Braze Forge 2026 — Dia 1: a IA certa para o trabalho certo — e por que o diferencial ainda é humano

O que rolou de mais interessante no Dia 1 do Braze Forge 2026?

Por Davi Frate, co-fundador da Caaqui e parceiro Braze no Brasil. Para mim, a resposta está na conexão entre duas conversas.

A primeira, na masterclass “AI Menagerie: Matching the Right AI to the Right Marketing Job”, tratou de escolher a abordagem adequada para cada trabalho de marketing.

A segunda, no keynote de abertura, trouxe uma pergunta complementar: mesmo com mais capacidade tecnológica, o que continua sendo responsabilidade das pessoas?

A proposta oficial da masterclass de IA era ajudar profissionais a separar oportunidades reais do ruído em torno da IA, aplicar diferentes abordagens a um fluxo de trabalho e construir um plano de adoção. O aprendizado que levo de Las Vegas é que a conversa já não pode começar pela ferramenta. Ela precisa começar pelo problema, pela decisão que queremos melhorar e pelas condições que temos para medir o resultado.

Antes de escolher uma IA, entenda o trabalho

Um dos pontos de que mais gostei foi começar pelo básico. Regras e testes A/B continuam tendo lugar na operação de CRM.

Se uma condição é conhecida e estável, uma regra pode resolver o problema com previsibilidade: por exemplo, encaminhar uma pessoa para uma jornada depois de uma ação definida. Se queremos comparar alternativas e estimar seu efeito, um experimento bem desenhado pode dar uma resposta mais confiável do que simplesmente automatizar a escolha.

Isso não diminui o valor da IA. Evita aplicá-la onde a complexidade acrescenta custo, mas pouco aprendizado. Antes de adotar um modelo, vale perguntar: a decisão é repetitiva? Depende de interpretar informação não estruturada? Há dados e volume suficientes para aprender com os resultados? O ganho esperado justifica o esforço de implementação, monitoramento e controle?

Às vezes, não usar IA é a decisão mais madura.

Cinco trabalhos da IA no lifecycle marketing

Nas minhas anotações, organizei a discussão da masterclass em cinco trabalhos: entender dados, criar conteúdo, experimentar, decidir e ajudar a executar.

1. Entender dados e transformar sinais em informação útil

Machine Learning pode identificar padrões nos dados históricos e estimar, por exemplo, a propensão de um cliente a comprar ou deixar de comprar. A previsão, sozinha, não define a ação: o time ainda precisa decidir quando intervir, qual público priorizar e como avaliar se a intervenção fez diferença.

Modelos de linguagem, ou LLMs — que também pertencem ao campo de Machine Learning — podem ajudar em outra frente: interpretar respostas abertas, feedbacks e mensagens de clientes. Um texto pode ser classificado por tema, intenção ou sentimento e se tornar um sinal utilizável pelo CRM.

O uso de agentes para classificar usuários por nível de intenção e encaminhá-los a jornadas diferentes é interessante porque parte da decisão passa a considerar contexto que seria difícil traduzir em dezenas de regras fixas. Para colocá-la em produção, porém, é preciso verificar a qualidade das classificações, tratar casos ambíguos e definir o que acontece quando o modelo erra.

2. Criar conteúdo antes do envio ou no momento da interação

Há uma diferença operacional entre usar IA para redigir uma peça que uma pessoa revisa e aprova antes da campanha e gerar uma variação para cada cliente no momento do envio.

Na segunda situação, a comunicação pode considerar sinais recentes daquela pessoa, além das diretrizes da marca. A pergunta deixa de ser apenas “qual mensagem funciona para este segmento?” e passa a incluir “qual mensagem é pertinente para esta pessoa neste momento?”.

Essa possibilidade amplia a personalização, mas também exige limites: quais informações podem ser usadas, quais afirmações a mensagem pode fazer, como preservar a voz da marca e como revisar amostras do que efetivamente foi enviado. A Braze descreve a geração de mensagens com contexto do cliente entre as aplicações do BrazeAI Agent Console.

