A Inteligência Artificial aplicada ao Marketing funciona melhor quando cada problema recebe o tipo de inteligência adequado. A Braze defendeu essa estratégia no Braze Forge 2026, sua conferência global de customer engagement, com uma divisão do uso de IA em cinco trabalhos: dados, conteúdo, experimentação, decisioning e workflow. Os cases apresentados mostram que os maiores ganhos vieram de empresas que substituíram regras fixas por modelos capazes de interpretar contexto e aprender com o resultado.
O ponto de partida é um toolkit com regras, testes A/B, modelos preditivos e reinforcement learning, além dos LLMs. Nenhuma dessas ferramentas se torna obsoleta com a chegada das outras. Regras continuam úteis em diversos problemas, modelos preditivos estimam a probabilidade de conversão ou churn e os LLMs, redes neurais treinadas para prever o próximo token, se destacam no raciocínio sobre linguagem e dados não estruturados.
Muitos trabalhos combinam várias camadas. Uma mesma jornada pode usar audiências preditivas para definir quem entra, um agente para escrever o assunto do e-mail e um modelo de horário personalizado para decidir quando cada mensagem sai. "Para fins práticos, IA é apenas machine learning, que por sua vez é apenas estatística", resume George Khachatryan, VP e Head de AI Decisioning da Braze.
Da regra à intenção
A Luxury Escapes, plataforma de viagens, tinha uma jornada baseada em regras de segmentação. A empresa passou a usar agentes com modelos de linguagem de fronteira, alimentados com o histórico recente de cliques e buscas de cada usuário, para classificar clientes em baixa, média ou alta intenção. A partir dessa classificação, cada pessoa seguiu um caminho diferente da jornada. A troca do esquema de regras pela abordagem agêntica elevou em 10% a margem bruta e em 10% a receita por usuário, de acordo com a Braze.
O case mostra uma diferença entre o uso preditivo tradicional e a aplicação de LLMs: enquanto os modelos preditivos estimam a probabilidade de determinado comportamento, o agente classifica sinais comportamentais em categorias de intenção e usa essa informação para definir o caminho da jornada.
A suíte preditiva tradicional calcula a probabilidade de um evento, como churn. O agente lê sinais comportamentais dispersos e os organiza em categorias acionáveis, o que permite à marca tratar de forma distinta quem está apenas navegando e quem está perto de comprar.
Personalização que compara
No conteúdo, a Braze separa dois modos de uso dos LLMs. No primeiro, o modelo gera textos estáticos que passam por revisão e compliance antes do envio, prática já comum nas equipes. No segundo, o LLM escreve mensagens individuais no momento do disparo e em escala. A personalização dinâmica não supera sempre as variáveis tradicionais, que resolvem bem a inserção de um nome ou produto.
O ganho aparece quando a mensagem exige adaptar proposta de valor, tom de voz e referências a cada pessoa. "A maioria presume que isso torna o conteúdo sempre melhor em qualquer caso de uso, mas não é o que acontece", diz Matthew Katz, Senior Product Manager da Braze.
A Dayuse, plataforma de reservas de hotel para estadias no mesmo dia, se encaixa no segundo modo. A empresa alimentou um agente com os hotéis que cada usuário havia pesquisado no aplicativo e pediu que ele escrevesse e-mails comparando essas opções. Um viajante que buscava onde descansar em Barcelona entre o desembarque e o check-in recebia, por exemplo, uma análise de como um hotel no centro atenderia melhor ou pior às suas necessidades do que outro mais afastado.
O resultado foi um aumento de 23% nas reservas recorrentes e o dobro de receita incremental. "Quando você realmente fala com o usuário e o encontra onde ele está, ele responde na mesma moeda", afirma Katz.
Testar mais, decidir melhor
A Motorway levou essa mentalidade para a experimentação. No beta do Canvas Optimizer, novo recurso da Braze, a empresa testou 125 combinações de conteúdo contra um grupo de controle, com variações de assunto, corpo, imagem e CTA, entre outros elementos. Os cliques nos e-mails cresceram 114% e as reativações, 37%. O ganho veio da escala quando a empresa passou a testar muito mais variações do que conseguia manualmente.
O passo seguinte é o decisioning. Em vez de apenas calcular a chance de um comportamento, um agente de decisão recebe dados first-party e escolhe uma ação para cada usuário, como o incentivo, o canal, a mensagem ou o horário de envio. O sistema observa o resultado e usa esse retorno para aprimorar as decisões seguintes em torno de um KPI definido pela marca.
A base é o reinforcement learning, que Khachatryan explica com o dilema das máquinas caça-níqueis: apostar tudo na primeira opção promissora corre o risco de premiar a sorte, enquanto testar todas indefinidamente desperdiça recursos. O modelo busca o meio-termo e aprende enquanto otimiza.
A conclusão é que nem todo problema exige um LLM. Modelos de linguagem funcionam melhor com texto e dados não estruturados, o machine learning clássico é mais adequado a previsões numéricas e o decisioning entra quando há um KPI claro, muitas ações possíveis e a necessidade de descobrir o que funciona para cada cliente. "Reinforcement learning é um tipo de agente de IA que experimenta de forma autônoma e se aprimora continuamente", diz Khachatryan durante o Braze Forge 2026, que acontece até esta quarta-feira (30), em Las Vegas.
Leia também: Braze Forge 2026 começa com IA, criatividade e customer engagement em pauta
COMPARTILHAR ESSE POST
