação, isso é sinal de que falta contexto na base de conhecimento.
A lógica que proponho para qualquer automação aplica-se aqui: observar o que está a consumir mais tempo, decidir o que automatizar, adicionar inteligência onde faz sentido e só depois pensar em escalar. Para emails, isto significa rever periodicamente que tipo de correções quem revisa faz com mais frequência.
Podes usar essas correções recorrentes para ajustar as instruções e o contexto que alimentam o modelo, fechando o ciclo entre o que a máquina propõe e o que a empresa realmente diz aos clientes.
Sextas Ímpares #128: A Era da Inteligência da Automação nos Negócios
Este artigo parte da aula que dei nas Sextas Ímpares #128, gravada a partir do estúdio do Ad Summit: https://www.youtube.com/watch?v=XTWg_GjK35Q. Vale a pena ver a partir de 22:50, onde falo do fluxo de rascunho e envio separado, e a partir de 59:50, onde falo do email como uma das tarefas repetitivas a listar no exercício de observação. Se quiseres ver como encaixo este raciocínio dentro de fluxos mais amplos de agentes de IA para empresas, tenho mais sobre isso em /agentes-ia-empresas/.