3. Experimentar sem confundir volume com aprendizado

Assunto, texto, imagem, chamada para ação, oferta, canal e momento de envio são variáveis que uma operação de CRM pode testar. A automação ajuda a preparar e administrar mais alternativas. Isso não significa que toda combinação produzirá uma conclusão útil.

Antes de ampliar os testes, o time precisa definir a métrica de sucesso, o público elegível e o que contaria como uma melhora relevante. Também precisa considerar efeitos indesejados: uma variação pode elevar cliques e, ao mesmo tempo, piorar margem, aumentar descadastros ou deslocar vendas que aconteceriam de qualquer forma.

Experimentar mais só vale quando a operação consegue aprender com o que mede.

4. Decidir: interpretar contexto ou aprender com resultados

Esta foi uma das distinções mais úteis da manhã. Alguns problemas pedem interpretação: entender uma mensagem, reconhecer uma intenção e escolher um caminho dentro de critérios definidos. LLMs podem ajudar nesse tipo de decisão qualitativa, desde que haja instruções claras, controles e avaliação dos erros.

Outros problemas pedem otimização a partir dos resultados da própria empresa. Qual oferta, canal, produto ou momento contribui melhor para um objetivo definido? Nesse caso, abordagens estatísticas podem aprender com dados de comportamento e resposta, comparando alternativas de forma contínua.

Um LLM pode trazer conhecimento amplo e interpretar linguagem. Ele não conhece automaticamente o efeito incremental de um desconto sobre a margem de um e-commerce específico. Para responder a essa pergunta, são necessários dados do negócio, uma métrica adequada e uma forma confiável de avaliar o resultado.

5. Ajudar o profissional a executar

Quem opera CRM conhece o caminho entre uma hipótese e uma campanha no ar. O time precisa preparar dados, construir a audiência, configurar a jornada, produzir a mensagem, fazer QA, aprovar, disparar e analisar. Cada passagem pode acrescentar espera ou erro.

É nesse trabalho que a IA como apoio operacional me parece especialmente promissora. No ecossistema Braze, o Agent Console permite configurar agentes para atuar em jornadas e catálogos; o BrazeAI Operator ajuda o profissional a consultar informações e executar tarefas na plataforma. A documentação pública da Braze descreve usos como criar ou atualizar campanhas e Canvas, analisar dados e apoiar a configuração de agentes.

O objetivo, para uma equipe de Growth, não deveria ser simplesmente produzir mais campanhas. É encurtar o ciclo entre hipótese, execução, medição e aprendizado, mantendo a revisão necessária em cada etapa.

A operação pode combinar diferentes abordagens

Uma jornada pode reunir um modelo de linguagem que interpreta uma resposta aberta, uma previsão de propensão, um mecanismo que escolhe uma oferta e uma ferramenta que ajuda a configurar a campanha. Nenhuma dessas partes precisa resolver o problema inteiro.

Essa composição muda o trabalho de liderança. Antes de escolher produtos, é preciso definir o resultado de negócio, localizar a restrição na jornada e estabelecer quais decisões serão automatizadas. Depois vêm as perguntas técnicas: quais dados alimentam cada decisão, com que qualidade chegam, como o sistema será avaliado e onde uma pessoa deve revisar ou assumir o controle.

É assim que a discussão sobre IA se torna uma discussão sobre desenho de operação.

Sem dados confiáveis, a decisão continua frágil

Um modelo de linguagem pode interpretar um pedido de ajuda feito pelo cliente. Ele não sabe, por conhecimento genérico, qual incentivo preserva a margem daquele negócio ou qual contato de CRM provoca uma compra adicional.

Dados próprios, eventos bem definidos e a ligação entre comunicação e resultado são necessários para aprender sobre essas decisões. Isso inclui identificar corretamente o cliente, registrar o que aconteceu na jornada e escolher métricas próximas do objetivo econômico — não apenas indicadores fáceis de observar.

A leitura da Caaqui é que uma fundação de dados frágil pode sofisticar a execução sem melhorar a decisão. A primeira intervenção, em algumas empresas, talvez seja corrigir eventos, integrações e critérios de mensuração antes de automatizar a próxima oferta.

Para aprofundar esse ponto, veja também nosso artigo sobre atribuição de marketing e Growth Mobile.

O ponto alto do Dia 1: a tecnologia não define o que merece ser feito

A keynote de abertura, “Run Your Own Race — Standing Out In the Age Of Average”, trouxe uma provocação que conversa com a masterclass. Na descrição oficial, a Braze afirma que a IA não entrega automaticamente gosto, ponto de vista ou uma razão para alguém se importar. A empresa a compara a um jetpack para a ambição; a ambição continua sendo humana.

Para mim, as duas discussões se completam. De um lado, precisamos escolher a tecnologia certa para o trabalho. Do outro, não podemos esperar que a tecnologia escolha o trabalho que importa.

Pessoas continuam responsáveis por entender o cliente, definir o problema, selecionar a métrica, estabelecer limites, criar uma proposta relevante e decidir se o resultado observado justifica mudar a operação.

A leitura da Caaqui

Se eu tivesse que resumir o primeiro dia do Forge 2026 em uma ideia, seria esta: a conversa sobre IA está passando da escolha de ferramentas para o desenho da operação de crescimento.

Regras ajudam quando o caminho é conhecido. Testes ajudam a comparar intervenções. Modelos preditivos estimam comportamentos. LLMs interpretam linguagem e contexto. Sistemas de decisão aprendem com resultados. Agentes podem reduzir o trabalho necessário para colocar uma hipótese em prática. O valor aparece quando essas capacidades respondem a uma prioridade de negócio e a equipe consegue medir o que mudou.

Esse é também o ponto de partida da Caaqui: compreender a jornada, identificar o que limita o crescimento, mobilizar dados, tecnologia e execução em torno da prioridade escolhida e ajustar a direção com base no aprendizado.

Direto de Las Vegas, seguimos acompanhando o que pode sair do palco e entrar na operação. Explore outros conteúdos da Caaqui sobre Growth, CRM, MarTech e dados. Se sua equipe precisa avaliar onde a IA pode melhorar uma jornada — e quais dados e processos precisam estar prontos antes disso —, converse com a Caaqui.

Perguntas frequentes sobre IA no CRM e lifecycle marketing

O que foi apresentado no Dia 1 do Braze Forge 2026?

O primeiro dia do Braze Forge 2026, em Las Vegas, teve a masterclass “AI Menagerie: Matching the Right AI to the Right Marketing Job”, sobre escolher a abordagem de IA adequada para cada trabalho de marketing, e o keynote de abertura “Run Your Own Race — Standing Out In the Age Of Average”, sobre o que continua sendo responsabilidade das pessoas.

Quando usar IA no CRM e quando usar regras ou testes A/B?

Regras resolvem condições conhecidas e estáveis com previsibilidade, e testes A/B comparam alternativas e estimam seu efeito. A IA faz sentido quando a decisão é repetitiva, depende de interpretar informação não estruturada, há dados e volume para aprender com os resultados e o ganho justifica o esforço de implementação, monitoramento e controle.

Quais trabalhos a IA pode fazer no lifecycle marketing?

Cinco: entender dados e transformar sinais em informação útil, criar conteúdo antes do envio ou no momento da interação, experimentar, decidir e ajudar o profissional de CRM a executar tarefas na plataforma, encurtando o ciclo entre hipótese, execução, medição e aprendizado.

Qual a diferença entre usar um LLM e um modelo estatístico para decidir?

LLMs ajudam em decisões que pedem interpretação, como entender uma mensagem ou reconhecer uma intenção. Abordagens estatísticas aprendem com os resultados da própria empresa para escolher oferta, canal, produto ou momento. Um LLM não conhece, sozinho, o efeito incremental de um desconto sobre a margem de um negócio específico.

Por que dados confiáveis vêm antes da IA no CRM?

Sem eventos bem definidos, identificação correta do cliente e ligação entre comunicação e resultado, a IA pode sofisticar a execução sem melhorar a decisão. Em algumas empresas, a primeira intervenção é corrigir eventos, integrações e critérios de mensuração antes de automatizar a próxima oferta.